BAB IV HASIL PENELITIAN DAN PEMBAHASAN
3. Uji Asumsi Penelitian
Evaluasi ini dimaksudkan untuk apakah penggunaan model
regresi linear berganda (multiple Regression linear) dalam menganalisis telah memenuhi asumsi. Model linear berganda akan
lebih tepat digunakan dan menghasilkan perhitungan yang lebih akurat
apabila asumsi-asumsi berikut dapat terpenuhi yaitu :
a.Uji Normalitas
Pengujian Normalitas digunakan untuk menguji apakah dalam
sebuah model regresi, variabel terikat, variabel bebas atau keduanya
mempunyai distribusi normal ataukah tidak. Model regresi yang baik
adalah distribusi data normal atau mendekati normal.
Uji normalitas digunakan untuk mengetahui apakah subjek data
berdistribusi normal atau tidak. Uji ini biasanya digunakan untuk
mengukur data berskala ordinal, interval, ataupun rasio. Jika analisis
terpenuhi yaitu data berasal dari distribusi yang normal. Jika data tidak
berdistribusi normal, atau jumlah sampel sedikit dan jenis data adalah
nominal atau ordinal maka metode yang digunakan adalah statistik non
parametrik.
Uji normalitas dapat dilakukan dengan uji histogram, uji
normal P Plot, uji Chi Square, Skewness dan Kurtosis atau uji
Kolmogorov Smirnov. Tidak ada metode yang paling baik atau paling
tepat. Tipsnya adalah bahwa pengujian dengan metode grafik sering
menimbulkan perbedaan persepsi di antara beberapa pengamat,
sehingga penggunaan uji normalitas dengan uji statistik bebas dari
keragu-raguan, meskipun tidak ada jaminan bahwa pengujian dengan
uji statistik lebih baik dari pada pengujian dengan metode grafik.
Dalam pembahasan ini akan digunakan Uji normalitas dapat dilakukan
dengan Uji Kurtosis Kolmogorov Smirnov, uji histogram, uji normal P
Plot, dalam uji One Sample Kolmogorov-Smirnov dengan menggunakan taraf signifikansi 0,05. Data dinyatakan berdistribusi
normal jika signifikansi lebih besar dari 5% atau 0,05.
Tabel 20 Hasil Uji Normalitas dengan Kolomogorov-Smirnov
One-Sample Kolmogorov-Smirnov Test
X1 X2 Y N 30 30 30 Normal Parametersa,,b Mean 73.90 82.90 48.80 Std. Deviation 8.814 9.546 7.317 Most Extreme Differences Absolute .229 .213 .164 Positive .229 .213 .164 Negative -.123 -.104 -.128
Kolmogorov-Smirnov Z 1.253 1.166 .897
Asymp. Sig. (2-tailed) .086 .132 .396
a. Test distribution is Normal.
b. Calculated from data.
Dari hasil di atas kita lihat pada kolom Kolmogorov-Smirnov
dan dapat diketahui bahwa nilai signifikansi untuk Kemampuan (X1)
sebesar 0,086; untuk Motivasi (X2
Santoso (2007), menjelaskan output test of normality, ada pedoman pengambilan keputusan :
) sebesar 0,132; dan untuk Kinerja
(Y) sebesar 0,396.
a. Angka signifikansi (Sig) > α = 0,05 maka data berdistribusi normal c. Angka signifikansi (Sig) < α = 0,05 maka data tidak berdistribusi
normal
Karena signifikansi untuk seluruh variabel Kemampuan (X1)
dan variabel Motivasi (X2) dan variabel Y lebih besar dari 0,05 maka dapat disimpulkan bahwa data pada variabel Kemampuan
(X1),variabel Motivasi (X2
Selanjutnya mengetahui normalitas data dapat dilihat dari hasil
uji normalitas. Pada prinsipnya normalitas dapat dideteksi dengan
melihat penyebaran data (titik) pada sumbu diagonal dari grafik atau
dengan melihat histogram dari residualnya (Santoso, 2007),. Adapun
dasar pengambilan keputusan:
), dan Y berdistribusi normal..Angka
Statistic menunjukkan semakin kecil nilainya maka distribusi data
a. Jika data menyebar disekitar garis diagonal dan mengikuti arah garis
diagonal atau grafik histogramnya menunjukkan pola distribusi
normal, maka model regresi memenuhi asumsi normalitas.
b. Jika data menyebar jauh dari diagonal dan atau tidak mengikuti arah
garis diagonal atau grafik histogram tidak menunjukkan pola distribusi
normal, maka model regresi tidak memenuhi asumsi normalitas.
Hasil uji Normalitas dapat dilihat pada gambar dibawah :
Gambar 3.Hasil Uji Normalitas
Dari output diatas apabila kurva tidak mengarah ke kiri atau
mengarah kekanan (sisi kanan dan sisi kiri sama lebarnya) maka data
dapat dikatakan normal namun apabila sebaliknya maka data
berdistribusi tidak normal. Dengan melihat tampilan grafik histogram
maupun grafik normal plot dapat disimpulkan bahwa grafik histogram
memberikan pola distribusi yang tidak menceng (skewness) ke kiri atau mengarah kekanan (sisi kanan dan sisi kiri sama lebarnya) maka data
Gambar 4.Hasil Uji P-Plot Normalitas
Menurut Santoso (2007) metode yang digunakan adalah
pengujian secara visual dengan metode gambar normal Probability Plots dalam program SPSS yang membandingkan distribusi kumulatif dari distribusi normal. Pada prinsipnya normalitas dapat dideteksi
dengan melihat penyebaran data (titik) pada sumbu diagonal dari
grafik. Sebagaimana terlihat dalam grafik Normal P-P plot of
regression Standardized Residual , terlihat titik-titik menyebar disekitar
garis diagonal, serta penyebarannya menyebar sekitar garis dan
mengikuti garis diagonal maka nilai residual tersebut telah
normal. Kedua grafik ini menunjukkan bahwa model regresi yang
tidak menyalahi asumsi normalitas.
b.Uji Multikolinieritas
Uji Multikolinieritas perlu dilakukan untuk menguji apakah
pada model regresi ditemukan adanya korelasi antar variabel bebas,
Multikolinieritas (Multiko). Untuk mengetahui multikolinieritas antar
variabel bebas tersebut, dapat dilihat melalui VIF (variance inflation factor) dari masing-masing variabel bebas terhadap variabel terikat. Apabila nilai VIF tidak lebih dari 5 berarti mengindikasi bahwa dalam
model tidak terdapat multikolinieritas. Pada pembahasan ini akan
dilakukan uji multikolinearitas dengan melihat nilai inflation factor
(VIF) pada model regresi dan membandingkan nilai koefisien
determinasi individual (r2) dengan nilai determinasi secara serentak (R2
a. Mempunyai nilai VIF disekitar angka 1
). Santoso (2007) mengemukakan besaran VIF (variance inflation factor) dan Tolerance, pedoman suatu model regresi yang bebas multiko adalah :
b. Mempunyai angka Tolerance mendekati 1
Adapun hasil pengujian teringkas dalam tabel berikut :
Tabel 21 Hasil Uji Multikolinieritas Variabel Bebas Variabel
Bebas
Tolerance VIF Keputusan terhadap Asumsi Multikolinieritas
X1 0.080 12.428 > 5 Tidak Terpenuhi
X2 0.080 12.428 >5 Tidak Terpenuhi
Sumber : Diolah dari Output SPSS 20
Pada tabel 21 terlihat bahwa kedua variabel bebas memiliki
besaran angka VIF di sekitar angka 1 ( X1 = 12.428 > 5 dan X2 =
12.428 >5), Menurut Santoso (2007), pada umumnya jika VIF lebih
besar dari 5, maka variabel tersebut mempunyai persoalan
c.Uji Heteroskedastisitas
Tujuan dari pengujian ini adalah untuk menguji apakah dalam
sebuah model regresi, terjadi ketidaksamaan varians dari residual dari
satu pengamatan ke pengamatan yang lain. Jika varians dari residual
dari satu pengamatan ke pengamatan yang lain tetap, maka disebut
Homoskedastisitas, dan jika varians berbeda, disebut
Heteroskedastisitas. Model regresi yang baik adalah tidak terjadi
Heteroskedastisitas. Hasil pengujian ditunjukkan dalam gambar
berikut :
Gambar 5 Grafik Uji Heteroskedastisitas
Dari output di atas dapat diketahui bahwa titik-titik tidak
membentuk pola yang jelas, dan titik-titik menyebar di atas dan di
bawah angka 0 pada sumbu Y. Jadi dapat disimpulkan bahwa tidak
d.Uji Autokorelasi
Uji Autokorelasi digunakan untuk menguji apakah dalam
sebuah model regresi linier terdapat korelasi antara kesalahan
pengganggu pada periode t dengan kesalahan pada periode t-1
(sebelumnya). Untuk menguji Autokorelasi dapat dilihat dari nilai
Durbin Waston (DW), yaitu jika nilai DW terletak antara du dan (4 –
dU) atau du ≤ DW ≤ (4 – dU), berarti bebas dari Autokorelasi. Jika nilai DW lebih kecil dari dL atau DW lebih besar dari (4 – dL) berarti
terdapat Autokorelasi. Nilai dL dan dU dapat dilihat pada tabel Durbin Waston, yaitu nilai dL ; dU = α ; n ; (k – 1). Keterangan : n adalah jumlah sampel, k adalah jumlah variabel, dan α adalah taraf signifikan.
Tabel 22 Hasil Uji Autokorelasi Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .069a .005 -.069 7.565 1.765
a. Predictors: (Constant), MotivasiX2, KemampuanX1
b. Dependent Variable: KinerjaY
Nilai tabel Durbin Watson pada α = 5%; n = 30; 3 – 1 = 2 adalah dL = 1.2837 dan dU = 1.5666. Hasil pengolahan data
menunjukkan nilai Durbin Watson sebesar 1.765 dan nilai tersebut
berada di antara dU dan (4 – dU) atau 1.5666 < 1.765 < 3,434, maka
dapat disimpulkan bahwa dalam model regresi linier tersebut tidak
terdapat Autokorelasi atau tidak terjadi korelasi di antara kesalahan
