BAB 4 HASIL DAN PEMBAHASAN
4.2 Hasil Penelitian
4.2.3 Uji Asumsi Klasik Analisis
Uji asumsi klasik digunakan untuk melihat atau menguji apakah suatu model layak atau tidak digunakan dalam sebuah penelitian. Uji asumsi klasik yang dilakukan dalam penelitian ini adalah:
4.2.3.1 Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah nilai residual berdistribusi normal atau tidak, yang dapat dilakukan melalui beberapa pendekatan yaitu:
Pada grafik histogram, dikatakan variabel berdistribusi normal pada grafik histogram yang berbentuk lonceng apabila distribusi data tersebut tidak menceng kekiri atau menceng kekanan.
Sumber: Hasil pengolahan SPSS for Windows, 2015 Gambar 4.3
Pengujian Histogram Normalitas
Pada grafik histogram terlihat bahwa variabel berdistribusi normal hal ini ditunjukkan oleh distribusi data tersebut tidak menceng ke kiri atau menceng ke kanan.
2. Pendekatan Grafik
Cara lainnya melihat uji normalitas dengan pendekatan grafik. PP plot akan membentuk plot antara nilai-nilai teoritis (sumbu x) melawan nilai-nilai yang didapat dari sampel (sumbu y). Apabila plot keduanya berbentuk linier (dapat didekati oleh garis lurus), maka hal ini merupakan indikasi bahwa residual menyebar normal.
Sumber: Hasil pengolahan SPSS for Windows, 2015 Gambar 4.4
Pendekatan Grafik Normalitas
Pada gambar 4.4 scatter plot terlihat titik yang mengikuti data di sepanjang garis diagonal. Hal ini berarti data berdistribusi normal.
3. Pendekatan Kolmogrov-Smirov
Dasar pengambilan keputusan untuk Kolmogorov Smirnov yaitu apabila nilai value pada kolom Asymp. Sig lebih besar dari level of significant (α = 5%), maka tidak mengalami gangguan distribusi normal serta nilai Kolmogorov Smirnov lebih kecil dari 1,97 maka data dikatakan normal.
Tabel 4.8
Pada Tabel 4.9 terlihat bahwa nilai Asymp. Sig. (2-tailed) adalah 0,200 dan diatas nilai signifikan (0,05). Dapat disimpulkan bahwa data residual berdistribusi normal. Nilai Kolmogorov-Smirnov Z dari Tabel 4.9 yaitu 0,084 dan lebih kecil dari 1,97 berarti tidak ada perbedaan antara distribusi teoritik dan distribusi empirik atau dengan kata lain data dikatakan normal.
4.2.3.2 Uji Heteroskedastisitas
Menurut Situmorang (2014:122) uji heteroskedastisitas ini bertujuan untuk menguji apakah di dalam model regresi terjadi ketidaksamaan varians dari suatu variabel pengamatan ke pengamatan lain. Jika varians dari residual satu pengamatan ke pengamatan yang lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik adalah yang homoskedastisitas atau tidak terjadi heteroskedastisitas.
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 80
Normal Parametersa,b Mean ,0000000 Std. Deviation 1,16414922 Most Extreme Differences Absolute ,084
Positive ,084
Negative -,071
Kolmogorov-Smirnov Z ,084
Asymp. Sig. (2-tailed) ,200
a. Test distribution is Normal. b. Calculated from data.
Ada beberapa cara untuk mendeteksi ada atau tidaknya heteroskedastisitas, yaitu:
1. Pendekatan Grafik
Heteroskedastisitas dapat dilihat melalui gambar scatter plot. Gambar scatter plot dapat mengindikasi ada atau tidaknya gejala heterokedastisitas. Apabila grafik tidak membentuk pola yang jelas maka tidak mengalami gangguan heteroskedastisitas.
Sumber: Hasil pengolahan SPSS for Windows, 2015 Gambar 4.5
Pendekatan Grafik Heteroskedastisitas
Berdasarkan Gambar 4.5 dapat terlihat dari grafik Scatterplot yang disajikan, terlihat titik-titik menyebar secara acak tidak membentuk sebuah pola tertentu yang jelas serta tersebar baik di atas maupun di bawah angka nol pada sumbu Y. Hal ini berarti tidak terjadi heteroskedastisitas pada model regresi, sehingga model regresi layak dipakai.
2. Uji Glejser
Kriteria pengambilan keputusannya adalah sebagai berikut:
a. Jika nilai signifikansi > 0,05, maka tidak mengalami gangguan heterokedastisitas.
b. Jika nilai signifikansi < 0,05, maka mengalami gangguan heterokedastisitas.
Tabel 4.9 Uji Glejser
Sumber : Hasil pengolahan SPSS for windows, 2015
Pada Tabel 4.9 dapat dilihat bahwa kolom Sig. pada tabel koefisien regresi untuk variabel independen adalah (0,305), (0,426) atau probabilitas lebih besar dari 0,05 maka tidak terjadi gangguan heterokedastisitas. Hal ini menunjukkan semua variabel independent yang terdiri dari pengembangan SDM dan kompetensi, signifikan secara statisik mempengaruhi variabel dependent.
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) -2,720 1,099 -2,474 ,016 PengembanganSDM ,056 ,054 ,128 1,034 ,305 Kompetensi ,115 ,051 ,280 2,263 ,426
4.2.3.3 Uji Multikolinieritas
Untuk mengetahui ada tidaknya gejala multikolinearitas dapat dilihat dari besarnya nilai tolerance dan VIF (Variance Inflation Factor) melalui program SPSS. Tolerance mengukur variabilitas variabel terpilih yang tidak dijelaskan oleh variabel independen lainnya. Nilai umum yang bisa dipakai adalah nilai Tolerance > 0,1 atau nilai VIF < 5, maka tidak terjadi multikolinearitas.
Pengujian multikolinieritas dapat dilihat pada Tabel 4.11 berikut: Tabel 4.10
Uji Multikolinieritas
Sumber : Hasil pengolahan SPSS for windows, 2015
Berdasarkan Tabel 4.10 dapat dilihat bahwa:
a. Nilai VIF dari pengembangan SDM dan kompetensi adalah lebih kecil atau dibawah 5 (VIF < 5), ini berarti tidak terkena multikolinieritas antar variabel independen dalam model regresi.
b. Nilai Tolerance pengembangan SDM dan kompetensi adalah lebih besar dari 0,1 (Tolerance > 0,1), ini berarti tidak terdapat multikolinieritas antar variabel independen dalam model regresi.
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
(Constant) -2,720 1,099 -2,474 ,016
PengembanganSDM ,056 ,054 ,128 1,034 ,305 ,934 1,862
Kompetensi ,115 ,051 ,280 2,263 ,026 ,734 1,662
4.2.3.4 Analisis Regresi Linier Berganda
Analisis regresi linier berganda digunakan untuk mengetahui berapa besar pengaruh variabel bebas (pengembangan sumber daya manusia dan kompetensi) terhadap variabel terikat (prestasi kerja PT. Perkebunan Nusantara III Medan). Analisis dilakukan dengan menggunakan bantuan SPSS 22.0 dengan menggunakan metode enter.
Tabel 4.11 Metode Enter
Tabel 4.11 menunjukkan variabel entered/removed menunjukkan hasil analisis statistik deskriptif yaitu sebagai berikut:
1. Variabel yang dimasukkan kedalam persamaan adalah variabel bebas yaitu pengembangan sumber daya manusia (X1) dan kompetensi (X2).
2. Tidak ada variabel bebas yang dikeluarkan (removed).
3. Metode yang digunakan untuk memasukkan data yaitu metode enter. Variables Entered/Removeda
Model Variables Entered
Variables Removed Method 1 Kompetensi, PengembanganS DMb . Enter
a. Dependent Variable: PrestasiKerja b. All requested variables entered.
Tabel 4.12
Regresi Linier Berganda
Sumber : Hasil Pengolahan SPSS for windows, 2015
Persamaan Regresi Linier Berganda dapat diperoleh dari Tabel 4.12 sebagai berikut:
Y = a+b1X1+b2X2 +e
Y = 5,323+ 0,246 X1 + 0,491 X2 + e Dimana: Y = Prestasi Kerja
X1 = Pengembangan Sumber Daya Manusia X2 = Kompetensi
e = Variabel Pengganggu (standard error) Berdasarkan persamaan tersebut dapat diketahui bahwa:
1. Konstanta (a) = 5,323 menunjukkan nilai konstan, jika nilai variabel bebas (pengembangan SDM dan kompetensi) = 0 maka prestasi kerja (Y) akan tetap sebesar 5,323.
2. Koefisien b1 (X1) = 0,246, menunjukkan bahwa variabel pengembangan SDM berpengaruh positif terhadap prestasi kerja. Dengan kata lain jika variabel pelatihan SDM ditingkatkan sebesar satu satuan maka prestasi kerja akan meningkat sebesar 0,246.
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
(Constant) 5,323 1,905 2,794 ,007
PengembanganSDM ,246 ,094 ,250 2,620 ,011 ,734 1,762
Kompetensi ,491 ,088 ,534 5,597 ,000 ,544 1,562
3. Koefisien b2 (X2) = 0,491, menunjukkan bahwa variabel kompetensi berpengaruh positif terhadap prestasi kerja. Dengan kata lain jika variabel kepribadian ditingkatkan sebesar satu satuan maka prestasi kerja akan meningkat sebesar 0,491.