Uji A l sumsi Kla l sik a. Uji Norma l lita l s

Uji norma^llita^ls diguna^lka^ln untuk mengeta^lhui a^lpa^lka^lh da^lta^l ya^lng disa^ljika^ln untuk dia^lna^llisis lebih la^lnjut berdistribusi norma^ll a^lta^lu tida^lk. Model regresi ya^lng ba^lik henda^lknya^l berdistribusi norma^ll a^lta^lupun mendeka^lti norma^ll.¹⁰³ Pa^lda^l Penelitia^ln ini, uji norma^llita^ls diukur mela^llui JB (Ja^lrque-Bera^l) serta^l Histogra^lm Norma^llity Test pa^lda^l progra^lm SPSS. Distribusi da^lta^l da^lpa^lt dilinila^li norma^ll a^lta^lu tida^lk, denga^ln meliha^lt nila^li proba^lbility Histogra^lm Norma^llity Test. Ha^lsil uji norma^llita^ls da^lta^l da^lpa^lt diliha^lt pa^lda^l ta^lbel berikut ini:

Ta^lbel 4.8

Uji Norma^llita^ls denga^ln JB (Ja^lrque-Bera^l) Descriptive Sta^ltistics

N Skewness Kurtosis

Sta^ltistic Sta^ltistic Std.

Error Sta^ltistic Std.

Error Unsta^lnda^lrdized Residua^ll 32 -1.295 .414 1.871 .809 Va^llid N (listwise) 32

Sumber: Da^lta^l diola^lh SPSS, 2022 Perhitunga^ln Ja^lrque Bera^l :

JB = 𝑛 (^𝑠2

6 +^(𝑘−3)2

24 )

103 Ibid., 89

JB = 32 (^−1.2952

6 +^(1.871−3)2

24 )

JB = 32 (^1.677

6 +^1.275

24 ) JB = 32 (0.280 + 0.053) JB = 32 (0.333)

JB = 10.656

Pa^lda^l persa^lma^la^ln dia^lta^ls menya^lta^lka^ln ba^lhwa^l nila^li Ja^lque Bera^l sebesa^lr 10.656 nila^li ini ketika^l diba^lndingka^ln denga^ln c² ta^lbel denga^ln df hitung = (n-k).

Df = (32-3) = 29 da^ln tingka^lt signifika^lnsi 0.05 ma^lka^l nila^li c² ta^lbel 42.556. Nila^li JB = 10.656 (c² hitung) < 42.556 (c² ta^lbel), ya^lng bera^lrti ba^lhwa^l nila^li residua^ll ya^lng tersa^lnda^lrisa^lsi pa^lda^l persa^lma^la^ln dinya^lta^lka^ln berdistribusi norma^ll.

Ga^lmba^lr 4.3

Ha^lsil Uji Norma^llita^ls denga^ln Histogra^lm Norma^llity Test

Sumber: Da^lta^l diola^lh SPSS, 2022

Berda^lsa^lrka^ln Gra^lfik 4.1 dia^lta^ls, da^lpa^lt diliha^lt ba^lhwa^l ha^lsil uji norma^llita^ls denga^ln metode Histogra^lm Norma^llity Test ya^lng dila^lkuka^ln mengha^lsilka^ln nila^li a^lsymp. sig (1-ta^liled) > 0,05. Sehingga^l bisa^l dinya^lta^lka^ln ba^lhwa^l uji norma^llita^ls

Kolmogorov-Smirnov, denga^ln nila^li residua^ll tersta^lnda^lrdisa^lsi berdistribusi

“norma^ll”.

b. Uji Multikolinierita^ls

Uji Multikolinea^lrita^ls ini diguna^lka^ln untuk mengeta^lhui ba^lga^lima^lna^lka^lh model regresi ya^lng terbentuk, a^lpa^lka^lh terda^lpa^lt korela^lsi ya^lng ditinggi a^lta^lu tida^lk.

Da^lla^lm uji multikolinea^lrita^ls ha^lsil ya^lng diha^lra^lpa^lka^ln a^lda^lla^lh tida^lk terja^ldinya^l a^lta^lupun tida^lk terda^lpa^lt geja^lla^l multikolinea^lrita^ls. A^lpa^lbila^l da^lla^lm model regresi terda^lpa^lt korela^lsi ya^lng tinggi dia^lnta^lra^l va^lria^lbel beba^ls, ma^lka^l model regresi tersebut dinya^lta^lka^ln menga^lndung geja^lla^l multikolinea^lr.¹⁰⁴ A^lda^lpun da^lla^lm penelitia^ln ini mengguna^lka^ln metode TOL (Tolera^lnce) da^ln Va^lia^lnce Infla^ltion Fa^lctor (VIF) denga^ln ketentua^lnnya^l tida^lk terja^ldi multikol jika^l Tolera^lnce > 0,1 da^ln VIF < 10.

Ta^lbel 4.9 Uji Multikolinierita^ls

Coefficientsa^l

Model Collinea^lrity Sta^ltistics 1 (Consta^lnt) Tolera^lnce VIF

X1 .977 1,024

X2 .962 1,040

X3 .968 1,033

Sumber: Da^lta^l diola^lh SPSS, 2022

Berda^lsa^lrka^ln da^lri ta^lbel 4.8 dia^lta^ls, da^lpa^lt diliha^lt ba^lhwa^l nila^li tolera^lnce X1 (0,977), X2 (0,962), da^ln X3 (0,968) > 0,1 da^ln nila^li VIF ya^litu X1 (1,024), X2 (1,040), da^ln X3 (1,033) < 10. Sehingga^l penelitia^ln ini mengha^lsilka^ln kesimpulka^ln ba^lhwa^l model regresi pa^lda^l penelitia^ln ini dinya^lta^lka^ln “tida^lk menga^lndung geja^lla^l multikolinierita^ls”.

104 Ibid., 89

c. Uji Heterokeda^lstisita^ls

Uji heterokeda^lstisita^ls diguna^lka^ln untuk mengeta^lhui a^lpa^lka^lh model regresi tersebut terja^ldi ketida^lksa^lma^la^ln va^lria^lns da^lri penga^lma^lta^ln sa^ltu denga^ln penga^lma^lta^ln la^linnya^l.¹⁰⁵ A^lda^lpun uji heterokeda^lstisita^ls ya^lng diha^lra^lpka^ln a^lda^lla^lh tida^lk terja^ldinya^l heterokeda^lstisita^ls. Pa^lda^l uji heterokeda^lstisita^ls da^lla^lm penelitia^ln ini mengguna^lka^ln metode “pa^lrk” denga^ln ketentua^ln nila^li t hitung < nila^li t ta^lbel.

Ta^lbel 4.10 Uji Heterokeda^lstisita^ls

Coefficientsa^l Model Unsta^lnda^lrdized

Coefficients

Sta^lnda^lrdized

Coefficients T Sig.

B Std. Error Beta^l

1 (Consta^lnt) 15,043 7,813 1,925 .064

X1 -.197 .245 -.143 .804 .028

X2 .127 .182 .125 .698 .041

X3 .554 .282 .349 .260 .010

a^l Dependent Va^lria^lble: Y

Sumber: Da^lta^l diola^lh SPSS, 2022

Da^lri ha^lsil ta^lbel 4.9 dia^lta^ls, menjela^lska^ln ba^lhwa^l pa^lda^l model regresi tida^lk terja^ldi geja^lla^l heterokeda^lstisita^ls. Dika^lrena^lka^ln nila^li t hitung < t ta^lbel, ya^litu sebesa^lr 1.694 va^lria^lbel X1 a^lda^lla^lh sebesa^lr 0.804 < 1.694, va^lria^lbel X2 sebesa^lr 0,698 < 1.694, va^lria^lbel X3 sebesa^lr 0.260 < 1.694.

105 Ibid., 89

d. Uji A^lutokolera^lsi

Uji A^lutokolera^lsi denga^ln mengguna^lka^ln metode Durbin-Wa^ltson Test da^lpa^lt mengidentifika^lsi a^lda^lnya^l korela^lsi a^lnta^lr va^lria^lbel itu sendiri. Da^lta^l ya^lng ba^lgus a^lda^lla^lh da^lta^l ya^lng tida^lk a^lda^l a^lutokorela^lsi ya^litu a^lngka^l D-W dia^lnta^lra^l -2 sa^lmpa^li +2.¹⁰⁶

Ta^lbel 4.11 Uji A^lutokolera^lsi Model Summa^lry^b Model R R Squa^lre A^ldjusted R Squa^lre

Std. Error of the Estima^lte

Durbin-Wa^ltson

1 .373^al .139 .047 4.39048 1.761

a^l. Predictors: (Consta^lnt), X3, X1, X2 b. Dependent Va^lria^lble: Y

Sumber: Da^lta^l diola^lh SPSS, 2022

Berda^lsa^lrka^ln da^lta^l pa^lda^l ta^lbel 4.11 diketa^lhui DW pa^lda^l persa^lma^la^ln sebesa^lr 1.761. Berda^lsa^lrka^ln kriteria^l penga^lmbila^ln keputusa^ln ba^lhwa^l a^lpa^lbila^l nila^li DW a^lnta^lra^l -2 sa^lmpa^li +2 bera^lrti tida^lk terja^ldi a^lutokorela^lsi.

4. Uji Hipotesis

a. Uji Koefisien Determina^lsi R²

Koefisien determina^lsi R2, diguna^lka^ln untuk mengukur sebera^lpa^l besa^lr va^lria^lble-va^lria^lble beba^ls da^lpa^lt menjela^lska^ln va^lria^lbel terika^lt. Koefisien ini menunjuka^ln sebera^lpa^l besa^lr va^lria^lsi tota^ll pa^lda^l va^lria^lbel terika^lt ya^lng da^lpa^lt dijela^lska^ln oleh va^lria^lbel beba^lsnya^l da^lla^lm model regresi tersebut. Nila^li da^lri koefisien determina^lsi ia^lla^lh a^lnta^lra^l 0 hingga^l 1. Nila^li R² ya^lng mendeka^lti 1

106 Singgih Santoso, Menguasai SPSS 22 From Basic to Expert Skills, PT. Elek Media Komutindo, Jakarta: 2015

menunjuka^ln ba^lhwa^l va^lria^lbel da^lla^lm model tersebut da^lpa^lt mewa^lkili perma^lsa^lla^lha^ln ya^lng diteliti, ka^lrena^l da^lpa^lt menjela^lska^ln va^lria^lsi ya^lng terja^ldi pa^lda^l va^lria^lbel dependennya^l. Nila^li R² sa^lma^l denga^ln a^lta^lu mendeka^lti 0 nol menunjuka^ln va^lria^lbel da^lla^lm model ya^lng dibentuk tida^lk da^lpa^lt menjela^lska^ln va^lria^lsi da^lla^lm va^lria^lbel terika^lt. ¹⁰⁷

Ta^lbel 4.12

Uji Koefisien Determina^lsi R² Model Summa^lry^b Model R

R Squa^lre

A^ldjusted R Squa^lre

Std. Error of the Estima^lte

Durbin-Wa^ltson

1 .373^al .539 .047 4.39048 1.761

a^l. Predictors: (Consta^lnt), X3, X1, X2 b. Dependent Va^lria^lble: Y

Sumber: Da^lta^l diola^lh SPSS, 2022

Da^lla^lm penelitia^ln ini nila^li R² ya^lng mendeka^lti 1 (0.539) menunjuka^ln ba^lhwa^l va^lria^lbel da^lla^lm model tersebut da^lpa^lt mewa^lkili perma^lsa^lla^lha^ln ya^lng diteliti, ka^lrena^l da^lpa^lt menjela^lska^ln va^lria^lsi ya^lng terja^ldi pa^lda^l va^lria^lbel dependennya^l.

b. Uji t- Sta^ltistik

Uji t-sta^ltistik diguna^lka^ln untuk menguji penga^lruh va^lria^lbel-va^lria^lbel beba^ls terha^lda^lp va^lria^lbel ta^lk beba^ls seca^lra^l pa^lrsia^ll. Uji t – sta^ltistik bia^lsa^lnya^l berupa^l pengujia^ln hipotesis:

H0 = Va^lria^lbel beba^ls tida^lk mempenga^lruhi va^lria^lbel ta^lk beba^ls H1 = Va^lria^lbel beba^ls mempenga^lruhi va^lria^lbel ta^lk beba^ls¹⁰⁸

107 Ibid., 90

108 Ibid., 90

Ta^lbel 4.13 Uji t- Sta^ltistik

Coefficientsa^l Model Unsta^lnda^lrdized

Coefficients

Sta^lnda^lrdized

Coefficients t Sig.

B Std. Error Beta^l

1 (Consta^lnt) 15,043 7,813 1,925 .064

X1 -.197 .245 -.143 .804 .028

X2 .127 .182 .125 .698 .041

X3 .554 .282 .349 .260 .010

a^l Dependent Va^lria^lble: Y

Sumber: Da^lta^l diola^lh SPSS, 2022

Jika^l t-hitung > da^lri t-ta^lbel, ma^lka^l Ha^l diterima^l da^ln Ho ditola^lk, begitu juga^l seba^lliknya^l jika^l t-hitung < t-ta^lbel, ma^lka^l Ha^l ditola^lk da^ln Ho diterima^l. Besa^lrnya^l a^lngka^l t-ta^lbel denga^ln signifika^lnsi α = 0.05 da^ln dk (n-2) = 32 – 3 = 29. Da^lri ketentua^ln tersebut diperoleh a^lngka^l t-ta^lbel sebesa^lr 1.699. Penga^lruh Pela^ltiha^ln, Pengemba^lnga^ln Sumber Da^lya^l Insa^lni, Da^ln Kompensa^lsi Sya^lria^lh Terha^lda^lp Kinerja^l Ka^lrya^lwa^ln Di Ba^lnk Sumsel Ba^lbel Sya^lria^lh Kc Pa^llemba^lng, seba^lga^li berikut:

1. Berda^lsa^lrka^ln ha^lsil perhitunga^ln, diperoleh t-hitung sebesa^lr 0.804 < t-ta^lbel sebesa^lr 1.699, sehingga^l Ha^l diterima^l da^ln Ho ditola^lk. A^lrtinya^l a^lda^l penga^lruh Pela^ltiha^ln terha^lda^lp Kinerja^l Ka^lrya^lwa^ln Di Ba^lnk Sumsel Ba^lbel Sya^lria^lh Kc Pa^llemba^lng. Penga^lruh Pela^ltiha^ln terha^lda^lp Kinerja^l Ka^lrya^lwa^ln Di Ba^lnk Sumsel Ba^lbel Sya^lria^lh Kc Pa^llemba^lng. sebesa^lr 0.804 a^lta^lu 80.40% dia^lngga^lp signifika^ln denga^ln a^lngka^l signifika^ln 0.028 < α = 0.05.

2. Berda^lsa^lrka^ln ha^lsil perhitunga^ln, diperoleh t-hitung sebesa^lr 0.698 < t-ta^lbel sebesa^lr 1.699, sehingga^l Ha^l diterima^l da^ln Ho ditola^lk. A^lrtinya^l a^lda^l penga^lruh Pengemba^lnga^ln Sumber Da^lya^l Insa^lni terha^lda^lp Kinerja^l Ka^lrya^lwa^ln Di Ba^lnk Sumsel Ba^lbel Sya^lria^lh Kc Pa^llemba^lng.. Penga^lruh Pengemba^lnga^ln Sumber Da^lya^l Insa^lni terha^lda^lp Kinerja^l Ka^lrya^lwa^ln Di Ba^lnk Sumsel Ba^lbel Sya^lria^lh Kc

Pa^llemba^lng. sebesa^lr 0.698 a^lta^lu 69.80% dia^lngga^lp signifika^ln denga^ln a^lngka^l signifika^ln 0.041 < α = 0.05.

3. Berda^lsa^lrka^ln ha^lsil perhitunga^ln, diperoleh t-hitung sebesa^lr 0.260 < t-ta^lbel sebesa^lr 1.699, sehingga^l Ha^l diterima^l da^ln Ho ditola^lk. A^lrtinya^l a^lda^l penga^lruh Kompensa^lsi Sya^lria^lh terha^lda^lp Kinerja^l Ka^lrya^lwa^ln Di Ba^lnk Sumsel Ba^lbel Sya^lria^lh Kc Pa^llemba^lng. Penga^lruh Kompensa^lsi Sya^lria^lh terha^lda^lp Kinerja^l Ka^lrya^lwa^ln Di Ba^lnk Sumsel Ba^lbel Sya^lria^lh Kc Pa^llemba^lng. sebesa^lr 0.260 a^lta^lu 26% dia^lngga^lp signifika^ln denga^ln a^lngka^l signifika^ln 0.010 < α = 0.05.

c. Uji F-Sta^ltistik

Uji F-sta^ltistik ia^lla^lh untuk menguji penga^lruh va^lria^lbel beba^ls terha^lda^lp va^lria^lbel ta^lk beba^ls seca^lra^l keseluruha^ln simulta^ln.¹⁰⁹ Uji F-sta^ltistik bia^lsa^lnya^l berupa^l:

H0 = Va^lria^lbel beba^ls tida^lk mempenga^lruhi va^lria^lbel ta^lk beba^ls H1 = Va^lria^lbel beba^ls mempenga^lruhi va^lria^lbel ta^lk beba^ls

Ta^lbel 4.13 Uji F- Sta^ltistik

A^lNOVA^lal

Model Sum of

Squa^lres df Mea^ln

Squa^lre F Sig.

1 Regression 86.981 3 28.994 3.011 .024^b

Residua^ll 539.738 27 19.276

Tota^ll 626.719 32

a^l. Dependent Va^lria^lble: Y

b. Predictors: (Consta^lnt), X3, X1, X2

Sumber: Da^lta^l diola^lh SPSS, 2022

109 Ibid., 90

Jika^l F-hitung > F-ta^lbel, ma^lka^l Ha^l diterima^l da^ln Ho ditola^lk da^ln juga^l seba^lliknya^l F-hitung < F-ta^lbel, ma^lka^l Ha^l ditola^lk da^ln Ho diterima^l. Da^lri ha^lsil perhitunga^ln, diperoleh output denga^ln F-hitung sebesa^lr 3.011 > F-ta^lbel sebesa^lr 2.93, ya^lng bera^lrti Ha^l diterima^l da^ln Ho ditola^lk. Ma^lka^l, model regresi tersebut suda^lh la^lya^lk da^ln bena^lr. Sehingga^l da^lpa^lt dita^lrik kesimpula^ln, Penga^lruh Pela^ltiha^ln, Pengemba^lnga^ln Sumber Da^lya^l Insa^lni, Da^ln Kompensa^lsi Sya^lria^lh , seca^lra^l simulta^ln mempenga^lruhi Kinerja^l Ka^lrya^lwa^ln Di Ba^lnk Sumsel Ba^lbel Sya^lria^lh Kc Pa^llemba^lng.

Besa^lr penga^lruhnya^l sebesa^lr 3.011 denga^ln signifika^lnsi 0.024 < α = 0.05.