54 mampu memperoleh data yang konsisten yang berarti bila pernyataan itu diajukan
kembali akan diperoleh jawaban yang relatif sama dengan jawaban sebelumnya.
4.4 HASIL UJI ASUMSI KLASIK 4.4.1 UJI NORMALITAS
Uji normalitas digunakan untuk menguji apakah dalam sebuah model regresi, variabel dependen dan variabel independen atau keduanya mempunyai distribusi
normal atau tidak. Suatu data akan berdistribusi normal jika grafik histogram menyerupai bel yang menghadap ke atas. Hal ini bisa dilihat dalam tampilan
grafik berikut ini :
Gambar 4.1 Uji Normalitas Histogram
Sumber : Data primer yang diolah, 2016
Sementara dilihat dari grafik PP Plot, data dikatakan terdistribusi normal jika penyebaran data menggambarkan titik-titik yang menyebar di sekitar garis
Universitas Sumatera Utara
55 diagonal dan mengikuti arah garis diagonal pada normal probability plot. Kedua
grafik ini menunjukkan bahwa normalitas data terpenuhi. Hal ini bisa dilihat dalam tampilan grafik normal probability plot.Model regresi yang baik adalah
distribusi data normal atau mendekati normal.
Gambar 4.2 Uji Normalitas Grafik PP Plots
Sumber : Data primer yang diolah, 2016 Berdasarkan grafik normal plot pada gambar 4.2 menunjukkan bahwa model
regresi layak dipakai dalam penelitian ini karena pada grafik normal plot terlihat titik-titik menyebar di sekitar garis diagonal serta penyebarannya mengikuti arah
garis diagonal sehingga memenuhi asumsi normalitas.
Pengujian normalitias dapat juga diuji secara statistik dengan menggunakan uji Kolmogorov-Smirnov. Uji K-S dibuat
dengan membuat hipotesis:
Universitas Sumatera Utara
56 H
: Data residual berdistribusi normal; Bila sig 0,05 dengan α = 5,
Ha : Data residual tidak berdistribusi normal; bila sig 0,05 dengan α = 5,
Hasil dari uji normalitas dengan menggunakan tes Kolmogorov- Smirnov ditunjukkan pada tabel berikut :
Tabel 4.11 Uji Kolmogrov Smirnov
Nama Variabel Kolmograv
- smirnov Asymp.sig.
2-tailed Keterangan
Nilai informasi pelaporan keuanganY 1.051 0.220
Normal Kualitas sumber daya manusia X1
0.667 0.766
Normal Pemanfaatan teknologi informasi X2
0.535 0.937
Normal Sistem pengendalian intern X3
1.108 0.171
Normal Sumber : Data Primer diolah tahun 2016
Berdasarkan hasil pengujian Kolmogrov-smirnov pada tabel 4.11, terlihat bahwa masing-masing variabel memiliki nilai kolmograv-smirnov lebih besar dari 0,05,
sehingga variabel penelitian ini berdistribusi normal
4.4.2 Uji Multikolinearitas
Uji Multikolinearitas dalam penelitian ini adalah dengan melihat koefisien Variance Inflation Factor VIF dan nilai Tolerance. Menurut Nunnally 1967
bahwa: “Nilai cutoff yang umum dipakai untuk menunjukkan adanya multikolonieritas adalah nilai Tolerance 0,1 atau sama dengan nilai VIF 10
dengan kata lain data yang baik dapat dilihat apabila memiliki nilai Tolerance lebih besar dari 0,10 dan nilai VIF lebih kecil dari 10 dan apabila nilai Tolerance
dan VIF tidak sesuai dengan ketentuan tersebut maka data penelitian mengandungmultikolinearitas yang berarti tidak layak digunakan sebagai data
penelitian. Berikut adalah hasil uji multikolinearitas dari output SPSS yang dilakukan
.
Universitas Sumatera Utara
57
Tabel 4.12 Hasil Uji Multikolinieritas
Model Collinearity
Statistics Keterangan
Tolerance VIF
Kualitas sumber daya manusia X1
0.744 1.345
Tidak terjadi multikolinearitas
Pemanfaatan teknologi informasi X2
0.837 1.195
Tidak terjadi multikolinearitas
System pengendalian intern X3
0.804 1.244
Tidak terjadi multikolinearitas
Sumber : data primer yang diolah 2016 Hasil perhitungan nilai tolerance untuk kualitas sumber daya manusia
0.774, pemanfaatan teknologi informasi 0.837, dan sistem pengendalian inter 0.804, nilai tersebutmenunjukkan tidak ada variabel independen yang memiliki
nilai tolerance 0,10 yang berarti tidak ada kolerasi antar variabel independen. Hasil perhitungan nilai Variance Inflation Factor VIF juga menunjukkan hal
yang sama, dengan nilai VIF untuk masing-masing variabel kualitas sumber daya manusia 1.345, pemanfaatan teknologi informasi 1.195 dan sistem pengendalian
intern 1.244. Jadi tidak ada variabel yang memiliki nilai VIF 0.10. Maka kesimpulan yang diperoleh adalah tidak terjadi gejala multikolinearitas dalam
variabel independennya.
4.4.3 Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan varians dari residual satu pengamatan kepengamatan yang lain.
Jika varians dari residual satu pengamatan kepengamatan lain tetap, maka dapat disebut homoskedastisitas dan jika berbeda disebut heteroskedastisitas. Model
Universitas Sumatera Utara
58 regresi yang baik adalah yang homoskedastisitas atau tidak terjadi
heteroskedastisitas.
Gambar 4.3 Grafik Scatterplot
Sumber : Data primer yang diolah, 2016 Berdasarkan gambar 4.3, grafik scatterplot menunjukkan bahwa data tersebar
diatas dan dibawah angka 0 nol pada sumbu Y dan tidak terdapat suatu pola yang jelas pada penyebaran data tersebut.Hal ini berarti tidak terjadi
heteroskedastisitas pada model regresi.Jadi dapat disimpulkan bahwa model regresi penelitian ini layak digunakan untuk memprediksi nilai informasi
pelaporan keuangan pemerintah daerah berdasarkan variabel yang mempengaruhinya, yaitu kualitas sumber daya manusia, pemanfaatan teknologi
informasi dan sistem pengendalian intern. 4.4.4 Uji Autokolerasi
Uji ini dilakukan dengan menggunakan analisis Durbin Watson DW test. Pengambilan keputusan pada asumsi ini memerlukan dua nilai bantu yang
Universitas Sumatera Utara
59 diperoleh dari tabel Durbin Watson yang terdapat pada lampiran 3, yaitu nilai dL
dan dU untuk k = jumlah variabel bebas dan n = jumlah sampel. Jika nilai DW berada diantara nilai du hingga 4-dU, berarti asumsi tidak terjadi autokorelasi
terpenuhi.Adapun kriteria dalam penentuan autokorelasi adalah sebagai berikut : 1
Jika DW dL atau DW 4-dL maka terdapat autokorelasi. 2
Jika dL DW dU atau 4-dU DW 4-dL maka status autokorelasi tidak dapat dijelaskan inconclusive.
3 Jika dU DW 4-dU maka tidak terjadi autokorelasi Non
Autokorelasi. Tabel 4.13 digunakan untuk melihat nilai Durbin Watson yang didapat dengan
menggunakan bantuan SPSS Versi 21. Tabel 4.11 digunakan untuk melihat nilai Durbin Watson yang didapat dengan menggunakan bantuan SPSS Versi 21. Tabel
DW yang terdapat pada lampiran 3 menunjukkan bahwa dengan n = 45, k = 4, maka akan diperoleh nilai dL = 1.16 dan dU = 1.53 dan 4-dU = 4 –1.16 = 2.84
Tabel 4.12 Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of
the Estimate Durbin-Watson
1 0.309
a
0.096 0.029
5.860 1.412
a. Predictors: Constant, Sistem pengendalian intern, Pemanfaatan teknologi informasi, Kualitas sumber daya manusia
b. Dependent Variable: Nilai informasi pelaporan keuangan
Tabel 4.11 menunjukkan bahwa DW test sebesar = 1,412, Ini menyimpulkan
bahwa nilai dL DW dU 1.16 1.412 1.53 dan nilai dU berada diatas 0,
Universitas Sumatera Utara
60 maka dari tabel keputusan H
yang menyatakan tidak ada autokorelasi positif ditolak, yang berarti terdapat autokorelasi positif.
4.5 Uji Hipotesis 4.5.1 Uji Signifikansi Individual Uji-t