METODE PENELITIAN
4.6 Hasil Penelitian
4.6.2 Uji Asumsi Klasik .1 Uji Normalitas .1 Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal. Uji dan mengasumsikan bahwa nilai residual mengikuti distribusi normal. Dalam penelitian ini, uji normalitas terhadap residual dengan menggunakan uji Kolmogorov-Smirnov. Tingkat signifikansi yang digunakan . Dasar pengambilan keputusan adalah melihat angka probabilitas , dengan ketentuan sebagai berikut.
Jika nilai probabilitas 0,05 maka asumsi normalitas terpenuhi
Jika probabilitas < 0,05 maka asumsi normalitas tidak terpenuhi
Tabel 4.2 Uji Asumsi Normalitas One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 25
Normal Parametersa,b Mean ,0000000
Std. Deviation ,10583403
Most Extreme Differences Absolute ,098
Positive ,085
Negative -,098
Test Statistic ,098
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: hasil SPSS pengolahan SPSS Versi 20, 2017
Perhatikan bahwa berdasarkan Tabel 4.2 diketahui nilai probabilitas atau Asymp. Sig. (2-tailed)sebesar 0,200. Karena nilai probabilitas , yakni 0,200 lebih besar dibandingkan tingkat signifikansi yakni 0,05. Hal ini berarti asumsi normalitas terpenuhi.
Perhatikan bahwa kurva pada histogram berbentuk kurva normal, sehingga disimpulkan bahwa asumsi normalitas error dipenuhi. Di samping itu pada normal probability plot (Gambar 4.2), titik-titik menyebar cukup dekat pada garis diagonal, maka disimpulkan bahwa asumsi normalitas dipenuhi.
Sumber: hasil olahan software SPSS 24 Gambar 4.1
Histogram untuk Pengujian Asumsi Normalitas
Sumber: hasil pengolahan software SPSS 24 Gambar 4.2
Normalitas dengan Normal Probability Plot
4.6.2.2 Uji Asumsi Multikolinearitas
Uji multikolinearitas yaitu untuk mengetahui apakah lebih dari satu hubungan linear yang sempurna atau antara variabel bebas ada korelasi. Model regresi yang baik adalah apabila tidak terjadi korelasi diantara variabel bebas. Untuk mendeteksi ada tidaknya multikolinearitas dapat dilihat dari Value Inflation Factor (VIF).
Apabila VIF > 10, maka ada multikolinearitas Apabila VIF < 10, maka tidak ada multikolinearitas Tabel 4.3 Uji Asumsi Multikolinearitas
Model
Collinearity Statistics
Tolerance VIF Kesimpulan
1 (Constant)
KTI ,655 1,526 Tidak terjadi Multikolineritas
TP ,606 1,650 Tidak terjadi Multikolineritas
DMP ,745 1,342 Tidak terjadi Multikolineritas
a. Dependen Variable : KSIA
Sumber: hasil pengolahan SPSS versi 24, 2017
Dari tabel 4.3 di atas, terlihat bahwa tidak ada variabel yang memiliki nilai VIF lebih besar dari 10, Maka dari hal itu dinyatakan tidak terdapat multikolinearitas antar variabel bebas dalam model regresi.
4.6.2.3 Uji Asumsi Autokorelasi
Untuk menguji asumsi autokorelasi, digunakan uji Watson. Tabel 4.4 menyajikan nilai statistik dari uji Durbin-Watson.
Tabel 4.4 Uji Asumsi Autokorelasi Model Summaryb
Model Durbin-Watson
1 1,896
a. Predictors: (Constant), DMP, KTI, TP b. Dependent Variable: KSIA
Sumber: hasil olahan software SPSS 24
Berdasarkan Tabel 4.4, nilai dari statistik Durbin-Watson adalah 1,896. Untuk menentukan apakah terjadi autokorelasi atau tidak, maka dilakukan dengan membandingkan nilai statistik Watson terhadap tabel nilai kritis Durbin-Watson. Diketahui jumlah variabel bebas sebanyak dan
pengamatan sebanyak , maka .
Maka disimpulkan bahwa tidak terjadi autokorelasi.
4.6.2.4 Uji Asumsi Heteroskedastisitas
Deteksi ada tidaknya heteroskedastisitas dapat dilakukan dengan melihat ada tidaknya pola tertentu pada grafik scatter plot antara SRESID pada sumbu Y dan ZPRED pada sumbu X(Field, 2009:230, Ghozali, 2011:139). Field (2009:248, Ghozali, 2011:139) menyatakan dasar analisis adalah jika ada pola tertentu seperti titik-titik yang ada membentuk pola tertentu
yang teratur (bergelombang, melebar, kemudian menyempit), maka mengindikasikan telah terjadi heteroskedastisitas. Jika tidak ada pola yang jelas serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.
Gambar 4.5 Uji Heteroskedastisitas
Sumber: hasil pengolahan SPSS versi 24, 2017
Perhatikan bahwa berdasarkan Gambar 4.3 tidak terdapat pola yang begitu jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.
4.6.3 Uji Hipotesis
4.6.3.1 Analisis Regresi Liner Berganda dan Uji Signifikan Parsial (Uji T)
Tabel 4.5 Uji Signifikansi Koefisien Regresi Parsial Coefficientsa
Sumber: hasil olahan software SPSS 24
Berdasarkan Tabel 4.5 diperoleh persamaan regresi linear berganda sebagai berikut.
1) Pengaruh KTI terhadap KSIA
Pengujian signifikan dengan kriteria pengambilan keputusan adalah :
Terima H0 (tolak Ha), apabila thitung < ttabel atau sig t > α Tolak H0 (terima Ha), apabila thitung > ttabel atau sig t < α thitung adalah sebesar 5,980, sedangkan ttabel = 1,717 dan probababilitas signifikan sebesar 0,000, sehingga 5,980 > 1,717 dan sig. 0,000 < 0,05, maka dapat disimpulkan bahwa Tolak H0 (terima Ha), Kecanggihan Teknologi Informasi (KTI) berpengaruh signifikan secara parsial terhadap Kinerja Sistem Informasi Akutansi (KSIA).
2) Pengaruh TP terhadap KSIA
Pengujian signifikan dengan kriteria pengambilan keputusan adalah :
Terima H0 (tolak Ha), apabila thitung < ttabel atau sig t > α Tolak H0 (terima Ha), apabila thitung > ttabel atau sig t < α thitung adalah sebesar 2,360 sedangkan ttabel = 1,717 dan probababilitas signifikan sebesar 0,028, sehingga 2,630 >
1,717 dan sig. 0,028 < 0,05, maka dapat disimpulkan bahwa Tolak H0 (terima Ha), Teknik Pemakai (TP) berpengaruh signifikan secara parsial terhadap Kinerja Sistem Informasi Akutansi (KSIA).
3) Pengaruh DMP terhadap KSIA
Pengujian signifikan dengan kriteria pengambilan keputusan adalah :
Terima H0 (tolak Ha), apabila thitung < ttabel atau sig t > α Tolak H0 (terima Ha), apabila thitung > ttabel atau sig t < α
thitung adalah sebesar -3,434, sedangkan ttabel = 1,717 dan probababilitas signifikan sebesar 0,002, sehingga -3,434 <
1,717 dan sig. 0,002 < 0,05, maka dapat disimpulkan bahwa Tolak H0 (terima Ha), Dukungan Manajemen Puncak berpengaruh namun tidak signifikan secara parsial terhadap Kinerja Sistem Informasi Akutansi(KSIA).
4.6.3.2 Uji Signifikansi Koefisien Regresi secara Menyeluruh (Uji F)
Uji signifikansi koefisien regresi secara menyeluruh merupakan suatu uji untuk menguji apakah seluruh variabel bebas secara bersamaan atau simultan mempengaruhi variabel profitabilitas. Untuk menentukan nilai F tabel, terlebih dahulu menghitung nilai derajat bebas pembilang (df1) dan derajat bebas penyebut (df2). Perhatikan bahwa menyatakan jumlah variabel, sedangkan menyatakan jumlah pengamatan.
Pengujian menggunakan Uji F dengan kriteria pengambilan keputussan (KPK) adalah :
Terima Ho (tolak Hi), apabila Fhitung < Ftabel atau sig F > α 5%
Tolak Ho (terima Hi), apabila Fhitung > Ftabel atau sig F < α 5%
Tabel 4.6 Uji Signifikansi Simultan (Uji F) ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression ,891 3 ,297 23,206 ,000b
Residual ,269 21 ,013
Total 1,160 24
a. Dependent Variable: KSIA
b. Predictors: (Constant), DMP, KTI, TP
Sumber: hasil olahan software SPSS 24
Berdasarkan tabel 4.6 diatas bahwa Fhitung sebesar 23,206 sedangkan Ftabel yang dapat dilihat pada α = 0,05 (lihat lampiran
tabel F) dengan tingkat signifikan 0,05 dari perhitungan didapat nilai Fhitung = 23,206 > Ftabel = 3,07 dengan tingkat signifikan 0,000 < 0,05. Oleh karena jauh dibawah 0,05 probabilitasnya maka tolak H0 (terima Hi) Kecanggihan Teknologi informasi (KTI), Teknik Pemakai (TP) dan Dukungan Manajemen Puncak (DMP) berpengaruh secara serempak (simultan) terhadap Kinerja Sistem Informasi Akuntansi.
4.5.3.1 Analisis Koefisien Determinasi
Koefisien determinasi ( ) merupakan suatu nilai (nilai proporsi) yang mengukur seberapa besar kemampuan variabel-variabel bebas yang digunakan dalam persamaan regresi, dalam menerangkan variasi variabel tak bebas (Supranto, 2005:158, Gujarati, 2003:212). Nilai koefisien determinasi berkisar antara 0 dan 1. Nilai koefsien determinasi yang kecil (mendekati nol) berati kemampuan variabel-variabel tak bebas secara simultan dalam menerangkan variasi variabel tak bebas amat terbatas. Nilai koefisien determinasi yang mendekati 1 berarti variabel-variabel bebas memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variasi variabel tak bebas.
Tabel 4.7 Koefisien Determinasi
a. Predictors: (Constant), DMP, KTI, TP b. Dependent Variable: KSIA
Sumber: hasil olahan software SPSS 24
Berdasarkan Tabel 4.5, nilai koefisien determinasi terletak pada kolom Adjusted R-Square. Diketahui nilai koefisien determinasi sebesar . Nilai tersebut berarti seluruh variabel bebas, yakni Kecanggihan Teknologi Informasi, Teknik Pemakai, dan Dukungan Manajemen Puncak secara simultan mempengaruhi variabel Kinerja Sistem Informasi Akuntansi sebesar 73,5%, sisanya sebesar 26,5% dipengaruhi oleh faktor-faktor lain.