commit to user
HASIL PENELITIAN DAN PEMBAHASAN
4.3. Uji Kualitas Data
4.3.2 Uji Validitas
Audit Behavior secara umum adalah dan realibel. Uji Reliabilitas dapat dilihat pada tabel 4.3 berikut :
Tabel 4.3 Hasil Uji Reliabilitas
No Variable (Konstruk) Nilai
Cronbach Alpha
Keterangan
1. Locus Of Control (LOC) 0,800 Reliabel
2. Self-Rated Performance (SRP) 0,871 Reliabel
3. Turnover Intention (To_INT) 0,897 Reliabel
4. Dysfunctional audit. Behavior
(DAB)
0,883 Reliabel Sumber: Data Primer Diolah, Juli 2012
Reliabilitas untuk masing-masing variable penelitian memiliki nilai Cronbach Alpha di atas 0,7 yang berarti bahwa semua pertanyaan pada tiap variable penelitian adalah reliable. Hasil output SPSS menunjukan bahwa konstruk Lokus Of Control member nilai Cronbach Alpha 80%, Self Rated Performance 87,1%, Turover Intention 89,7% Dysfunctional Audit Behavior (DAB) 88,3% yang menurut kriteria Nunnaly (1994) dikatakan reliable.
4.3.2 Uji Validitas
Uji validitas digunakan untuk mengukur sah atau valid tidaknya suatu kuesioner. Suatu kuesioner dikatakan valid jika pertanyaan pada kuesioner mampu untuk mengungkap sesuatu yang akan diukur oleh kuesioner tersebut (Ghozali,2011). Dalam penentuan layak atau tidaknya suatu item yang akan digunakan, biasanya dilakukan uji signifikan terhadap skor total. Uji validitas dilakukan pada setiap butir pertanyaan, dan hasilnya dapat dilihat melalui hasil r hitung yang dibandingkan
47 dengan r tabel, dimana r tabel dapat diperoleh melalui df (degree of freedom) = n-2 (signifikansi 5%, n = jumlah sampel). Jika r tabel < r hitung maka valid, namun jika r tabel > dari r hitung maka tidak valid. Diperoleh r table sebesar 0,308 untuk signifikansi 5% dengan jumlah df 41. Berikut hasil uji validitas untuk Lokus of Control :
TABEL 4.3a
Uji Validitas Lokus of Control Butir Pertanyaan Corrected Item Total Corelation Kriteria / Nilai Batas Sinifikansi Keterangan 1 0,48 0,30 0,00 Valid 2 0,46 0,30 0,00 Valid 3 0,52 0,30 0,00 Valid 4 0,64 0,30 0,00 Valid 5 0,52 0,30 0,00 Valid 6 0,57 0,30 0,00 Valid 7 0,77 0,30 0,00 Valid 8 0,76 0,30 0,00 Valid 9 0,53 0,30 0,00 Valid 10 0,70 0,30 0,00 Valid 11 0,64 0,30 0,00 Valid 12 0,74 0,30 0,00 Valid 13 0,62 0,30 0,00 Valid 14 0,68 0,30 0,00 Valid 15 0,70 0,30 0,00 Valid 16 0,53 0,30 0,00 Valid
Sumber : Data primer yang diolah, Juli 2012
Dari table 4.3a di atas terlihat bahwa masing-masing butir pertanyaan untuk faktor Locus Of Control diatas 0,308 dan signifikan < 0,05. Jadi dapat disimpulkan bahwa secara statistic masing-masing indikator pertanyaan untuk Lokus of Control adalah valid dan layak untuk digunakan sebagai data penelitian.
48 Untuk faktor Self Rated Performance, hasil dari uji validitas dapat disajikan sebagai berikut :
TABEL 4.3b
Uji Validitas Self Rated Performance Butir Pertanyaan Corrected Item Total Corelation Kriteria / Nilai Batas Sinifikansi Keterangan 1 0,70 0,30 0,00 Valid 2 0,33 0,30 0,00 Valid 3 0,76 0,30 0,00 Valid 4 0,92 0,30 0,00 Valid 5 0,87 0,30 0,00 Valid 6 0,80 0,30 0,00 Valid 7 0,80 0,30 0,00 Valid
Sumber : Data primer yang diolah, Juli 2012
Dari table 4.3b bahwa masing-masing butir pertanyaan untuk Self Rated Performance di atas kriteria 0,308. Jadi dapat disimpulkan bahwa secara statistik masing-masing indikator untuk faktor Self Rated Performance adalah valid dan layak untuk digunakan sebagai data penelitian.
Untuk faktor Turnover Intention, hasil dari uji validitas dapat disajikan sebagai berikut :
TABEL 4.4c
Uji Validitas Turnover Intention Butir Pertanyaan Corrected Item Total Corelation Kriteria / Nilai Batas Sinifikansi Keterangan 1 0,92 0,30 0,00 Valid 2 0,87 0,30 0,00 Valid 3 0,93 0,30 0,00 Valid
Sumber : Data primer yang diolah, Juli 2012
Dari tampilan output SPSS terlihat bahwa korelasi antara masing-masing indikator terhadapt total skor konstruk menunjukan hasil yang signifikan < 0,05 dan
49 masing-masing butir pertanyaan untuk Turnover Intention di atas kriteria 0,308. Jadi dapat disimpulkan bahwa masing-masing indikator pertanyaan adalah valid.
Untuk faktor Dysfunctional Audit Behavior, hasil dari uji validitas dapat disajikan sebagai berikut :
TABEL 4.3d
Uji Validitas Dysfunctional Audit Behavior Butir Pertanyaan Corrected Item Total Corelation Kriteria / Nilai Batas Sinifikansi Keterangan 1 0,66 0,30 0,00 Valid 2 0,75 0,30 0,00 Valid 3 0,56 0,30 0,00 Valid 4 0,61 0,30 0,00 Valid 5 0,63 0,30 0,00 Valid 6 0,63 0,30 0,00 Valid 7 0,74 0,30 0,00 Valid 8 0,59 0,30 0,00 Valid 9 0,76 0,30 0,00 Valid 10 0,80 0,30 0,00 Valid 11 0,58 0,30 0,00 Valid 12 0,54 0,30 0,00 Valid
Sumber : Data primer yang diolah,Juli 2012
Dari table 4.3d bahwa masing-masing butir pertanyaan terhadapt total skor konstruk untuk Dysfunctional Audit Behaviordi atas kriteria 0,308 dan menunjukan hasil yang signifikan < 0,05. Jadi dapat disimpulkan bahwa secara statistik masing-masing indikator untuk faktor Dysfunctional Audit Behavior adalah valid dan layak untuk digunakan sebagai data penelitian.
50 4.4. Uji Asumsi Klasik
4.4.1. Multikolinieritas
Uji multikolinearitas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas (independen). Jika variabel independen saling berkorelasi, maka variabel-variabel ini tidak orthogonal. Variabel orthogonal adalah variabel independen yang nilai korelasi antar sesama variabel independen sama dengan nol (Gujarati, 2003). Dalam penelitian ini menggunakan persamaan regresi DAB = f (LOC, SRP, TI). Untuk mengetahui apakah terjadi multikolinearitas dapat dilihat dari nilai VIF yang terdapat pada masing-masing variabel seperti terlihat pada Tabel 4.4a. berikut:
Tabel 4.4a.
Hasil Uji Multikolinearitas Model 1 (Constant) Collinearity Statistic Tolerance VIF LOC ,684 1,462 SRP ,553 1,806 TI ,764 1,309
Dependent variable : DAB
Sumber : Data primer yang diolah, 2012
Suatu model regresi dinyatakan bebas dari multikolinearitas adalah jika mempunyai nilai Tolerance dibawah 1 dan nilai VIF dibawah 10. Dari tabel tersebut diperoleh bahwa semua variabel bebas memiliki nilai Tolerance berada dibawah 1 dan nilai VIF jauh di bawah angka 10. Dengan demikian dalam model ini tidak ada
51 masalah multikolinieritas. Kesimpulan ini didukung dengan hasil koefisien korelasi antar variabel seperti pada tabel 4.4b dibawah ini:
TABEL 4.4b.
Hasil Uji Multikolinieritas dengan Perason Correlation Matriks
Model TI LOC SRP 1 Correlation TI 1.000 .056 -.440 LOC .056 1.000 -.527 SRP -.440 -.527 1.000 Covariance TI .114 ,002 -.028 LOC .002 .011 -.011 SRP -.028 -.011 .037
Sumber : Data primer yang diolah, Juli 2012
Untuk melihat ada tidaknya multikolinearitas, dilakukan dengan melihat hasil perhitungan pearson correlation matric. Gujarati (2003) mengatakan bahwa apabila korelasi antara variabel independen melebihi 0.8 maka ada penyakit multikolinearitas. Melihat besaran (koefisien) korelasi antar variabel diatas, tampak korelasi masih dibawah 0,8, maka dapat dikatakan tidak terjadi multikolinearitas.
4.4.2. Normalitas
Uji normalitas data bertujuan untuk menguji apakah dalam model regresi variabel dependen dan variabel independen atau keduanya mempunyai distribusi normal atau tidak. Uji signifikansi pengaruh variabel independen terhadap variabel dependen melalui uji t hanya akan valid jika residual (kesalahan pengganggu) dalam model regresi mempunyai distribusi normal (Gujarati, 2003).
Untuk menguji apakah distribusi data normal atau tidak, ada dua cara untuk mendeteksinya, yaitu dengan analisis grafik dan uji statistik. Analisis grafik
52 merupakan cara yang termudah untuk melihat normalitas residual adalah dengan melihat grafik histogram yang membandingkan antara data observasi dengan distribusi yang mendekati distribusi normal.
Dari gambar 4.1 terlihat bahwa pola distribusi mendekati normal, akan tetapi jika kesimpulan normal tidaknya data hanya dilihat dari grafik histogram, maka hal ini dapat menyesatkan khususnya untuk jumlah sampel yang kecil. Metode lain yang digunakan dalam analisis grafik adalah dengan melihat normal probability plot yang membandingkan distribusi kumulatif dari distribusi normal. Jika distribusi data residual normal, maka garis yang akan menggambarkan data sesungguhnya akan mengikuti garis diagonalnya.
Gambar 4.1.
Hasil Pengujian Normalitas Dengan Grafik Histogram
53 Gambar 4.2.
Hasil Pengujian Normalitas Dengan Normal Probability
Plot
Sumber: Data primer yang diolah, Juli 2012
Grafik probabilitas pada gambar 4.2 diatas sekilas memang terlihat normal karena distribusi data residualnya terlihat mendekati garis normalnya. Namun biasanya hal ini menyesatkan, oleh karena itu analisis statistik digunakan untuk memastikan apakah data tersebut benar-benar normal. Pengujian normalitas data secara analisis statistik dilakukan dengan menggunakan uji Kolmogorov–Smirnov. Secara multivariat pengujian normalitas data dilakukan terhadap nilai residualnya. Data yang berdistribusi normal ditunjukkan dengan nilai asymptotic significance diatas 0,05 (Ghozali, 2011). Hasil pengujian normalitas data terlihat dalam Tabel 4.4c.
54 Tabel 4.4c
Uji Normalitas Klomogorof Smirnov
LOC SRP TI DAB
N 43 43 43 43
Normal Parameter Mean 81.91 36.49 14.12 56.42
Std Deviation 13.036 8.113 3.917 10.210
Most Extreme Difference Absolute .097 .130 .171 0.98
Positive .097 .074 .171 .098 Negative -.082 -.130 -.155 -.076
Klomogorof Smirnov Z .638 .849 1.119 .639
Asymp. Sig. (2-tailed) .811 .466 .164 .808
Sumber: Data primer yang diolah, Juli 2012
Berdasarkan Tabel pengujian normalitas, tampak bahwa residual dalam penelitian ini mengikuti distribusi normal dengan nilai asymptonic significance sebesar 0.811 untuk LOC, 0.466 untuk variable SRP, 0.164 untuk TI dan 0,808 untuk DAB yang menunjukan lebih dari 5%, sehingga dapat disimpulkan bahwa variabel berdistribusi normal.
4.4.3 Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t-1 (sebelumnya). Menurut Gujarati (2003), model regresi yang baik adalah regresi yang bebas dari autokorelasi. Untuk mengetahui ada tidaknya autokorelasi dapat dilihat nilai uji D-W dengan ketentuan sebagai berikut:
55 Gambar 4.3. Statistik d Durbin-Watson Autokorelasi Positif Daerah Ragu-ragu Tidak Ada Autokorelasi Daerah Ragu-ragu Autokorelasi Negatif
d < dL : terdapat gejala autokorelasi positif d > (4 - dL) : terdapat gejala autokorelasi negatif dL < d < (4 - dU) : tidak terdapat gejala autokorelasi dL < d < dU : pengujian tidak meyakinkan
Tabel 4.4d
Hasil Uji Autokorelasi Dengan Uji Durbin-Watson Model Summary
Model R R Square Adjusted R
Square Std. Error the Estimate Durbin-Watson 1 .708ª .501 .463 7.484 1.707
a. Predictor: (Constant), TI, LOC, SRP Sumber: Data sekunder yang diolah, Juli 2012
Berdasar hasil analisis regresi diperoleh nilai hitung Durbin Watson sebesar 1,707; dibandingkan dengan nilai tabel yang menggunakan nilai signifikansi 5%, jumlah sampel 43 dan jumlah variable 3 (k=3) lebih besar dari besarnya DW-tabel: dl (batas luar) = 1,201; du (batas dalam) = 1,474; dan kurang dari 4 – du = 2,526; dan 4 – dl = 2,799, maka dapat disimpulkan bahwa tidak ada autokorelasi positif atau
0 dl du 4-du 4-dl 4
56 negative dan HO diterima (Ghozali,2011) . Hal ini dapat dilihat pada gambar 4.4. sebagai berikut:
Gambar 4.4. Hasil Uji Durbin-Watson Autokorelasi Positif Daerah Ragu-ragu Tidak AdaAutokorelasi Daerah Ragu-ragu Autokorelasi Negatif 4.4.4. Heterokedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varian dari residual satu pengamatan ke pengamatan yang lain. Jika varian dari residual satu pengamatan kepengamatan yang lain tetap, maka disebut homoskedastisitas dan jika berbeda akan disebut heteroskedastisitas. Model regresi yang baik adalah model yang tidak terjadi heteroskedastisitas (Gujarati, 2003). Untuk menentukan heteroskedastisitas dapat menggunakan grafik scatterplot, titik-titik yang terbentuk harus menyebar secara acak, tersebar baik diatas maupun dibawah angka 0 pada sumbu Y, bila kondisi ini terpenuhi maka tidak terjadi heteroskedastisitas dan model regresi layak digunakan. Hasil uji heteroskedastisitasdengan menggunakan grafik scatterplot di tunjukan pada gambar 4.5. berikut ini:
0 1,201 1,474 2,526 2,799 4
1,707
57 HASIL UJI HETEROSKEDASTISITAS DENGAN GRAFIK SCATTERPLOT
GAMBAR 4.5
Sumber: Data yang diolah, Juli 2012
Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara acak serta tersebar baik diatas maupun dibawah angka 0 pada sumbu Y. dengan demikian dapat disimpulkan bahwa model regresi ini tidak terjadi heteroskedastisitas (Ghozali,2011).
4.5. Pengujian Hipotesis