sebaran normal. Pengujian normalitas dilakukan terhadap nilai residual menggunakan statistik uji Kolmogorov Smirnov. Apabila nilai signifikansi
yang dihasilkan uji Kolmororov Smirnov lebih besar dari 0.05 α = 5,
maka distribusi adalah normal Sumarsono, 2004:43. Hasil pengujian normalitas menggunakan uji Kolmogorov
Smirnov adalah sebagai berikut:
Tabel 17 : Hasil Uji Normalitas
Unstandardized Residual
Kolmogorov ‐Smirnov Z
0,425 Nilai
Signifikansi 0,994
Sumber : Data hasil kuesioner Lampiran 4-A Berdasarkan hasil uji Kolmororov Smirnov didapat nilai
signifikan lebih besar dari tingkat signifikan α = 0.05, yaitu 0.994, maka
disimpulkan residual berdistribusi normal, sehingga asumsi normalitas terpenuhi.
4.4 Uji Asumsi Klasik
4.4.1 Autokorelasi
Autokorelasi menunjukkan dalam model regresi terdapat korelasi antara kesalahan pada periode t-1 sebelumnya Ghozali, 2006:95.
Pendeteksian atau tidaknya autokorelasi dalam penelitian ini tidak dilakukan karena gejala autokorelasi biasanya terjadi pada data time series,
sedangkan data yang digunakan dalam penelitian ini adalah data cross section.
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
4.4.2 Multikolinieritas
Multikolinieritas menunjukkan dalam model regresi ditemukan adanya korelasi antar variabel bebas independent. Model regresi yang
baik seharusnya tidak terjadi korelasi antara variabel independen. Pendeteksian ada atau tidaknya multikolinieritas menggunakan nilai
Variance Inflation Factor VIF. Apabila nilai VIF 10 maka tidak terjadi
multikolinieritas Ghozali, 2006:92. Berdasarkan analisis yang dilakukan, diperoleh nilai Variance
Inflation Factor VIF sebagai berikut:
Tabel 18 : Hasil uji Multikolinieritas
Variabel Bebas
Tolerance VIF
Partisipasi Pemakai X
1
0,535 1,869
Dukungan Manajemen Puncak X
2
0,667 1,499
Kemampuan Teknik Personal Sistem Informasi X
3
0,574 1,743
Keberadaan Program Pelatihan dan Pendidikan
Pemakai X
4
0,836 1,197
Sumber : Data hasil kuesioner Lampiran 4-D Berdasarkan tabel diatas terlihat bahwa nilaiVIF keempat variabel
bebas berada dibawah 10, sehingga dapat dikatakan tidak terjadi gejala multikolinieritas diantara masing-masing variabel bebas. Dengan demikian
asumsi tidak ada multikolinieritas terpenuhi.
4.4.3 Heterokedastisitas
Heterokedastisitas menunjukkan dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan
yang lain. Model regresi yang baik adalah model regresi yang tidak
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
mengandung adanya heterokedastisitas. Pendeteksian ada atau tidaknya heterokedastisitas dilakukan menggunakan metode korelasi Rank
Spearman , yaitu dengan mengkorelasikanmasing-masing variabel bebas
dengan nilai residual. Jika signifikansi Rank Spearman 0.05 α = 5,
maka model regresi bebas dari heterokedastisitas. Berikut hasil uji heterokedastisitas untuk masing-masing variabel
bebas menggunakan korelasi Rank Spearman.
Tabel 19 : Hasil Uji Heterokedastisitas
Variabel Bebas
Nilai Signifikansi Korelasi
Rank
Spearman
Partisipasi Pemakai X
1
0,405 Dukungan
Manajemen Puncak X
2
0,425 Kemampuan
Teknik Personal Sistem Informasi X
3
0,313 Keberadaan
Program Pelatihan dan Pendidikan Pemakai
X
4
0,490
Sumber : Data hasil kuesioner Lampiran 4-B Hasil analisis diatas menunjukkan bahwa nilai signifikan korelasi
Rank Spearman untuk keempat variabel bebas, semuanya lebih besar dari
0.05, yang berarti tidak terdapat korelasi signifikan antara residual dengan variabel bebasnya. Berdasarkan hasil tersebut, maka dapat disimpulkan
bahwa tidak terjadi heterokedastisitas, sehingga asumsi tidak ada heterokedastisitas terpenuhi.
4.5 Analisis Regresi Linier Berganda