BAB 1 PENDAHULUAN
9. Teknik Analisis Data
Teknik analisis data yang digunakan oleh penulis yakni teknik analisa data kuantitatif yang berpedoman pada Sugiyono (2001:181), bahwa untuk menguji hipotesis dan menganalisis data penelitian yang bersifat hubungan (associative) maka dapat dianalisa dengan metode sebagai berikut :
1. Metode Deskriptif
Metode penganalisaan data dengan cara menyusun data, mengelompokkannya, selanjutnya menginterpresentasikannya, sehingga diperoleh gambaran mengenai kondisi perusahaan.
2. Metode Analisis Regresi Linear Berganda
Metode regresi linear berganda yaitu untuk memprediksi nilai dari variabel terikat yaitu Produktivitas Kerja Karyawan (Y) dengan ikut memperhitungkan nilai-nilai variabel bebas yaitu Kompetensi Karyawan (X) dapat diketahui pengaruh positif. Untuk melihat bagaimana pengaruh kompetensi karyawan terhadap produktivitas kerja karyawan dapat dirumuskan :
Dimana :
Y = Produktivitas Kerja Karyawan X1 = Pengetahuan (Knowledge)
b = Koefisien arah regresi X2 = Keterampilan (Skill)
e = Fungsi kendala (error terms) X3 = Perilaku (Attitude)
a = Konstanta Y
Suatu perhitungan statistik disebut signifikan secara statistik apabila nilai uji statistiknya berada dalam daerah kritis (daerah dimana H0 ditolak). Sebaliknya disebut
tidak signifikan bila nilai uji statistiknya berada dalam daerah dimana H0 diterima.
(Sugiyono, 2001:210)
Dalam analisis regresi ada 3 jenis kriteria ketepatan yaitu : a. Koefisien Determinasi (R2)
Determinan digunakan untuk melihat seberapa besar kontribusi varibel bebas terhadap variabel terikat. Dengan kata lain, nilai koefisien determinan digunakan untuk mengatur besarnya kontribusi variabel yang diteliti X dan Y sebagai variabel terikatnya. Nilai koefisien determinasi diantara nol dan satu (0<R2<1). Semakin mendekati nol berarti model tidak baik atau variasi model dalam menjelaskan terbatas, sebaliknya mendekati nol satu model semakin baik sehingga variabel X memiliki kemampuan menerangkan variabel Y. (Sugiyono, 2001:210)
b. Uji Signifikan Individual (Uji – t) (Parsial)
terhadap variabel terikat. (Sugiyono, 2001:211)
H0 : b1 = 0, artinya secara parsial tidak terdapat pengaruh yang positif dan
signifikan variabel bebas (X1, X2, X3) yaitu berupa variabel Pengetahuan (X1),
Keterampilan (X2), Perilaku (X3) terhadap Produktivitas kerja karyawan yaitu
variabel terikat (Y).
H0 : b1 ≠ 0, artinya secara parsial terdapat pengaruh yang positif dan signifikan
dari variable bebas (X1, X2, X3) yaitu berupa variabel Pengetahuan (X1),
Keterampilan (X2), Perilaku (X3) terhadap Produktivitas kerja karyawan pada
yaitu variabel terikat (Y).
Kriteria pengambilan keputusan :
H0 diterima jika t hitung < t tablepada α = 5%
Ha diterima jika t hitung > t table pada α = 5%
c. Uji Signifikan Simultan (Uji – f)
Uji-f pada dasarnya menunjukkan apakah semua variabel bebas yang dimasukkan dalam model mempunyai pengaruh secara bersama-sama terhadap variabel terikat. (Sugiyono, 2001:214)
H0 : b1 = b2 = b3 = 0, artinya secara bersama-sama tidak terdapat pengaruh yang
positif dan signifikan variabel bebas (X1, X2, X3) yaitu berupa variabel
Pengetahuan (X1), Keterampilan (X2), Perilaku (X3) terhadap Produktivitas kerja
karyawan yaitu variabel terikat (Y).
H0 ≠ b1 ≠ b2 ≠ b3 ≠ 0, artinya secara bersama-sama terdapat pengaruh yang positif
(X1), Keterampilan (X2), Perilaku (X3) terhadap Produktivitas kerja karyawan
yaitu variabel terikat (Y).
Kriteria pengambilan keputusan :
H0 diterima jika t hitung < t tablepada α = 5%
Ha diterima jika t hitung > t table pada α = 5%
3. Uji Asumsi Klasik
Menurut Ghozali (2005:110) menyatakan bahwa ”uji normalitas bertujuan untuk menguji apakah dalam model regresi. Variabel pengganggu atau residual memiliki distribusi normal. Seperti diketahui bahwa uji t dan f mengasumsikan bahwas nilai residual mengikuti distribusi normal. Kalau asumsi ini dilanggar maka uji statistik menjadi tidak valid untuk jumlah sampel kecil”.
Ada 2 cara mendeteksi apakah residual berdistribusi normal atau tidak menurut Ghozali (2005:110), yaitu :
1. Analisis Grafik
Salah satu cara termudah untuk melihat normalitas residual adalah dengan melihat grafik histogram yang membandingkan antara data observasi dengan distribusi yang mendekati distribusi normal. Metode yang lebih handal adalah dengan melihat normal probability plot yang membandingkan distribusi kumulatif dari distribusi normal. Distribusi normal akan membentuk satu garis lurus diagonal dan plotnya data residual akan dibandingkan dengan garis diagonal. Jika distribusi
data residual normal, maka garis yang menggambarkan data sesungguhnya akan mengikuti garis diagonalnya.
2. Analisis Statistik
Uji statistik sederhana dapat dilakukan dengan melihat nilai kurtosis dan nilai Z- skewness. Uji statistik lain yang dapat digunakan untuk menguji normalitas residual adalah uji statistik non parametrik Kolmograv-Smirnov (K-S).
Pedoman pengambilan keputusan tentang data tersebut mendekati atau merupakan distribusi normal berdasarkan uji Kolmograv-Smirnov dapat dilihat dari :
a. Nilai Sig. Atau signifikan atau probabilitas < 0,05, maka distribusi data adalah tidak normal.
b. Nilai Sig. Atau signifikan atau probabilitas > 0,05, maka distribusi data adalah normal.
4. Pengujian Heterokedastisitas
Suatu model dikatakan terdapat gejala heterokedastisitas jika koefisien parameter beta persamaan regresi tersebut signifikan secara statistik. Sebaliknya, jika parameter beta tidak signifikan secara statistik, hal ini menunjukkan bahwa data model empiris yang diestimasi tidak terdapat heterokedastisitas (Erlina, Mulyani 2007:108).
Ada beberapa cara yang dapat dipakai untuk mendeteksi ada atau tidaknya heterokedastisitas. Dalam penelitian ini menggunakan grafik scatteplot dengan dasar analisis:
1. Jika ada pola tertentu, seperti titik-titik yang membentuk pola tertentu yang teratus maka mengindikasikan telah terjadi heterokedastisitas.
2. Jika tidak ada pola yang jelas, serta titik-titik menyebar diatas dan dibawah angka 0 pada sumbu Y, maka tidak terjadi heterokedastisitas.
5. Pengujian Multikolinearitas
Menurut Ghozali (2005:91), untuk mendeteksi ada atau tidaknya multikolinearitas di dalam model regresi adalah sebagai berikut :
1. Nilai R2 yang dihasilkan oleh suatu estimasi model regresi empiris sangat tinggi, tetapi secara individual variabel-variabel independennya banyak yang tidak signifikan mempengaruhi varaibel dependen.
2. Menganalisis matrik korelasi varaibal-variabel independen. Jika antar variabel independen ada korelasi yang cukup tinggi (umumnya diatas 0,90), maka hal ini merupakan indikasi adanya multikolinearitas. Tidak adanya korelasi yang tinggi antar variabel independen tidak berarti bebas dari multikolinearitas. Multikolinearitas dapat disebabkan kerana adanya efek atau kombinasi dua atau lebih variabel independen.
3. Multikolinearitas dapat juga dilihat dari : nilai tolerance dan lawannya serta
Variance Inflation Factor (VIF). Kedua ukuran ini menunjukkan setiap variabel independen manakah yang dijelaskan oleh variabel independen lainnya. Dalam pengertian sederhana setiap variabel independen menjadi variabel dependen dan diregres terhadap variabel independen lainnya.
Tolerance mengukur variabilitas variabel independen yang terpilih yang tidak dijelaskan oleh variabel independen lainnya. Jika nilai tolerance yang rendah sama dengan nilai VIF tinggi (karena VIF = 1/Tolerance). Nilai cutoff yang
umumdipakai untuk menunjukkan adanya multikolinearitas adalah nilai tolerance < 0,10 atau sama dengan nilai VIF > 10.
6. Pengujian Autokorelasi
Uji autokorelasi bertujuan menguji apakah model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 (sebelumnya). Jika terjadi autokorelasi, maka dinamakan problem autokorelasi. Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lain. Masalah ini timbul karena residual (kesalahan pengganggu) tidak bebas dari satu observasi ke observasi lainnya.