BAB IV HASIL DAN PEMBAHASAN
4.3 Analisis Data
4.3.1.1 Uji Normalitas
Tujuan uji normalitas data ini adalah untuk mengetahui apakah dalam
model regresi variabel pengganggu atau residual memiliki distribusi normal. Jika
data normal, maka digunakan statistik parametrik. Adapun pedoman pengambilan
keputusan rentang data distribusi normal berdasarkan uji Kolmogorov- Smirnov
yang dapat dilihat dari:
1. Jika nilai signifikan < 0.05 maka distribusi data tidak normal
2. Jika nilai signifikan > 0.05 maka distribusi data normal
Tabel 4.43 Tabel Uji Normalitas Kolmogorov-Smirnov
One-Sample Kolmogorov-Smirnov Test
Kompetensi
N 90
Normal Parametersa,,b Mean .0000000
Std. Deviation .25677700 Most Extreme Differences Absolute .062 Positive .030 Negative -.062 Kolmogorov-Smirnov Z .591
Asymp. Sig. (2-tailed) .876
a. Test distribution is Normal.
b. Calculated from data.
Dari hasil pengolahan data pada Tabel 4.43 diperoleh besarnya
Kolmogorov-Smirnov adalah 0.591 dan signifikan pada 0.876. Nilai signifikansi
lebih besar dari 0,05, maka H0 diterima yang berarti data residual berdistribusi
normal. Selain menggunakan angka Kolmogorov-Smirnov, pendeteksian
normalitas dapat dilakukan dengan melihat penyebaran data (titik) pada sumbu
diagonal dari grafik (Grafik Normal P-P Plot of Regression), yaitu jika data (titik)
menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal, hal ini
menunjukkan data yang telah terdistribusi normal:
Gambar 4.2. Kurva Normalitas
Sumber: data yang diolah peneliti, 2013
Grafik Normal P-P Plot of Regression pada gambar 4.2 memperlihatkan
titik-titik menyebar berhimpitan di sekitar diagonal dan ini menunjukkan data
dalam model regresi berdistribusi normal. Karena secara keseluruhan data telah
4.3.1.2. Uji Multikolinieritas
Pengujian ini bertujuan untuk menguji apakah didalam model regresi
ditemukan adanya korelasi diantara variabel independen. Model regresi yang baik
seharusnya tidak terjadi korelasi diantara variabel independen. Untuk mendeteksi
ada atau tidaknya multikolonieritas di dalam model regresi dapat dilihat dari nilai
tolerance dan nilai variance inflation factor (VIF). Adapun nilai cut-off yang
umum dipakai untuk menunjukkan adanya multikolonieritas adalah nilai tolerance
< 0,10 atau sama dengan nilai VIF > 10. Hasil uji multikolinearitas disajikan
dalam tabel 5.7.
Tabel 4.44 Tabel Uji Multikolinieritas Variabel
Model Collinearity Statistics Tolerance VIF 1 (Constant) Rekrutmen .816 1.226 Pelatihan .816 1.226
a. Dependent Variable: Kompetensi
Sumber: Data yang diolah penulis, 2013
Dari hasil pengujian tabel 4.44 di atas, dapat dilihat bahwa angka
tolerance yaitu 0.816 > 0,10 dan VIFnya yaitu 1.226 < 10. Ini mengindikasikan
bahwa tidak terjadi multikolinieritas diantara variabel independen dalam
4.3.1.3. Uji Heteroskedastisitas
Pengujian ini bertujuan untuk melihat apakah dalam model regresi terjadi
ketidaksamaan variabel dari residual satu pengamatan ke pengamatan lain. Jika
variabel residual tersebut tetap, maka disebut homoskedastisitas dan jika berbeda
disebut heterokedastisitas. Model regresi yang baik adalah homokedastisitas. Ada
tidaknya heteroskedastisitas dapat dilakukan dengan melihat grafik Scaterplot
antara nilai prediksi variabel independen dengan nilai residualnya. Dasar yang
digunakan untuk menentukan heteroskedastisitas antara lain :
a. Jika ada pola tertentu, seperti titik – titik yang ada membentuk pola tertentu
yang teratur (bergelombang, melebar kemudian mnenyempit), maka
mengindikasikan telah terjadi heteroskedastisitas.
b. Jika tidak ada pola yang jelas, serta titik – titik yang menyebar di atas dan di
bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.
Gambar 4.3 Uji Heteroskedastisitas
Pada grafik scatterplot dari gambar 4.3, dapat dilihat bahwa titik-titik
menyebar secara acak dengan tidak adanya pola yang jelas serta tersebar baik di
atas maupun di bawah angka 0 pada sumbu Y. Hal tersebut menunjukkan bahwa
tidak terjadi heterokedastisitas, sehingga model ini layak dipakai untuk
memprediksi Kompetensi di PT Perkebunan Nusantara III, berdasarkan masukan
variabel independen yaitu Rekrutmen dan Pelatihan.
4.3.2. Uji Analisis Regresi
Berdasarkan hasil uji asumsi klasik yang telah dilakukan di atas, dapat
disimpulkan bahwa model regresi yang dipakai dalam penelitian ini telah
memenuhi model estimasi dan layak untuk dilakukan analisis statistik selanjutnya,
yaitu melakukan pengujian hipotesis. Adapun hasil pengolahan data dengan
analisis regresi dapat dilihat pada tabel 4.45 dibawah ini.
Tabel 4.45 Tabel Koefisien Beta
Model Unstandardized Coefficients Standardized Coefficients T Sig. B Std. Error Beta 1 (Constant) .575 .283 2.028 .046 Rekrutmen .328 .069 .324 4.732 .000 Pelatihan .545 .060 .624 9.122 .000
a. Dependent Variable: Kompetensi
Berdasarkan tabel 4.45 pada kolom Unstandardized Coefficients bagian B
diperoleh model persamaan regresi linier berganda yaitu :
Y= 0.575 + 0.328X1 + 0.545X2 + e
Dimana :
Y = Debt to Equity Ratio
X1 = Free Cash Flow
X2 = Return on Investment
e = Tingkat kesalahan pengganggu
Penjelasan dari nilai β0, β1 dan β2 pada Unstandardized Coefficients
tersebut dapat dijelaskan dibawah ini.
a. β0 = 0.575
Nilai konstanta ini menunjukkan bahwa apabila tidak ada nilai variabel
Rekrutmendan Pelatihan, maka nilai variable kompetensi adalah sebesar 0.575
b. β1 = 0.328
Koefisien regresi β1 ini menunjukkan bahwa setiap variabel rekrutmenmeningkat satu satuan, maka nilai variable kompetensiakan bertambah sebesar 0.328 dengan
asumsi variabel lainnya dianggap tetap atau sama dengan nol.
Koefisisen regresi β2 menunjukkan bahwa setiap variabel pelatihan meningkat sebesar satu satuan, maka perubahan nilai variable kompetensi yang dilihat dari
nilai Y akan bertambah sebesar 0.545 dengan asumsi variabel lain dianggap tetap.
4.3.3. Koefisien Determinasi
Tabel 4.46 Tabel Koefisien
Model R R Square Adjusted R Square Std. Error of the Estimate
1 .817a .668 .660 .25971
a. Predictors: (Constant), Pelatihan, Rekrutmen
b. Dependent Variable: Kompetensi
Sumber: Data yang diolah penulis, 2013
Pada tabel 4.46 dapat dilihat bahwa nilai koefisien korelasi R
menunjukkan seberapa besar korelasi atau hubungan antara variabel-variabel
independen dengan variabel dependen. Koefisien korelasi dikatakan kuat apabila
nilai R berada di atas 0,5 dan mendekati angka 1. Koefisian determinasi (R
square) menunjukkan seberapa besar variabel independen menjelaskan variabel
dependennya. Nilai R square adalah 0 sampai dengan angka 1. Apabila nilai R
square semakin mendekati satu, maka variabel-variabel independen memberikan
semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen.
Sebaliknya, semakin kecil nilai R square, maka kemampuan variabel-variabel
independen dalam menjelaskan variabel dependen semakin terbatas.
Pada model summary diatas di atas, angka R sebesar 0,817 menunjukkan
(X2) mempunyai korelasi yang kuat karena R > 0,5 (50%). Dimana nilai R yaitu
0,817 atau 81,7%. Sedangkan angka adjusted R Square atau koefisien determinasi
adalah 0,668 atau 67%. Angka ini mengindikasikan bahwa variasi dari kedua
variabel independennya mampu menjelaskan variasi variabel dependen sebesar
67 % dan sisanya 33 % (100% - 67%) dijelaskan oleh faktor-faktor lain tidak
dimasukkan dalam model penelitian ini. Kemudian standard error of the estimate
adalah sebesar 0,25971, di mana semakin kecil angka ini akan membuat model
regresi semakin tepat untuk memprediksi nilai variable kompetensi. Untuk
mengetahui apakah masing – masing variabel yaitu Rekrutmen dan Pelatihan yang
dianggap secara parsial dan simultan berpengaruh terhadap Kompetensi,
dilakukan pengujian hipotesis. Pengujian hipotesis secara statistik dilakukan
dengan menggunakan uji T dan uji F.
4.3.4. Uji Hipotesis
4.3.4.1. Uji T (T - Test) / Uji Pengaruh X1 dan X2 terhadap Y Secara