BAB IV ANALISIS DAN PEMBAHASAN
4. Analisis Inferensial
Uji asumsi klasik meliputi uji normalitas, uji linearitas, uji autokorelasi, uji multikolinearitas, dan uji heteroskedastisitas untuk mendapatkan hasil estimasi yang memenuhi kriteria BLUE (best linear unbiased estimator). Uji normalitas diperlukan untuk menentukan apakah data berdistribusi normal atau tidak, Uji linearitas digunakan untuk mengetahui apakah hubungan antar variabel bersifat linear atau tidak. Selanjutnya Uji autokorelasi merupakan pengujian untuk mengetahui adanya korelasi antara variabel pengganggu (disturbance term) antar periode. Uji multikolinearitas adalah pengujian untuk mengetahui apakah terjadi korelasi antara satu atau lebih dari variabel independen dalam model persamaan. Sedangkan uji heteroskedastisitas menyangkut pengujian untuk mengetahui apakah variance dari disturbance term sama atau tidak. Jika tidak sama, maka model persamaan mengandung masalah heteroskedastisitas.
1) Uji normalitas
Uji normalitas diperlukan untuk menentukan apakah data berdistribusi normal atau tidak. Penentuan apakah suatu data berdistribusi normal atau tidak dapat menggunakan rasio skewness dan rasio kurtosis. Rasio skewness dan rasio kurtosis dapat dijadikan petunjuk apakah suatu data berdistribusi normal atau tidak. Rasio skewness adalah nilai skewnes dibagi dengan standar error
kurtosis. Sebagai pedoman, bila rasio kurtosis dan skewness berada diantara -2
hingga +2, maka distribusi data adalah normal (Santoso, 2000:53).
Descriptive Statistics
Skewness Kurtosis
Statistic Std. Error Statistic Std. Error Unstandardized
Residual
- 0,450 0,238 0,139 0,472
Valid N (listwise)
Sumber : Hasil Pengolahan Data Penelitian
Hasil olah data dengan menggunakan SPSS didapatkan Rasio Skewness : - 0,450 / 0,238 = - 1,890 dan Rasio Kurtosis : 0,139/0,472 = 0,295. Terlihat bahwa Rasio Skewness - 1,890 dan Rasio Kurtosis 0,295. Rasio Skewness dan Rasio Kurtosis berada diantara -2 hingga +2 maka dapat disimpulkan bahwa distribusi data adalah normal.
2) Uji Linearitas
Uji Linearitas Penganggaran Terpadu (X1) dengan Kinerja (Y)
Uji Linieritas dilakukan dengan mencari persamaan garis regresi varabel bebas X terhadap variabel terikat Y. Berdasarkan garis regresi yang telah dibuat, selanjutnya diuji keberartian koefisien garis regresi serta linieritasnya. Uji linearitas antara variabel bebas X dengan varabel terikat Y dilakukan dengan olah data. Olah data dilakukan dengan langkah-langkah (Andryan Setyadharma:2010):
- Susun hipotesis: H0: Model Regresi Linier, H1: Model Regresi Tidak Linier - Menetapkan taraf signifikansi (misalnya a=0,05)
- Membandingkan signifikansi yang ditetapkan dengan signifikansi yang diperoleh dari analisis (Sig.)
Bila a ≥ Sig. maka H1 diterima, berarti regresi tidak linier ANOVA Table F Sig. (Combined) 1.743 .108 Linearity 10.395 .002 Between Groups
Deviation from Linearity .301 .935 Within Groups
Y * X1
Total
Ternyata hasil analisis menunjukkan bahwa harga F sebesar 0,301 dengan signifikansi 0,935 > 0,05 berarti model regresi linier.
Uji linearitas persamaan linear Penganggaran Terpadu dengan Kinerja dapat dilihat pada kurva scatterplot berikut ini :
Pada kurva scatter plot memperlihatkan semua plot (titik) dari setiap pasangan variabel membentuk garis regresi yang condong ke kanan (linear). Hal ini menggambarkan pertambahan nilai dari satu variabel diikuti oleh pertambahan nilai dari variabel lainnya. Maka terbukti bahwa hubungan pada setiap pasangan variabel memenuhi asumsi linearitas.
Uji Linearitas Penganggaran Berbasis Kinerja (X2) dengan Kinerja (Y)
Uji Linieritas dilakukan dengan mencari persamaan garis regresi varabel bebas X terhadap variabel terikat Y. Berdasarkan garis regresi yang telah dibuat, selanjutnya diuji keberartian koefisien garis regresi serta linieritasnya. Uji linearitas antara variabel bebas X dengan varabel terikat Y dilakukan dengan olah data. Olah data dilakukan dengan langkah-langkah (Andryan Setyadharma:2010):
- Susun hipotesis: H0: Model Regresi Linier, H1: Model Regresi Tidak Linier - Menetapkan taraf signifikansi (misalnya a=0,05)
- Membandingkan signifikansi yang ditetapkan dengan signifikansi yang diperoleh dari analisis (Sig.)
Bila a < Sig. maka H0 diterima, berarti regresi linier Bila a ≥ Sig. maka H1 diterima, berarti regresi tidak linier
ANOVA Table
F Sig. (Combined) .939 .569 Linearity 7.904 .006 Between Groups
Deviation from Linearity .721 .845 Within Groups
Y * X2
Ternyata hasil analisis menunjukkan bahwa harga F sebesar 0,721 dengan signifikansi 0,845 > 0,05 berarti model regresi linier
Uji linearitas persamaan linear Penganggaran Berbasis Kinerja dengan Kinerja dapat dilihat pada kurva scatterplot berikut ini :
Grafik Uji Linearitas Penganggaran Berbasis Kinerja (X2) dengan Kinerja(Y)
Sumber : Hasil Pengolahan Data Penelitian
Pada kurva scatterplot memperlihatkan semua plot (titik) dari setiap pasangan variabel membentuk garis regresi yang condong ke kanan (linear). Hal ini menggambarkan pertambahan nilai dari satu variabel diikuti oleh pertambahan nilai dari variabel lainnya. Maka terbukti bahwa hubungan pada setiap pasangan variabel memenuhi asumsi linearitas.
Uji Linearitas Kerangka Pengeluaran Jangka Menengah (X3) dengan Kinerja (Y)
Uji Linieritas dilakukan dengan mencari persamaan garis regresi varabel bebas X terhadap variabel terikat Y. Berdasarkan garis regresi yang telah dibuat, selanjutnya diuji keberartian koefisien garis regresi serta linieritasnya. Uji linearitas antara variabel bebas X dengan varabel terikat Y dilakukan dengan olah data. Olah data dilakukan dengan langkah-langkah (Andryan Setyadharma:2010):
- Susun hipotesis: H0: Model Regresi Linier, H1: Model Regresi Tidak Linier - Menetapkan taraf signifikansi (misalnya a=0,05)
- Membandingkan signifikansi yang ditetapkan dengan signifikansi yang diperoleh dari analisis (Sig.)
Bila a < Sig. maka H0 diterima, berarti regresi linier Bila a ≥ Sig. maka H1 diterima, berarti regresi tidak linier
ANOVA Table
F Sig. (Combined) .737 .815 Linearity 4.467 .038 Between Groups
Deviation from Linearity .599 .931 Within Groups
Y * X3
Total
Ternyata hasil analisis menunjukkan bahwa harga F sebesar 0,599 dengan signifikansi 0,931 > 0,05 berarti model regresi linier
Uji linearitas persamaan linear Kerangka Pengeluaran Jangka Menengah dengan Kinerja dapat dilihat pada kurva scatterplot berikut ini :
Grafik Uji Linearitas Kerangka Pengeluaran Jangka Menengah (X3) dengan Kinerja (Y)
Sumber : Hasil Pengolahan Data Penelitian
Pada kurva scatterplot memperlihatkan semua plot (titik) dari setiap pasangan variabel membentuk garis regresi yang condong ke kanan (linear). Hal ini menggambarkan pertambahan nilai dari satu variabel diikuti oleh pertambahan nilai dari variabel lainnya. Maka terbukti bahwa hubungan pada setiap pasangan variabel memenuhi asumsi linearitas.
3) Uji Autokorelasi
Uji autokorelasi dilakukan untuk mengetahui adanya pelanggaran dari asumsi nonautokorelasi yaitu adanya korelasi yang terjadi antara anggota-anggota dari serangkaian pengamatan. Autokorelasi mengakibatkan metode
Model Summaryb Model R R Square Adjusted R Square Std. Error of
the Estimate Durbin-Watson
d im e ns i o n0 1 .331a .109 .082 16.43030 1.712 a. Predictors: (Constant), X3, X1, X2 b. Dependent Variable: Y
Hasil Uji Autokorelasi menggunakan Uji Durbin-Watson (DW test) menunjukkan hasil 1,712. Berdasarkan tabel Durbin-Watson dengan tingkat kepercayaan 95% dan memiliki sampel (n) sebanyak 103 dengan variable penjelas sebanyak 3 maka didapat nila dl = 1,48 dan du = 1,60 , sehingga nilai DW sebesar 1,712 berada pada du (1,60) dan 4-du (4-1,60=2,40), sehingga dapat dikatakan tidak ada autokorelasi.
4) Uji Multikolinearitas
Uji multikolineritas dengan menggunakan Uji VIF yaitu dengan melihat apakah untuk masing-masing variable lebih besar dari 10 atau tidak. Bila nilai VIF lebih besar dari 10 maka diindikasikan model tersebut memiliki gejala multikolinearitas.
Coefficientsa
Unstandardized Coefficients Standardized Coefficients Model
B Std. Error Beta t Sig. (Constant) 73.693 6.792 10.850 .000 X1 2.723 1.504 .227 1.811 .073 X2 .298 .280 .196 1.064 .290 1 X3 -.195 .440 -.075 -.443 .659 a. Dependent Variable: Y
Coefficientsa Collinearity Statistics Model Tolerance VIF (Constant) X1 .572 1.748 X2 .265 3.768 1 X3 .310 3.231
Hasil uji multikolinearitas dapat dilihat bahwa nilai VIF untuk variabel Penganggaran Terpadu (X1) = 1,748, Penganggaran Berbasis Kinerja (X2) = 3,768 dan variabel Kerangka Pengeluaran Jangka Menengah (X3) = 3,231. Nilai VIF dari semua variabel menunjukkan lebih kecil dari 10 sehingga dapat disimpulkan bahwa tidak ada hubungan linear antar variabel independen atau model terbebas dari multikolinear.
5) Uji Heteroskedastisitas
Uji heteroskedastisitas dilakukan untuk mengetahui apakah ada pelanggaran dari asumsi homoskedastisitas (semua gangguan yang muncul dalam model persamaan regresi bersifat homoskedastik atau mempunyai varians yang sama pada setiap kondisi pengamatan). Oleh karena itu konsekuensi adanya heteroskedastisitas dalam sistem persamaan bahwa penaksiran tidak lagi mempunyai varians yang minimum.
Coefficientsa
Unstandardized Coefficients Standardized Coefficients Model
B Std. Error Beta t Sig. (Constant) 15.981 4.078 3.919 .000 X1 -.361 .903 -.052 -.399 .690 X2 -.287 .168 -.324 -1.705 .091 1
X3 .274 .264 .182 1.037 .302 a. Dependent Variable: abresid
Variabel T hitung t-tabel Keterangan Penganggaran Terpadu (X1) -0,399 ± 1,980 Tidak terjadi heterokedastisitas Penganggaran Berbasis Kinerja (X2) -1,705 ± 1,980 Tidak terjadi heterokedastisitas Kerangka Pengeluaran
Jangka Menengah (X3) 1,037 ± 1,980 Tidak heterokedastisitas terjadi
Pendeteksiannya dilakukan dengan metode Glejser (Arief 1992:134) yaitu dengan meregresikan nilai absolut residuals. Jika hitung berada diantara ± t-tabel, maka tidak terjadi heterokedastisitas.
b. Hasil Uji Hipotesis menggunakan Analisis regresi berganda
Hasil olah data mendapatkan informasi besarnya korelasi (R), Koefisien determinasi (R2) dan Koefisien determinasi yang disesuaikan (Adjusted R2).
Model Summary
Model
R R Square Adjusted R Square Std. Error of the Estimate
d i me n si o n 0 1 ,331a ,109 ,082 16,43030 a. Predictors: (Constant), X3, X1, X2
Koefisien korelasi (R) sebesar 0,331 menunjukkan hubungan antara variabel-variabel independen dengan variabel independen, artinya Penganggaran Terpadu (X1), Berbasis Kinerja (X2), dan Kerangka Pengeluaran Jangka Menengah (X3) berpengaruh terhadap Kinerja (Y).
Koefisien determinasi (R2) sebesar 0,109 artinya bahwa 10,9 persen Kinerja (Y) dipengaruhi oleh Penganggaran Terpadu (X1), Penganggaran Berbasis Kinerja (X2) dan Kerangka Pengeluaran Jangka Menengah (X3).
ANOVAb
Model Sum of Squares df Mean Square F Sig.
Regression 3282,060 3 1094,020 4,053 ,009a Residual 26725,514 99 269,955 1 Total 30007,575 102 a. Predictors: (Constant), X3, X1, X2 b. Dependent Variable: Y
F hitung hasil olah data digunakan untuk menguji apakah model persamaan Y = a + b1x1 +b2x2+b3x3 merupakan persamaan linear. Nilai F hitung dengan α=0.05 dengan derajad bebas pembilang = k - 1 = 3 - 2 = 2 dan derajad penyebut (n-k) = 103-3=100 adalah 3,150. F hitung (4,053) > F tabel (3,150)
maka model di atas dapat diterima.
Setelah menguji signifikansi persamaan regresi, selanjutnya perlu diuji apakah masing-masing variabel independen, Penganggaran Terpadu (X1), Penganggaran Berbasis Kinerja (X2) dan Kerangka Pengeluaran Jangka Menengah (X3) mempunyai pengaruh yang nyata terhadap Kinerja (Y) untuk itu dilakukan uji t.
Hipotesis :
Ho : variabel independen tidak mempengaruhi variabel dependen secara nyata.
Ha: variabel independen berpengaruh nyata terhadap variabel dependen.
Pengambilan keputusan :
Jika – t tabel < t hitung < t tabel, Ho diterima.
Coefficientsa
Unstandardized Coefficients
Standardized Coefficients Model
B Std. Error Beta t Sig.
(Constant) 73,693 6,792 10,850 ,000 X1 2,723 1,504 ,227 1,811 ,073 X2 ,298 ,280 ,196 1,064 ,290 1 X3 -,195 ,440 -,075 -,443 ,659 a. Dependent Variable: Y
T tabel dengan derajad bebas = n - k = (103-3) = 100
Uji t dilakukan uji dua arah (2 tailed) sehingga t – tabel = 3,950/2=1,975
t hitung Penganggaran Berbasis Terpadu (X1) = 1,811, karena t hitung > t tabel maka Ho ditolak artinya Penganggaran Terpadu (X1) secara nyata berpengaruh terhadap Kinerja (Y), t hitung Penganggaran Berbasis Kinerja (X2) = 1,064, karena t hitung < t tabel maka Ho diterima artinya Penganggaran Berbasis Kinerja (X2) secara nyata berpengaruh terhadap Kinerja (Y), dan t hitung Kerangka Pengeluaran Jangka Menengah (X3) = -0,443, karena t hitung > t tabel maka Ho ditolak artinya Kerangka Pengeluaran Jangka Menengah (X2) secara nyata berpengaruh nyata terhadap Kinerja (Y).
Variabel T hitung t-tabel Keterangan
Penganggaran Terpadu (X1)
1,811 ± 1,975 Penganggaran Terpadu (X1) berpengaruh nyata terhadap Kinerja (Y)
Penganggaran Berbasis Kinerja (X2)
1,064 ± 1,975 Penganggaran Berbasis Kinerja (X2) berpengaruh nyata terhadap Kinerja (Y)
Kerangka Pengeluaran Jangka Menengah (X3)
-0,443 ± 1,975 Kerangka Pengeluaran Jangka Menengah (X3) berpengaruh nyata terhadap Kinerja (Y)
Coefficientsa
Unstandardized Coefficients
Standardized Coefficients Model
B Std. Error Beta t Sig.
(Constant) 73,693 6,792 10,850 ,000 X1 2,723 1,504 ,227 1,811 ,073 X2 ,298 ,280 ,196 1,064 ,290 1 X3 -,195 ,440 -,075 -,443 ,659 a. Dependent Variable: Y
Selanjutnya yang sangat penting adalah persamaan regresi yang dihasilkan Konstanta (a) = 73,693, konstanta untuk faktor konstanta untuk Penganggaran Terpadu (X1)=2,723 Penganggaran Berbasis Kinerja (X2)=0,298, Kerangka Pengeluaran Jangka Menengah (X3) = -0,195.
Persamaan regresi Y = 73,693 + 2,723X1 + 0,298X2 - 0,195X3