Teknik Analisis Data

METODA PENELITIAN A.Jenis Penelitian

J. Teknik Analisis Data

Analisis yang digunakan dalam penelitian dapat dikelompokan menjadi

dua hal yaitu

1. Analisis Data kualitatif

Menurut Sugiyono (2002:13) Analisis data kualitatif adalah data yang

berbebtuk kata, skema, dan gambar.

2. Analisis Data Kuantitatif

Menurut Sugiyono (2002:13) Analisis data kuantitatif adalah analisis

dengan teknik perhitungan yang menggunakan rumus-rumus, dimana

teknik perhitungan yang dipergunakan untuk mengatasi masalah yang

diteliti. Dalam penelitian ini teknik analisis data yang digunakan

adalah regresi linier berganda, kemudian dilakukan uji asumsi klasik.

Pengujian hipotesis untuk mengetahui diterima atau tidaknya hipotesis

maka dilakukan analisa secara kuantitatif dengan mengunakan uji

a) Analisis Regresi Linier berganda

Teknik analisis data yang digunakan dalam penelitia ini adalah

analisis regresi linier berganda yang digunakan untuk mengukur

variabel bebas (independen variabel) yang lebih dari bsatu variabel

terhadap variabel terikat (dependen variabel). Berikut ini adalah

persamaan regresinya.

Y = a b₁.X₁ b₂.X₂ b₃.X₃

di mana

Y = Motivasi kerja

a = Konstanta

b₁, ..., b_n = Koefisien dari variabel bebas

X1 = Gaya kepemimpinan

X2 = Program Formal Pengembangan Karir

X3 = Program Kesejahteraan

Koefiesien-koefisien regresi a dan b dapat dihitung dengan rumus:

₂ 1 2 1 2 1 1 2 1 1 X X n Y X X Y a 2 1 2 1 1 1 1 1 1 X X n Y X X Y X n b

b) Uji Asumsi Klasik

1) Otokorelasi

Istilah autokorelasi dapat didefinisikan sebagai korelasi antara

anggo observasi lain yang berlainan waktu. Ada beberapa cara

yang bisa digunakan untuk mendeteksi masalah autokorelasi.

Salah satu cara yang bisa ditempuh untuk mendeteksi adanya

otokorelasi adalah metode yang dikemukakan oleh Durbin-

Watson . Adapun rumus uji statistik Durbin- Watson adalah

sebagai berikut: d = _{t n} t n t t t e e e 1 2 1 2 2 1 ˆ ) ˆ ˆ (

Durbin- Watson telah berhasil mengembangkan uji statistik

yang disebut uji statistik d. Durbin- Watson berasil

menurunkan nilai kritis batas bawah (dL) dan batas atas (dU).

penentuan ada tidaknya autokorelasi dapat dilihat dalam tabel

berikut:

Tabel 3.1

Uji Statistik Durbin-Watson d

Nilai Statistik d Hasil

0< d < dL Menolak hipotesis nol, ada autokorelasi positif dL ≤ d ≤ dU Daerah keragu-raguan, tidak ada keputusan dU < d ≤ 4 - dU Menerima hipotesis nol, tidak ada autokorelasi

positif/negatif

4 - dU ≤ d ≤ 4 - dL Daerah keragu-raguan, tidak ada keputusan 4 – d_L ≤ d ≤ 4 Menolak hipotesis nol, ada autokorelasi negatif Sumber data : Widarjono (2007). Ekonometri, Yogyakarta: Ekonisia

2) Multikolinearitas

(a) Sifat dan Konsekuensi Multikolinieritas

Hubungan linier antara variabel independen di dalam

regresi berganda disebut multikolinieritas. Hubungan linier

antara variabel independen dapat terjadi dalam bentuk

hubungan linier yang sempurna dan hubungan linier yang

kurang sempurna.

Dampak adanya multikolinieritas didalam model

regresi jika dugunakan teknik estimasi dengan metode

kuadrat terkecil (OLS) tetapi masih mempertahankan asumsi lain adalah sebagai berikut:

(1) Estimator masih bersifat BLUE dengan adanya multikolinieritas namun estimator mempunyai varian

dan kovarian yang besar sehingga sulit mendapatkan

estimasi yang tepat.

(2) Interval estimasi akan cenderung dan nilai hitung

statistik uji t akan kecil sehingga membuat variabel

independen secara statistik tidak signifikan

mempengaruhi variabel dependen.

(3) Walaupun secara individual variabel independen tidak

berpengaruh terhadap variabel dependen melalui uji

statistik t, namun nilai koefisien determinasi masih bisa

(b) Deteksi Masalah Multikolinieritas:

Model yang mempunyai standard error yang besar dan nilai statistik t yang rendah merupakan indikasi awal

adanya masalah multikolinieritas. Ada beberapa metode

untuk mendeteksi masalah multikolinieritas dalam suatu

regresi:

(1) Nilai R tinggi tetapi hanya sedikit variabel independen

yang signifikan

Salah satu ciri adanya gejala multikolinieritas adalah

model mempunyai koefisien determinasi yang tinggi

tetapi hanya variabel independen yang mempengaruhi

signifikan varibel dependen melalui uji t. Namun

berdasarkan uji F secara statistik signifikan yang

berarti semua variabel idependen secara bersama-sama

mempengaruhi variabel dependen.

(2) Variance Inflation Faktor dan Tolerance

VIF adalah Variance Inflation Faktor. Ketika R² mendekati satu atau dengan kata lain ada kolinieritas

antar variabel independen maka VIF akan naik dan mendekati tak terhingga jika nilainya R² = 1. Kita bisa

menggunakan VIF untuk mendeteksi masalah multikolinieritas. Jika nilai VIF semakin membesar maka diduga ada multikolinieritas. Jika nilai VIF

Melebihi angka 10 maka ada multikolinieritas karena

nilai R² melebihi dari 0,90. Selain itu para ahli

ekonometrika juga menggunakan nilai tolerance untuk mendeteksi masalah multikolonieritas dalam model

regresi berganda. Nilai tolerance (TOL) dapat dicari dengan menggunakan formula sebagai berikut:

TOL = 1 R²_j

=

j

VIF

1

Jika R²_j = 0 berarti tidak ada kolineritas antara variabel independen maka nilai TOL sama dengan 1 dan sebaliknya jika R²_j = 1 ada kolineritas antar variabel independen maka nilai TOL sama dengan 0. 3) Heteroskedastisitas

Heteroskedastisitas dapat diartikan sebagai varian dari variabel

gangguan yang tidak konstan. Konsekuensinya jika estimator

tidak lagi mempunyai varian yang minimum adalah:

(a) Perhitungan standard error metode OLS tidak lagi bisa lagi dipercaya

(b) Interval estimasi maupun uji hipotesis yang berdasarkan

pada distribusi t maupun F tidak lagi bisa dipercaya untuk

Untuk mendeteksi adanya Heteroskedastisitas dapat dilakukan

dengan metode informal dan formal:

(a) Metode Informal

Cara yang paling cepat dan dapat digunakan untuk menguji

masalah heteroskedastisitas adalah dengan mendeteksi pola

residual melalui sebuah grafik. Jjika residual mempunyai

varian yang sama (homoskedastisitas) maka tidak

mempunyai pola yang pasti dari residual. Sebaliknya jika

residual mempunyai sifat heteroskedastisitas residual ini

menunjukkan pola yang tertentu.

(b) Metode Formal

Menurut Park, varian variabel gangguan yang tidak konstan

atau masalah heterokedastisitas muncul karena residual ini

tergantung dari variabel independen yang ada di dalam

model. Menurut Park bentuk fungsi variabel gangguan

adalah sebagai berikut:

i

u i i^{2 2}X e

Model di atas merupakan model sederhana dengan satu

variabel independen. Kita bisa menggunakan untuk model

yang mempunyai lebih dari satu variabel independen dalam

bentuk transformasi ligaritma:

i i

i In In X V

Di mana In= logaritma natural Vi= variabel gangguan

karena varian variabel gangguan ² populasi tidak

diketahui maka Park menyarankan menggukan residual.

Dengan demikian langkah selanjutnya kita melakukan

regresi dengan menggunakan persamaan:

In e_i² In ² In X_i V_i

Keputusan ada tidaknya masalah heteroskedastisitas

berdasarkan uji statistk estimator . Jika tidak

signifikan melalui uji t maka dapat disimpulkan tidak ada

heteroskedastisitas karena varian independen, sebaliknya

jika signifikan secara signifikan secara statistik maka

model mengandung unsur heteroskedastisitas.

4) Kenormalan

Istilah asumsi kenormalan digunakan sebagai sifat distribusi

normal yang menyatakan bahwa setiap fungsi linear dari

variabel-variabel yang didistribusikan secara normal dengan

sendirinya didistribusikan secara normal. Regresi linear normal

klasik mengasumsikan bahwa tiap u_t didistribusikan dengan

u_t ~ N (0,

Dimana ~ berarti “didistribusikan sebagai” dan dimana N berarti “didistribusikan normal”, unsur dalam tanda kurung

menyatakan dua parameter distribusi normal yaitu rata-rata dan

Dengan asumsi kenormalan, penaksiran OLS

dan mempunyai sifat-sifat statistik sebagi berikut :

(c) Penaksiran tadi tidak bias

(d) Penaksiran tadi mempunyai varians yang minimum, atau

penaksiran yang efisien.

(e)Konsisten yaitu dengan menigkatnya ukuran sampel secara

tak terbatas, penaksiran mengarah pada converge nilai populasi yang sebenarnya.

(f) didistribusikan

(g) didistribusikan

(h) didistribusikan secara distribusi X²

(chikuadrat) dengan derajat kebebasan (df) N-2.

(i) didistribusikan secara bebas dari .

(j) mempunyai varians minimum dalam seluruh

kelas penaksir bias, baik linear maupun bukan.

Asumsi kenormalan memungkinkan kita untuk

memperoleh distribusi propabilitas dari

(normal), dan (chikuadrat), hal ini

menyederhanakan tugas dalam menetapkan selang keyakinan

c) Uji F

F test digunakan untuk menguji ada tidaknya pengaruh

signifikan variabel bebas secara simultan variabel tergantung. Bila

Fhitung ≥ Ftabel, maka secara simultan variabel bebas berpengaruh terhadap variabel tergantung, sebaliknya bila F_hitung < F_tabel maka

secara simultan variabel bebas tidak berpengaruh terhadap variabel

tergantung.

F = F =

dimana

n = Ukuran sampel

R² = Koefisien determinasi

K = Banyaknya variabel bebas

Kriteria yang digunakan untuk mencari F_tabel df₁ = n-1, df₂ = n-k-1

dengan tingkat signifikansi 5%.

Hoditerima :

Apabila F_hitung < F_tabel pada = 0,05 atau F_hitung pada p_value > 0,05,

secara simultan gaya kepemimpinan, program formal

pengembangan karir dan program kesejahteraan tidak berpengaruh

terhadap motivasi kerja.

H_o ditolak :

Apabila Fhitung daripada Ftabel pada = 0,05 atau Fhitung pada pvalue

0,05, secara simultan gaya kepemimpinan, program formal

pengembangan karir dan program kesejahteraan berpengaruh

d) Uji t

Uji t digunakan untuk mengetahui ada tidaknya pengaruh

positif dan signifikan variabel X secara parsial terhadap variabel Y,

jika variabel X yang lain tetap. Bila thitung ≥ ttabel maka ada pengaruh positif dan signifikan dari variabel bebas terhadap variabel terikat,

sebaliknya apabila thitung < ttabel maka tidak ada pengaruh positif dan

signifikan dari variabel-variabel bebas terhadap variabel terikat,

maka dilakukan uji t.

Rumus uji t

t₀ = =1, 2, 3, ….

bi = nilai koefisien regresi

Bi = nilai koefisien regresi untuk populasi

Sbi = kesalahn baku koefisien regresi

Ho diterima :

Apabila t_hitung < t_tabel pada α = 0,05 atau thitung pada p_value > 0,05, secara parsial gaya kepemimpinan, program formal pengembangan

karir dan program kesejahteraan tidak berpengaruh terhadap

motivasi kerja.

Ho ditolak :

Apabila t_hitung ≥ t_tabel pada α = 0,05 atau thitung pada p_value < 0,05, secara parsial gaya kepemimpinan, program formal pengembangan

karir dan program kesejahteraan berpengaruh terhadap motivasi

A. Sejarah Singkat Rumah Sakit Umum Pusat Dr. Soeradji Tirtonegoro