Uji Asumsi Klasik

BAB VI : HASIL PENELITIAN DAN PEMBAHASAN

6.1.4 Uji Asumsi Klasik

Ada beberapa syarat asumsi klasik yang harus dipenuhi agar model persamaan regresi berganda dapat digunakan dalam menganalisis faktor-faktor yang mempengaruhi menurunnya kepuasan kerja karyawan PT Asuransi Jiwasraya. Syarat-syarat tersebut antara lain:

a. Uji Normalitas

Uji normalitas dilakukan untuk menguji apakah nilai residual berdistribusi normal atau tidak, yang dapat dilakukan melalui analisis grafik dan statistik (Ghozali, 2005). Model regresi yang baik harus memenuhi asumsi bahwa residual data terdistribusi normal.

i. Analisis Grafik

Uji normalitas yang digunakan dalam analisis grafik ini adalah dengan melihat grafik histogram dan normal probability plot.

Sumber : Hasil Olahan SPSS

Gambar 6.1 Histogram Dependent Variable (Kepuasan Kerja Karyawan) Gambar 6.1 menunjukkan bahwa grafik histogram memberikan pola distribusi yang tidak menceng ke kiri atau menceng ke kanan. Hal ini berarti data residual mempunyai distribusi normal.

Selain melihat grafik histogram, uji normalitas dapat juga dilakukan melalui grafik normal p-p plot of regression standardized residual seperti yang disajikan pada Gambar 6.2.

Sumber : Hasil olahan SPSS

Gambar 6.2 Normal P-P Plot of Regression Standardized Residual Dependent Variable (Kepuasan Kerja Karyawan)

Gambar 6.2 menunjukkan bahwa titik-titik pada scatter plot mengikuti data di sepanjang garis diagonal. Hal ini menunjukkan bahwa data residual mempunyai distribusi normal.

Selain analisis grafik histogram dan normal probability plot, uji normalitas dapat juga dilakukan dengan analisis statistik. Analisis statistik memberikan hasil yang lebih akurat dibandingkan dengan analisis grafik.

ii. Analisis Statistik

Uji normalitas yang digunakan dalam analisis statistik ini adalah uji statistik non-parametrik One-Sample Kolmogorov Smirnov seperti yang disajikan pada Tabel 6.13 berikut ini:

Tabel 6.13 Uji Normalitas

One-Sample Kolmogorov-Smirnov Test

Unstandardize d Residual

N 50

Normal Parameters(a,b)

Mean .0000000

Std. Deviation 1.89954524 Most Extreme

Differences

Absolute .133

Positive .133

Negative -.065

Kolmogorov-Smirnov Z .941

Asymp. Sig. (2-tailed) .339

a Test distribution is Normal.

b Calculated from data.

Sumber: Hasil olahan SPSS

Tabel 6.13 memperlihatkan bahwa nilai Asymp. Sig (2-tailed) adalah 0,339, dan di atas nilai signifikan α = 0,05. Hal ini berarti variabel residual berdistribusi normal.

b. Uji Multikolinearitas

Uji Multikolinearitas dilakukan untuk menunjukkan ada tidaknya hubungan linear di antara variabel bebas dalam model regresi. Gejala multikolinearitas dapat dideteksi atau dilihat dari nilai Tolerance dan nilai Variance Inflation Factor (VIF). Hal ini dapat dilihat pada tabel 6.14 berikut ini:

Tabel 6.14 Uji Multikolinearitas

Coefficients^a

13.741 1.817 7.563 .000

.251 .118 .408 2.126 .039 .298 3.352

.363 .109 .608 3.317 .002 .327 3.060

-.113 .069 -.326 -1.625 .111 .273 3.657

(Constant)

Hasil perhitungan nilai tolerance pada Tabel 6.14 menunjukkan tidak ada variabel independen yang memiliki nilai tolerance kurang dari 0,1 (Tolerance <

0,1) yang berarti tidak ada korelasi antar variabel independen yang nilainya lebih dari 95%. Hasil perhitungan nilai Variance Inflation Factor (VIF) juga menunjukkan hal yang sama, tidak ada satu variabel independen yang memiliki nilai VIF lebih dari 10 (VIF > 10). Jadi, dapat disimpulkan bahwa tidak ada multikolinearitas antar variabel independen dalam model regresi.

c. Uji Autokorelasi

Uji Autokorelasi dilakukan untuk menguji apakah pada model regresi terdapat korelasi kesalahan pengganggu pada periode t dan kesalahan pengganggu pada periode sebelumnya (periode t-1). Dalam penelitian ini, gejala autokorelasi dideteksi dengan menggunakan Durbin-Watson Test. Uji Durbin-Watson digunakan untuk autokorelasi tingkat satu (first order autocorrelation) dan mensyaratkan adanya intercept (konstanta) dalam model regresi dan tidak ada variabel lag di antara variabel independen. Hipotesis yang akan diuji adalah:

Ho : tidak ada autokorelasi (r=0) Ha : ada autokorelasi (r≠0)

Kriteria pengambilan keputusan uji autokorelasi ditunjukkan pada tabel 6.15.

Tabel 6.15

Kriteria Pengambilan Keputusan Uji Autokorelasi

Hipotesis nol Keputusan Jika

Tidak ada autokorelasi positif Tolak 0ddl Tidak ada autokorelasi positif No decision dld du Tidak ada korelasi negatif Tolak 4dld4 Tidak ada korelasi negatif No decision 4dud4dl Tidak ada autokorelasi, positif

atau negatif

Menurut Ghozali (2005) kriteria yang menunjukkan tidak terjadi autokorelasi adalah sebagai berikut:

du 4 =1,7214<1,734<2,2786 (memenuhi kriteria, tidak ada autokorelasi positif atau negatif)

Tabel 6.16 Tabel Durbin-Watson

Model Summary(b)

Model R R Square

Adjusted R Square

Std. Error of

the Estimate Durbin-Watson

1 .703(a) .495 .462 1.96051 1.734

a Predictors: (Constant), KOMPENSASINONFINANSIAL, KOMPENSASITIDAKLANGSUNG, KOMPENSASILANGSUNG

b Dependent Variable: KEPUASANKERJA

Tabel 6.16 memperlihatkan bahwa nilai Durbin Watson sebesar 1,734 dan terletak pada dud4du yaitu 1,7214<1,734<2,2786. Maka dapat disimpulkan bahwa kita tidak bisa menolak Ho yang menyatakan bahwa tidak ada autokorelasi positif atau negatif (lihat Tabel 6.14) atau dapat disimpulkan tidak terdapat autokorelasi. Dengan demikian bahwa penelitian ini bebas dari korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 (sebelumnya).

d. Uji Heterokedastisitas

Uji Heterokedastisitas bertujuan untuk menguji apakah di dalam model regresi terjadi ketidaksamaan varians dari suatu residual pengamatan ke residual pengamatan lain. Dalam penelitian ini, gejala heterokedastisitas dideteksi dengan menggunakan grafik scatterplot dan uji Glejser.

i. Grafik Scatterplot

Sumber: Hasil olahan SPSS

Gambar 6.3 Scatterplot Dependent Variable (Kepuasan Kerja Karyawan)

Gambar 6.3 menunjukkan bahwa penyebaran residual cenderung tidak teratur, terdapat beberapa plot yang berpencar dan tidak membentuk pola tertentu.

Maka dapat disimpulkan bahwa tidak terdapat gejala heterokedastisitas dalam model regresi ini.

Selain melihat grafik, uji heterokedastisitas dapat juga dilakukan melalui uji Glejser. Uji Glejser memberikan hasil yang lebih akurat dibandingkan dengan menganalisis grafik scatterplot.

ii. Uji Glejser

Uji Glejser diusulkan untuk meregresi nilai absolut residual terhadap variabel independen. Hipotesisnya sebagai berikut:

H : data bebas dari indikasi adanya gejala heterokedastisitas 0

H1: data bebas terdapat adanya indikasi gejala heterokedastisitas Tabel 6.17

Berdasarkan Tabel 6.17 tidak ada satupun variabel independen yang signifikan secara statistik mempengaruhi variabel dependen absolut Ut (absut). Hal ini terlihat dari nilai signifikansi variabel Kompensasi Langsung, Kompensasi Tidak Langsung, dan Kompensasi Non Finansial masing-masing lebih besar dari tingkat signifikan ( ) = 5%. Dengan demikian dapat disimpulkan bahwa tidak terjadi gejala heterokedastisitas dalam model regresi ini.

6.2 Analisis dan Pembahasan