UJI ASUMSI KLASIK

C. UJI ASUMSI KLASIK

1. UJI NORMALITAS

Uji normalitas digunakan untuk menentukan statistik induktif yang seharusnya digunakan, apakah menggunakan statistik parametrik ataukah nonparametrik. Berdasarkan output uji Kolmogrov-Smirnov dengan menggunakan bantuan program SPSS 16 for windows, maka hasil analisisnya dapat dilihat pada tabel dibawah ini.

TABEL IV.11

Uji Normalitas Kolmogrov-Smirnov

Berdistribusi normal Pemanfaatan teknologi

Kompleksitas Tugas

Berdistribusi normal informasi Kemampuan pemakai

Berdistribusi normal Kinerja akuntan publik

Berdistribusi normal Sumber: data primer yang diolah

Normalitas ditentukan apabila p-value atau nilai probabilitas lebih besar dari 0,05 (Santoso, 2001). Dari tabel diatas ditunjukkan bahwa semua variable berdistribusi normal karena p-value lebih besar dari 0,05.

GAMBAR IV.I

Uji Normalitas P-P Plot

Normal P-P Plot of Regression Standa Dependent Variable: Kinerja

c te e x p E 0.00

Observed Cum Prob Uji normalitas juga dapat dilakukan dengan menggunakan diagram P-P Plot. Gambar P-P Plot menunjukkan bahwa gambar tidak menyebar

dan tetap berada ditengah sehingga menjelaskan bahwa data normal.

2. UJI AUTOKORELASI

Uji autokorelasi digunakan untuk mengetahui adanya korelasi antar faktor gangguan. Untuk mendeteksi terjadinya autokorelasi biasanya digunakan uji Durbin-watson (Ghozali, 2001). Jika Durbin-Watson terletak antara batas atas atau upper bound (du) dan ( 4-du ), maka koefisien autokorelasi sama dengan nol, berarti tidak ada autokorelasi. Hasil pengujian Durbin-Watson ditunjukkan dalam tabel

IV.12.

TABEL IV.12 Uji Autokorelasi

Model R

Adjusted R

Std. Error of Durbin -

Square

Square

the Estimate Watson

1,582 Sumber: data primer diolah

Dari tabel IV.12 dapat dilihat bahwa nilai Durbin-Watson adalah 1,582. Nilai ini akan kita bandingkan dengan nilai tabel dengan menggunakan derajat kepercayaan 5%. Jumlah sampel 60 dan jumlah variabel bebas adalah 3, maka di tabel Durbin-Watson akan didapat nilai

1 d = 1,450 dan u d = 1,567 dengan tingkat signifikan 5%. Hasil pengujian menjelaskan telah menjelaskan uji Durbin-Watson: d u < d hitung < (4 - d u ) yaitu 1,567 < 1,582 < (4-1,567). Maka dari pengujian diatas dapat

dikatakan bahwa dalam penelitian ini tidak ada autokorelasi.

3. UJI HETEROKEDASTISITAS

Uji heterokedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual dari satu pengamatan ke pengamatan yang lain jika tetap, disebut homokedastisitas dan jika berbeda disebut heterokedastisitas (Ghozali, 2001). Uji heterokedastisitas bisa dilakukan dengan cara membandingkan nilai t hitung atau output SPSS dengan nilai t tabel . Jika

t hitung < t tabel maka tidak terjadi heterokedastisitas atau dengan melihat t hitung < t tabel maka tidak terjadi heterokedastisitas atau dengan melihat

TABEL IV.13 Uji Heterokedastisitas

Variabel

Interprestasi Kompleksitas tugas

Sign

Homoskedastisitas Pemanfaatan TI

Homoskedastisitas Kemampuan pemakai

Dari tabel IV.13 dapat dilihat bahwa semua variabel bebas tidak terjadi heterokedastisitas atau homoskedastisitas yaitu nilai probabilitas signifikannya lebih besar dari 0,05. Metode lain yang dapat digunakan untuk menguji adanya gejala ini adalah dengan melihat grafik plotarta nilai prediksi variable terikat (ZPRED) dengan residualnya (SPRESID).

GAMBAR IV.II

Uji Heterokedastisitas

Scatterplot lu e a Dependent Variable: Kinerja

Regression Standardized Residual Gambar Scatterplot menunjukkan tidak ada pola yang jelas serta titik-

titik menyebar diatas dan dibawah angka 0, pada sumbu Y, maka tidak terjadi heterokedastisitas.

4. UJI MULTIKOLINIERITAS

Uji multikolinieritas adalah hubungan linier yang sempurna atau pasti di antara beberapa atau semua variabel independen dari model regresi.

TABEL IV.14 Uji Multikolinieritas

Tidak terjadi multikolinieritas Pemanfaatan TI

Tidak terjadi multikolinieritas Kemampuan

Tidak terjadi multikolinieritas Sumber: data primer diolah.

Hasil perhitungan nilai tolerance menunjukkan tidak ada variabel bebas yang memiliki nilai tolerance kurang dari 10% dan tidak ada satu variabel bebas pun yang memiliki VIF (Variance Inflation Factor) lebih dari 10. Jadi dapat disimpulkan bahwa tidak ada multikolinieritas antara variabel bebas dalam model regresi.