BAB IV Hasil Penelitian dan Pembahasan
4.2 Hasil Penelitian
4.2.2 Analisis Regresi Berganda
4.2.2.1 Uji Asumsi Klasik
Uji asumsi klasik yang digunakan dalam penelitian ini adalah uji normalitas, linearitas, multikolinearitas dan uji heteroskedastisitas. Uji asumsi klasik dalam penelitian ini adalah untuk mengestimasi suatu garis regresi dengan jalan meminimalkan jumlah dari kuadrat kesalahan setiap observasi terhadap garis tersebut (Ghozali, 2011:96).
4.2.2.1.1 Uji Normalitas
Menurut Ghozali (2011:160) uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal. Uji normalitas dapat dilakukan menggunakan uji statistik non- parametrik Kolmogorov-Smirnov. Berikut hasil perhitungan SPSS:
Tabel 4.11
Uji ormalitas One-Sample Kolmogorov-Smirnov Test
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 35
Normal Parametersa,,b Mean .0000000
Std. Deviation 2.59118864
Most Extreme Differences Absolute .074
Positive .071
Negative -.074
Kolmogorov-Smirnov Z .439
Asymp. Sig. (2-tailed) .991
a. Test distribution is Normal.
b. Calculated from data.
Sumber: Hasil Pengolahan SPSS 17
Besarnya nilai Kolmogorov-Smirnov dengan Kegunaan sistem akuntansi keuangan daerah sebagai variabel dependen adalah 0,43 dan signifikansi 0,1 yang nilainya diatas 0,05. Besarnya nilai ini mengindikasikan bahwa data residual berdistribusi normal.
4.2.2.1.2 Uji Linearitas
Uji ini digunakan untuk melihat apakah spesifikasi model yang digunakan sudah benar atau tidak. Dengan uji linearitas akan diperoleh informasi apakah model empiris sebaiknya linear, kuadrat, atau kubik (Ghozali, 2011:166).
Uji linearitas dapat dilihat pada output SPSS dalam kolom linearity pada ANOVA Table pada taraf signifikansi 0,05. Variabel dikatakan mempunyai hubungan
linear apabila signifikansi kurang dari 0,05. Adapun hasil uji linearitas dengan bantuan program SPSS dapat dilihat pada tabel berikut:
Tabel 4.12 Hasil Uji Linearitas
Kegunaan Sistem Akuntansi Keuangan Daerah dengan Pelatihan
ANOVA Table
Sum of Squares Df Mean Square F Sig.
KSAKD*
Pelatihan
Between Groups
(Combined) 482.419 12 40.202 22.410 .000
Linearity 220.503 1 220.503 122.915 .000
Deviation from Linearity
261.916 11 23.811 13.273 .000
Within Groups 39.467 22 1.794
Total 521.886 34
Sumber: Data penelitian diolah 201
Berdasarkan tabel di atas terlihat nilai signifikansi pada kolom linearity untuk variabel Pelatihan adalah 0,000. Karena signifikansi kurang dari 0,05 dapat dikatakan bahwa antara pelatihan terhadap kegunaan sistem akuntansi keuangan daerah terdapat hubungan yang linear.
Tabel 4.13 Hasil Uji Linearitas
Kegunaan Sistem Akuntansi Keuangan Daerah dengan kejelasan Tujuan
ANOVA Table
Sum of Squares df Mean Square F Sig.
KSAKD*
Kejelasan Tujuan
Between Groups
(Combined) 394.190 9 43.799 8.575 .000
Linearity 276.323 1 276.323 54.098 .000
Deviation from Linearity
117.868 8 14.733 2.884 .020
Within Groups 127.695 25 5.108
Total 521.886 34
Sumber: Data penelitian diolah 201
Berdasarkan tabel di atas terlihat nilai signifikansi pada kolom linearity untuk variabel kejelasan tujuan adalah 0,000. Karena signifikansi kurang dari 0,05 dapat dikatakan bahwa antara kejelasan tujuan terhadap kegunaan sistem akuntansi keuangan daerah terdapat hubungan yang linear.
Tabel 4.14 Hasil Linearitas
Kegunaan sistem akuntansi keuangan daerah dengan dukungan atasan
ANOVA Table
Sum of Squares df Mean Square F Sig.
KSAKD*
Dukungan Atasan
Between Groups
(Combined) 404.205 12 33.684 6.297 .000
Linearity 148.348 1 148.348 27.733 .000
Deviation from Linearity
255.856 11 23.260 4.348 .002
Within Groups 117.681 22 5.349
Total 521.886 34
Sumber: Data penelitian diolah 201
Berdasarkan tabel di atas terlihat nilai signifikansi pada kolom linearity untuk variabel dukungan atasan adalah 0,000. Karena signifikansi kurang dari 0,05 dapat dikatakan bahwa antara dukungan atasan terhadap kegunaan sistem akuntansi keuangan daerah terdapat hubungan yang linear.
4.2.2.1.3 Uji Multikolinearitas
Model regresi yang baik tidak terjadi korelasi antar variable bebas.
Untuk mendeteksi multikolinearitas di dalam model regresi adalah dengan melihat nilai tolerance dan VIF. Apabila tolerance ≥ 0,10 (10%) dan VIF ≤ 10.
Tabel 4.15 Hasil Uji Multikolinearitas
Coefficientsa
Model
Unstandardized Coefficients
Standardized Coefficients
T Sig.
Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 14.427 4.177 3.454 .002
Pelatihan .120 .177 .138 .680 .502 .343 2.919
Kejelasan Tujuan .772 .273 .855 2.832 .008 .155 6.461
Dukungan Atasan -.209 .172 -.280 -1.217 .233 .266 3.753
a. Dependent Variable: KSAKD
Sumber: Hasil Pengolahan SPSS 17
Berdasarkan tabel terlihat bahwa semua variabel bebas mempunyai nilai tolerance lebih dari 0,10 dan nilai VIF kurang dari 10. Jadi dapat dikatakan bahwa tidak ada multikolinearitas antar variabel bebas pada model regresi. Hasil
perhitungan nilai Tolerance menunjukkan tidak ada variabel independen yang memilki nilai Tolenrance kurang dari 0,10, yakni pelatihan 0,343 > 0,10, kejelasan tujuan 0,155 > 0,10, dukungan atasan 0,729 > 0,10. Hasil perhitungan nilai Variance Inflatin Factor (VIF) juga menunjukkan hal yang sama, tidak ada satu variabel independen yang memilki nila VIF lebih dari 10, yakni pelatihan 2,1 < 10, dukungan atasan 6,461 < 10, dan dukungan atasan 3,753 < 10. Jadi, dapat disimpulkan bahwa tidak ada multikolonieritas antar variabel independen dalam model regresi ini.
4.2.2.1.4 Heteroskedastisitas
Uji heterokedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual suatu pengamatan ke pengamatan yang lain. Model regresi yang baik adalah yang homoskedastisitas.
Untuk mengetahui terjadi heteroskedastisitas dapat dilakukan dengan mengamati grafik scatterplot dengan pola titik-titik yang menyebar diatas dan dibawah sumbu Y. berikut hasil pengolahan menggunakan program SPSS 17:
Gambar 4.2 Hasil Uji Heteroskedastisitas
Sumber: Hasil Outpun SPSS 17
Gambar 4.1 diatas terlihat bahwa tititk-titik menyebar secara acak serta tersebar baik di atas maupun dibawah angka 0 pada sumbu Y. hal ini dapat
disimpulkan bahwa terjadi homoskedastisitas atau tidak terjadi heteroskedastisitas pada model regresi, sehingga model regresi layak dipakai untuk memprediksi kegunaan sistem akuntansi keuangan daerah berdasarkan masukan variabel independen pelatihan, kejelasan tujuan dan dukungan atasan. Analisis dengan grafik plots memilki kelemahan yang cukup signifikan karena kemungkinan adanya bias dalam pengamatan gambar 4.2 oleh karena itu diperlukan uji statistik dengan menggunakan uji glejser agar keakuratan pengujian lebih terjamin.
Tabel 4.16 Hasil Uji Glejser
Coefficientsa
Model
Unstandardized Coefficients
Standardized Coefficients
T Sig.
B Std. Error Beta
1 (Constant) 8.933 2.062 4.333 .000
Pelatihan .017 .087 .052 .200 .842
Kejelasan Tujuan -.015 .135 -.041 -.108 .915
Dukungan Atasan -.156 .085 -.539 -1.843 .075
a. Dependent Variable: ABS_RES2 Sumber: Hasil Pengolahan SPSS 17
Hasil uji glejser diatas menunjukkan bahwa seluruh variabel independen memilki nilai probabilitas signifikansi diatas 0,05. Hasil ini berarti tidak ada satupun variabel independen yang signifikan secara statistik mempengaruhi variabel dependen nilai AbRes. Jadi dapat disimpulkan model rgresi tidak mengandung adanya heteroskedastisitas.