4.4.1. Uji Normalitas
Uji F dan uji t pada analisis regresi mengansumsikan bahwa nilai residual mengikuti distribusi normal. Oleh karena itu dilakukan pengujian
normalitas pada residual yang dihasilkan model regresi. Prosedur uji normalitas dilakukan dengan uji kolmogorov smirnov. Jika nilai
signifikansi uji kolmogorov smirnov 0.05 α=5, maka residual model
regresi berdistribusi normal Sumarsono, 2004:40. Berikut adalah hasil uji normalitas residual:
Tabel 4.12. : Hasil Uji Normalitas Unstandardized
Residual Kolmogorov Smirnov Z
0.381 Nilai Signifikansi
0.999 Sumber : Lampiran 8
Berdasarkan Tabel 4.12 dapat diketahui bahwa nilai signifikan uji kolmogorov smirnov
lebih besar dari 0.05 yaitu 0.999, maka disimpulkan bahwa residual model regresi berdistribusi normal.
4.4.2. Uji Asumsi Klasik
Untuk mengetahui apakah model regresi yang dihasilkan merupakan model regresi yang menghasilkan estimator linier tidak bias
terbaik, maka perlu dilakukan pengujian gejala penyimpangan asumsi model klasik. Asumsi klasik pertama yang harus dipenuhi untuk
mendapatkan model regresi yang baik adalah non autokorelasi, non multikolinieritas dan non heteroskedastisitas. Dari ketiga asumsi tersebut
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
tidak dilakukan pengujian terhadap gejala autokorelasi. Pengujian gejala autokorelasi merupakan korelasi antar data yang dihitung atau disusun
berdasarkan data time series, sedangkan data yang digunakan pada penelitian ini adalah data cross section dimana data yang diambil adalah
data yang ada pada saat kuesioner disebar.
4.4.2.1.Multikolinieritas
Multikolinieritas menunjukkan adanya hubungan linier sempurna antara variabel bebas dalam model regresi. Model regresi yang baik tidak
menunjukkan adanya gejala multikolinieritas. Pendeteksian ada atau tidaknya multikolinieritas dilakukan dengan melihat nilai VIF. Apabila
nilai VIF 10, maka model regresi bebas dari multikolinieritas Ghozali, 2006:95. Berikut adalah hasil uji multikolinieritas:
Tabel 4.13. : Hasil Uji Multikolinieritas Variabel
Colinierity Statistics Tolerance
VIF Partisipasi Pemakai X
1
0.657 1.521
Kemampuan Teknik Personal X
2
0.944 1.059
Dukungan Manajemen Puncak X
3
0.699 1.430
Program Pelatihan dan Pendidikan X
4
0.624 1.602
Sumber : Lampiran 9 Tabel 4.13 menunjukkan bahwa nilai VIF keempat variabel bebas
di bawah angka 10, sehingga dapat dikatakan model regresi bebas dari multikolinieritas, dengan demikian asumsi non multikolinieritas terpenuhi.
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
4.4.2.2.Heteroskedastisitas
Heteroskedastisitas menunjukkan adanya ketidaksamaan varians dari residual atas suatu pengamatan ke pengamatan yang lain. Model
regresi yang baik tidak menunjukkan adanya gejala heteroskedastisitas. Pendeteksian ada atau tidaknya heteroskedastisitas dilakukan dengan
metode korelasi rank spearman. Jika korelasi rank spearman menghasilkan nilai signifikansi 0.05 α=5, maka disimpulkan dalam
model regresi tidak terjadi heteroskedastisitas Ghozali, 2006:105. Berikut adalah hasil uji heteroskedastisitas:
Tabel 4.14. : Hasil Uji Heteroskedastisitas Variabel Bebas
Korelasi Rank
Spearman Signifikansi
Partisipasi Pemakai X
1
0.040 0.875
Kemampuan Teknik Personal X
2
0.151 0.549
Dukungan Manajemen Puncak X
3
0.071 0.778
Program Pelatihan dan Pendidikan X
4
0.031 0.902
Partisipasi Pemakai X
1
0.040 0.875
Sumber : Lampiran 8 Tabel 4.14 menunjukkan bahwa nilai signifikansi korelasi rank
spearman untuk variabel partisipasi pemakai, kemampuan teknik personal,
dukungan manajemen puncak, program pelatihan dan pendidikan semuanya lebih besar dari 0.05
α=5, sehingga disimpulkan tidak terjadi heteroskedastisitas pada model regresi, dengan demikian asumsi non
heteroskedastisitas telah terpenuhi.
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
4.4.3. Hasil Regresi
Kategori