HASIL DAN PEMBAHASAN
B. Hasil Uji Instrumen Penelitian 1. Hasil Uji Statistik Deskriptif 1.Hasil Uji Statistik Deskriptif
3. Hasil Uji Asumsi Klasik
Pengujian statistik dengan analisis regresi dapat dilakukan dengan pertimbangan tidak adanyan pelanggaran terhadap asumsi-asumsi klasik (Damodar,1988 dalam Putra, 2008:22). Asumsi-asumsi klasik yang harus terpenuhi antara lain adalah:
a. Hasil Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel independen dan variabel dependen
90 keduanya mempunyai distribusi normal atau mendekati normal (Ghozali, 2013:160). Dalam penelitian ini, uji normalitas menggunakan Normal Probability Plot (P-P Plot). Suatu variabel dikatakan normal jika gambar distribusi dengan titik-titik data yang menyebar di sekitar garis diagonal, dan penyebaran titik-titik data searah mengikuti garis diagonal (Ghozali, 2013: 163). Uji normalitas juga dilakukan dengan uji Kolmogorov-Smirnov untuk mengetahui apakah residual terdistribusi secra normal. Residual terditribusi secara normal ketika tingkat signifikansi di atas 0,05 (Ghozali, 2013: 165).
Gambar 4.1
Normal P-P Plot of Regression Standardized Residual Dependent Variabel : Kinerja Manajerial (Y)
SMA Negeri
Sumber: Data primer yang diolah
Dari gambar 4.1 di atas, dapat dilihat bahwa penelitian pada SMA Negeri ini memiliki penyebaran data (titik) dan distribusi yang normal karena data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal. Ini menunjukkan bahwa model regresi memenuhi asumsi normalitas.
91
Gambar 4.2
Normal P-P Plot of Regression Standardized Residual Dependent Variabel : Kinerja Manajerial (Y) SMA Swasta
Sumber: Data primer yang diolah
Dari gambar 4.2 di atas, dapat dilihat bahwa penelitian pada SMA Swasta ini memiliki penyebaran data (titik) dan distribusi yang normal karena data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal. Ini menunjukkan bahwa model regresi memenuhi asumsi normalitas.
Gambar 4.3
Normal P-P Plot of Regression Standardized Residual Dependent Variabel : Kinerja Manajerial (Y)
SMA Jakarta Selatan
92 Sumber: Data primer yang diolah
Dari gambar 4.3 di atas, dapat dilihat bahwa penelitian pada SMA Jakarta Sealatan ini memiliki penyebaran data (titik) dan distribusi yang normal karena data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal. Ini menunjukkan bahwa model regresi memenuhi asumsi normalitas.
Gambar 4.4
Normal P-P Plot of Regression Standardized Residual Dependent Variabel : Kinerja Manajerial (Y)
SMA Tangerang Selatan
Sumber: Data primer yang diolah
Dari gambar 4.4 di atas, dapat dilihat bahwa penelitian pada SMA Tangerang Sealatan ini memiliki penyebaran data (titik) dan distribusi yang normal karena data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal. Ini menunjukkan bahwa model regresi memenuhi asumsi normalitas.
Uji normalitas dengan grafik dapat menyesatkan kalau tidak hati-hati secara visual kelihatan normal, padahal secara statistik bisa sebaliknya. Oleh karena itu, peneliti melengkapi uji
93 normalitas grafik dengan uji statistik melalui uji nilai Kolmogorov-Smirnov. Berikut ini merupakan hasil dari uji statistik Kolmogorov-Smirnov.
Tabel 4.16
Hasil Uji Normalitas Menggunakan Kolmogorov-Smirnov SMA Negeri
Sumber: Data primer yang diolah
Berdasarkan tabel 4.16 dapat diketahui bahwa nilai Kolmogorov-Smirnov adalah 0,113 dan signifikan pada 0,174 > 0,05. Hal ini berarti H0 diterima yang berarti data residual terdistribusi normal.
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 46
Normal Parametersa,b Mean ,0000000
Std. Deviation 5,05663280
Most Extreme Differences Absolute ,113
Positive ,100
Negative -,113
Test Statistic ,113
Asymp. Sig. (2-tailed) ,174c
a. Test distribution is Normal. b. Calculated from data.
94
Tabel 4.17
Hasil Uji Normalitas Menggunakan Kolmogorov-Smirnov SMA Swasta
One-Sample Kolmogorov-Smirnov Test Unstandardize
d Residual
N 68
Normal Parametersa,b Mean ,0000000
Std. Deviation 4,82033003
Most Extreme Differences Absolute ,081
Positive ,081
Negative -,048
Test Statistic ,081
Asymp. Sig. (2-tailed) ,200c,d
a. Test distribution is Normal. b. Calculated from data.
c. Lilliefors Significance Correction.
d. This is a lower bound of the true significance. Sumber: Data primer yang diolah
Berdasarkan tabel 4.17 dapat diketahui bahwa nilai Kolmogorov-Smirnov adalah 0,081 dan signifikan pada 0,200 > 0,05. Hal ini berarti H0 diterima yang berarti data residual terdistribusi normal.
Tabel 4.18
Hasil Uji Normalitas Menggunakan Kolmogorov-Smirnov SMA Jakarta Selatan
One-Sample Kolmogorov-Smirnov Test
Unstandardize d Residual
N 58
Normal Parametersa,b Mean ,0000000
Std. Deviation 4,65241388
Most Extreme Differences Absolute ,080
Positive ,080
Negative -,066
Test Statistic ,080
Asymp. Sig. (2-tailed) ,200c,d
a. Test distribution is Normal. b. Calculated from data.
c. Lilliefors Significance Correction.
d. This is a lower bound of the true significance. Sumber: Data primer yang diolah
95 Berdasarkan tabel 4.18 dapat diketahui bahwa nilai Kolmogorov-Smirnov adalah 0,080 dan signifikan pada 0,200 > 0,05. Hal ini berarti H0 diterima yang berarti data residual terdistribusi normal.
Tabel 4.19
Hasil Uji Normalitas Menggunakan Kolmogorov-Smirnov SMA Tangerang Selatan
Sumber: Data primer yang diolah
Berdasarkan tabel 4.19 dapat diketahui bahwa nilai Kolmogorov-Smirnov adalah 0,130 dan signifikan pada 0,019 < 0,05. Hal ini berarti H0 ditolak yang berarti data residual terdistribusi tidak normal.
b. Hasil Uji Heterokedastisitas
Peneliti melakukan uji Grafik Plot untuk mendeteksi ada tidaknya Heteroskedastisitas. Berikut ini gambar 4.5 merupakan hasil uji Grafik Plot pada SMA Negeri.
One-Sample Kolmogorov-Smirnov Test
Unstandardize d Residual
N 56
Normal Parametersa,b Mean ,0000000
Std. Deviation 5,30875799
Most Extreme Differences Absolute ,130
Positive ,102
Negative -,130
Test Statistic ,130
Asymp. Sig. (2-tailed) ,019c
a. Test distribution is Normal. b. Calculated from data.
96
Sumber: Data primer yang diolah
Dari grafik scatterplots terlihat bahwa titik- titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y. Hal ini dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi, sehingga model regresi layak dipakai untuk memprediksi Kinerja Manajerial berdasarkan masukan variabel independen Partisipasi anggaran, Kejelasan sasaran anggaran, dan Umpan balik anggaran.
Berikut ini gambar 4.6 merupakan hasil uji Grafik Plot pada SMA Swasta.
97 Dari grafik scatterplots terlihat bahwa titik- titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y. Hal ini dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi, sehingga model regresi layak dipakai untuk memprediksi Kinerja Manajerial berdasarkan masukan variabel independen Partisipasi anggaran, Kejelasan sasaran anggaran, dan Umpan balik anggaran.
Berikut ini gambar 4.7 merupakan hasil uji Grafik Plot pada SMA Jakarta Selatan.
Sumber: Data primer yang diolah
Dari grafik scatterplots terlihat bahwa titik- titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y. Hal ini dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi, sehingga model regresi layak dipakai untuk memprediksi Kinerja Manajerial berdasarkan masukan variabel independen Partisipasi anggaran, Kejelasan sasaran anggaran, dan Umpan balik anggaran.
98 Berikut ini gambar 4.8 merupakan hasil uji Grafik Plot pada SMA Tangerang Selatan.
Sumber: Data primer yang diolah
Dari grafik scatterplots terlihat bahwa titik- titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y. Hal ini dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi, sehingga model regresi layak dipakai untuk memprediksi Kinerja Manajerial berdasarkan masukan variabel independen Partisipasi anggaran, Kejelasan sasaran anggaran, dan Umpan balik anggaran.
Untuk meregres nilai absolut residual terhadap variabel independen (Gujarati,2003), peneliti melakukan uji Glejser. Berikut ini merupakan hasil uji Glejser tersebut.
99
Tabel 4.20
Hasil Uji Heteroskedastisitas Menggunakan Uji Glejser SMA Negeri Coefficientsa Model Unstandardized Coefficients Standardized Coefficients T Sig. B Std. Error Beta 1 (Constant) -13,453 8,130 -1,655 ,106 PARTISIPASI ANGGARAN ,055 ,128 ,072 ,429 ,670 KEJELASAN SASARAN ANGGARAN ,370 ,272 ,212 1,357 ,182 UMPAN BALIK ANGGARAN ,094 ,280 ,058 ,337 ,738
a. Dependent Variable: AbsUt
Sumber: Data primer yang diolah
Berdasarkan hasil uji heteroskedastisitas pada tabel 4.20 menunjukkan bahwa variabel independen tidak signifikan secara statistik mempengaruhi variabel dependen nilai Absolut Ut (AbsUt), maka terjadi indikasi Heteroskedastisitas. Hal ini terlihat dari probabilitas signifikansinya di atas tingkat kepercayaan 5%. Jadi dapat disimpulkan model regresi tidak mengandung adanya Heteroskedastisitas.
Tabel 4.21
Hasil Uji Heteroskedastisitas Menggunakan Uji Glejser SMA Swasta Coefficientsa Model Unstandardized Coefficients Standardized Coefficients T Sig. B Std. Error Beta 1 (Constant) 2,236 4,819 ,464 ,644 PARTISIPASI ANGGARAN -,139 ,122 -,175 -1,139 ,259 KEJELASAN SASARAN ANGGARAN ,016 ,167 ,013 ,098 ,922 UMPAN BALIK ANGGARAN -,004 ,239 -,002 -,016 ,987 a. Dependent Variable: AbsUt
100 Berdasarkan hasil uji heteroskedastisitas pada tabel 4.21 menunjukkan bahwa variabel independen tidak signifikan secara statistik mempengaruhi variabel dependen nilai Absolut Ut (AbsUt), maka tidak terjadi indikasi Heteroskedastisitas. Hal ini terlihat dari probabilitas signifikansinya di atas tingkat kepercayaan 5%. Jadi dapat disimpulkan model regresi tidak mengandung adanya Heteroskedastisitas.
Tabel 4.22
Hasil Uji Heteroskedastisitas Menggunakan Uji Glejser SMA Jakarta Selatan
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients T Sig. B Std. Error Beta 1 (Constant) -1,899 4,953 -,383 ,703 PARTISIPASI ANGGARAN ,183 ,112 ,240 1,638 ,107 KEJELASAN SASARAN ANGGARAN -,175 ,171 -,155 -1,023 ,311 UMPAN BALIK ANGGARAN ,225 ,287 ,123 ,785 ,436
a. Dependent Variable: AbsUt
Sumber: Data primer yang diolah
Berdasarkan hasil uji heteroskedastisitas pada tabel 4.22 menunjukkan bahwa variabel independen tidak signifikan secara statistik mempengaruhi variabel dependen nilai Absolut Ut (AbsUt), maka tidak terjadi indikasi Heteroskedastisitas. Hal ini terlihat dari probabilitas signifikansinya di atas tingkat kepercayaan 5%. Jadi dapat disimpulkan model regresi tidak mengandung adanya Heteroskedastisitas.
101
Tabel 4.23
Hasil Uji Heteroskedastisitas Menggunakan Uji Glejser SMA Tangerang Selatan
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients T Sig. B Std. Error Beta 1 (Constant) -2,696 7,480 -,361 ,720 PARTISIPASI ANGGARAN -,192 ,132 -,233 -1,460 ,150 KEJELASAN SASARAN ANGGARAN ,188 ,255 ,104 ,737 ,465 UMPAN BALIK ANGGARAN ,028 ,240 ,019 ,115 ,909 a. Dependent Variable: AbsUt
Sumber: Data primer yang diolah
Berdasarkan hasil uji heteroskedastisitas pada tabel 4.23 menunjukkan bahwa variabel independen tidak signifikan secara statistik mempengaruhi variabel dependen nilai Absolut Ut (AbsUt), maka tidak terjadi indikasi Heteroskedastisitas. Hal ini terlihat dari probabilitas signifikansinya di atas tingkat kepercayaan 5%. Jadi dapat disimpulkan model regresi tidak mengandung adanya Heteroskedastisitas.
c. Hasil Uji Multikolonieritas
Berikut ini disajikan tabel hasil pengujian multikolonieritas variabel independen penelitian pada Tabel 4.24 di bawah ini.
102
Tabel 4.24
Uji Koefisien Multikolonieritas SMA Negeri
Coefficientsa
a. D e
pendent Variabel : KINERJA MANAJERIAL Sumber: Data primer yang diolah
Berdasarkan tabel 4.24 di atas terlihat bahwa seluruh variabel independen memiliki nilai tolerance lebih besar dari 0,10 dan nilai VIF yang lebih kecil dari 10. Dengan demikian, dapat di simpulkan bahwa tidak ada multikolonieritas antar variabel independen dalam model regresi.
Tabel 4.25
Uji Koefisien Multikolonieritas SMA Swasta
Coefficientsa
a. D e
pendent Variabel : KINERJA MANAJERIAL Sumber: Data primer yang diolah
Berdasarkan tabel 4.25 di atas terlihat bahwa seluruh variabel indepnden memiliki nilai tolerance lebih besar dari 0,10
Model Colinearity Statistics
Tolerance VIF 1 (Constant)
PARTISIPASI ANGGARAN
KEJELASAN SASARAN ANGGARAN UMPAN BALIK ANGGARAN
,807 ,932 ,761 1,239 1,073 1,314
Model Colinearity Statistics
Tolerance VIF 1 (Constant)
PARTISIPASI ANGGARAN
KEJELASAN SASARAN ANGGARAN UMPAN BALIK ANGGARAN
,736 ,828 ,698 1,359 1,208 1,432
103 dan nilai VIF yang lebih kecil dari 10. Dengan demikian, dapat di simpulkan bahwa tidak ada multikolonieritas antar variabel independen dalam model regresi.
Tabel 4.26
Uji Koefisien Multikolonieritas SMA Jakarta Selatan
Coefficientsa
a. D e
pendent Variabel : KINERJA MANAJERIAL Sumber: Data primer yang diolah
Berdasarkan tabel 4.26 di atas terlihat bahwa seluruh variabel indepnden memiliki nilai tolerance lebih besar dari 0,10 dan nilai VIF yang lebih kecil dari 10. Dengan demikian, dapat di simpulkan bahwa tidak ada multikolonieritas antar variabel independen dalam model regresi.
Tabel 4.27
Uji Koefisien Multikolonieritas SMA Tangerang Selatan
Coefficientsa
a. D e
pendent Variabel : KINERJA MANAJERIAL Sumber: Data primer yang diolah
Model Colinearity Statistics
Tolerance VIF 1 (Constant)
PARTISIPASI ANGGARAN
KEJELASAN SASARAN ANGGARAN UMPAN BALIK ANGGARAN
,810 ,764 ,711 1,234 1,309 1,407
Model Colinearity Statistics
Tolerance VIF 1 (Constant)
PARTISIPASI ANGGARAN
KEJELASAN SASARAN ANGGARAN UMPAN BALIK ANGGARAN
,734 ,934 ,699 1,363 1,070 1,430
104 Berdasarkan tabel 4.27 di atas terlihat bahwa seluruh variabel indepnden memiliki nilai tolerance lebih besar dari 0,10 dan nilai VIF yang lebih kecil dari 10. Dengan demikian, dapat di simpulkan bahwa tidak ada multikolonieritas antar variabel independen dalam model regresi.