Tabel 4.13: Hasil Uji Validitas dari Variabel Penggunaan Sistem Informasi Akuntansi pada UKM Y
Variabel Butir
r
hitung
r
kritis
Keterangan Y
Y.1 0.815
0.30 Valid
Y.2 0.755
0.30 Valid
Y.3 0.771
0.30 Valid
Y.4 0.758
0.30 Valid
Sumber : Lampiran 7 Hasil uji validitas terhadap semua item pertanyaan dari variabel
Penggunaan Sistem Informasi Akuntansi pada UKM menunjukkan nilai r
hitung
r
kritis
, maka semua item pertanyaan tersebut dinyatakan valid.
4.2.2. Uji Realibilitas
Menurut Nugroho 2005:72 pengukuran reliabilitas menggunakan nilai Cronbach Alpha yaitu suatu konstruk atau variabel dikatakan reliabel
jika memberikan nilai Cronbach Alpha 0,6. Ringkasan hasil uji reliabilitas disajikan pada Tabel 4.14 di bawah ini, dimana hasil uji
reliabilitas secara lengkap dapat pula dilihat pada Tabel 4.14: Hasil Uji Reliabilitas
Variabel Koefisien Alpha
Cronbach’s Nilai batas
Ket Tingkat Pelatihan X
1
0,627 0,60
Reliabel Tingkat Pendidikan X
2
0,914 0,60
Reliabel Tingkat Pemahaman X
3
0,754 0,60
Reliabel Investasi Dibidang Teknologi X
4
0,878 0,60
Reliabel Penggunaan Informasi Kuntansi Y
0,896 0,60
Reliabel Sumber : Lampiran 3,4,5,6
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Hasil uji reliabilitas di atas dapat diketahui bahwa semua variabel dalam
penelitian ini memiliki nilai koefisien Alpha Cronbach’s 0,60, maka dapat disimpulkan bawa ketiga variabel di atas adalah andal
reliabel.
4.2.3. Uji Normalitas Data
Uji normalitas digunakan untuk menguji apakah data yang diperoleh sudah mengikuti sebaran normal atau tidak. Uji ini dilakukan dengan
melihat range data. Data dapat dikatakan baik apabila penyebarannya normal serta tidak terlalu luas. Untuk dapat menentukan bahwa persebaran
data normal ada beberapa cara, yakni : 4.2.3.1.
P-P Plot
P-P plot merupakan sebuah kurva yang digunakan untuk dapat menguji apakah suatu variabel dianggap normal atau tidak. Variabel
dapat dikatakan memenuhi asumsi normalitas apabila P-P plot menunjukan persebaran data relatif mengikuti garis diagonal atau lebih
sering disebut normal plot. Sebaliknya Suatu variabel dikatakan tidak memenuhi asumsi normalitas apabila P-P plot menunjukan persebaran
data yang melebar atau menjauhi garis normal plot.
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Gambar 4 : Grafik P-PLOT
Sumber : Lampiran 8 Terlihat pada grafik diatas bahwa grafik normal plot variabel
pelatihan, pendidikan, pemahaman, dan investasi dibidang teknologi memberikan gambaran tentang pola distribusi normal. Hal ini ditunjukan
dari pola persebaran data dari bawah hingga atas yang mengikuti pergerakan dari garis diagonal sendiri hal ini membuktikan bahwa
variabel pelatihan, pendidikan, pemahaman, dan investasi dibidang teknologi memiliki distribusi yang normal.
4.2.3.2. Uji Kolmogorov-Smirnov
Uji Kolmogorov-Smirnov merupakan salah satu uji normalitas yang sering digunakan karena kemudahan dan reliabilitasnya dibandingkan
dengan P-P plot. Cara untuk melakukan uji Kolmogorov-Smirnov adalah dengan menggunakan SPSS versi 16.0 dimana nilai signifikansi dari tabel
Kolmogorov-Smirnov harus diatas standard error 0,05 atau 5. Apabila
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
nilai signifikansi diatas dari standar error sebesar 0,05 maka dapat dikatakan bahwa data dari suatu variabel memiliki distribusi yang normal.
Tabel 4.15: Hasil Uji Kolmogorov-Smirnov
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 10
Normal Parameters
a
Mean .0000000
Std. Deviation .25110874
Most Extreme Differences Absolute
.123 Positive
.081 Negative
-.123 Kolmogorov-Smirnov Z
.389 Asymp. Sig. 2-tailed
.998 a. Test distribution is Normal.
Sumber : Lampiran 8 Pada uji Kolmogorov-Smirnov diatas terlihat bahwa signifikansi yang
dihasilkan 0,998 diatas 5. Hal ini membuktikan bahwa data dari variabel yang diteliti memiliki distribusi yang normal dan dapat
dilanjutkan untuk pengujian asumsi klasik lainnya.
4.2.4. Uji Asumsi Klasik
Uji Asumsi klasik digunakan agar model regresi dapat disebut model regresi yang baik. Persamaan regresi yang dihasilkan haruslah bersifat
BLUE Best, Linier, Unbiased, Estimator artinya pengambilan keputusan melalui uji F tidak boleh bias. Untuk menghasilkan keputusan yang
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
BLUE, maka harus dipenuhi tiga asumsi dasar yang tidak boleh dilanggar oleh regresi, yaitu:
1. Tidak boleh ada multikoloniaritas.
2. Tidak boleh ada heteroskedastisitas.
3. Tidak boleh ada autokorelasi.
Apabila salah satu dari tiga asumsi dasar tersebut dilanggar, maka persamaan regresi yang diperoleh tidak lagi bersifat BLUE sehingga
pengambilan keputusan melalui uji t menjadi bias Gujarati, 1995: 153.
4.2.4.1. Uji Multikolinearitas
Uji multikolinearitas dapat diketahui dengan melakukan uji Variance Inflating Factor VIF. Uji VIF merupakan salah satu metode pengujian
yang mudah digunakan dalam menganalisis data apakah terjadi multikolinearitas atau tidak. Deteksi adanya Multikolinearitas yaitu
dengan melihat besarnya VIF Variance Inflation Factor, jika VIF melebihi angka 10, maka variabel tersebut mengindikasikan adanya
multikolinearitas.
Tabel 4.16 : Hasil Uji Multikolinearitas
Collinearity statistics Tolerance
VIF X1
X2 X3
X4 0,558
0,581 0,420
0,704 1.794
1.720 2.380
1.421
Sumber : Lampiran 8
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Berdasarkan hasil perhitungan Lampiran , diperoleh hasil bahwa nilai VIF untuk variabel tingkat pelatihan X1 adalah sebasar 1.794,
variabel tingkat pensdidikan X2 sebesar 1.720, variabel tingkat pemahaman X3 sebesar 2.380, dan variabel ninvestasi di bidang
teknologi X4 sebesar 1.421, atau dapat dilihat bahwa nilai VIF seluruh variabel bebas berkisar diangka 1, artinya seluruh variabel bebas pada
penelitian ini tidak ada gejala multikolinier.
4.2.4.2. Uji Heteroskedastistas
Tujuan dari uji heteroskedastisitas adalah untuk menguji apakah dalam suatu model linear terdapat perbedaan variance dari residual suatu
pengamatan ke
pengamatan yang
lain. Terjadinya
gejala hetdroskedastisitas dapat dilihat dari ketidaksamaan diantara varians
residual dari masing masing variabel bebas. Untuk mendeteksi adanya gejala heterokedastik dilakukan dengan 2 cara yakni menggunakan uji
rank spearman dan menggunakan grafik scatter plot. Menurut Gujarati 1995: 177, mendeteksi adanya heteroskedastisitas
adalah jika nilai probabilitas 0.05 berarti bebas dari heteroskedastisitas dan sebaliknya jika nilai probabilitas 0.05 berarti terkena
heteroskedastisitas.
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Tabel 4.17 : Hasil Uji Heteroskedastistas
Correlations
Unstandardized Residual
Spearmans rho X1
Correlation Coefficient -.147
Sig. 2-tailed .686
N 10
X2 Correlation Coefficient
.049 Sig. 2-tailed
.893 N
10 X3
Correlation Coefficient -.200
Sig. 2-tailed .579
N 10
X4 Correlation Coefficient
-.073 Sig. 2-tailed
.840 N
10
Sumber : Lampiran 8 Tabel di atas menunjukkan bahwa signifikansi dari masing-masing
variabel bebas yaitu diatas 5, yang artinya tidak terjadi heteroskedastisitas pada variabel pelayanan dan fasilitas.
Cara kedua untuk menguji heteroskedastisitas adalah dengan uji scatter plot dimana grafik scatter plot dibuat dengan memasukan variabel
terikat zpred dibagian sumbu x dan residual dari masing masing variabel terikat sresid dibagian sumbu y. Apabila penyebaran data
terlihat acak dan tidak membentuk pola khusus maka dapat dikatakan bahwa tidak terjadi gejala heterokedastik dalam variabel bebas yang akan
diteliti. Sebaliknya apabila ketika melakukan uji scatter plot terjadi pola
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
data yang mengumpul dan membentuk suatu pola khusus maka dapat dikatakan data tersebut mengalami gejala heterokedastik.
Gambar 5 : Grafik Scatter Plot
Sumber : Lampiran 8 Terlihat pada grafik di atas bahwa data dari variabel bebas yang
diteliti menyebar terpencar secara acak tersebar diantara 0 pada sumbu Y dan tidak membentuk pola khusus. Maka dapat dikatakan tidak ada
gejala heterokedastik dalam variabel bebas.
4.2.5. Uji Regresi Linier Berganda
Uji regresi linear dilakukan atas variabel pelatihan, pendidikan, pemahaman, dan investasi terhadap penggunaan system informasi
akuntansi disajikan dalam tabel di bawah ini:
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Tabel 4.18 : Hasil Uji Regresi Linear Berganda
Model Unstandardized Coefficients
B Std. Error
Constanta -0.406
1.275 X1
0.194 0.133
X2 0.041
0.150 X3
0.228 0.260
X4 0.680
0.107 Sumber : Lampiran 8
Dari hasil tabel diatas persamaan untuk membentuk model regresi linear dapat dilihat pada tabel unstandarized coefficient di kolom beta.
Dari Hasil analisis tersebut diperoleh nilai konstanta sebesar -0.406 nilai variabel pelatihan sebesar 0,194, nilai variabel pendidikan sebesar 0,041,
nilai variabel pemahaman sebesar 0.228, dan variabel tingkat investasi sebesar 0.680. Dari nilai tersebut dapat dibentuk model regresi linear
sebagai berikut :
Y = -0,406 + 0,194X1 + 0,041X2 + 0,228X3 + 0,680X4
nilai koefisien regresi dalam persamaan regresi menunjukan bahwa perubahan satu-satuan variabel tingkat pelatihan, tingkat pendidikan,
tingkat pemahaman, dan investasi dibidang teknologi akan menyebabkan perubahan pada variabel penggunaan informasi akuntansi.
a. Konstanta bernilai -0.406 berarti apabila variabel lainnya seperti
pelayanan dan fasilitas tidak dipertimbangkan atau dianggap 0 maka persepsi masyarakat terhadap perbankan syariah sebesar -0.406.
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
b. Nilai koefisien regresi tingkat pelatian X
1
sebesar 0,194 memiliki pengertian bahwa setiap kenaikan 1 satuan dari tingkat pelatian maka
akan memberikan kenaikan penggunaan system informasi akuntansi Y sebesar 0,194 dengan asumsi variabel lain konstan.
c. Nilai koefisien regresi tingkat pendidikan X
2
sebesar 0,041 memiliki pengertian bahwa setiap kenaikan 1 satuan dari tingkat pendidikan
maka akan memberikan kenaikan penggunaan system informasi akuntansi Y sebesar 0,041 dengan asumsi variabel lain konstan.
d. Nilai koefisien regresi tingkat pemahaman X
3
sebesar 0,228 memiliki pengertian bahwa setiap kenaikan 1 satuan dari tingkat pemahaman
maka akan memberikan kenaikan penggunaan system informasi akuntansi Y sebesar 0,228 dengan asumsi variabel lain konstan.
e. Nilai koefisien regresi investasi dibidang teknologi X
4
sebesar 0,680 memiliki pengertian bahwa setiap kenaikan 1 satuan dari investasi
dibidang teknologi maka akan memberikan kenaikan penggunaan system informasi akuntansi Y sebesar 0,680 dengan asumsi variabel
lain konstan.
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
4.2.6. Pengujian Hipotesis
