Hasil Uji Asumsi Klasik .1Uji Normalitas

4.2 Hasil Uji Asumsi Klasik 4.2.1Uji Normalitas

Uji normalitas bertujuan untuk mengetahui apakah model regresi, variabel dependen, dan variabel independen mempunyai distribusi normal atau tidak. Uji normalitas pada penelitian ini menggunakan metode grafik dan statistik. Metode grafik yang handal untuk menguji normalitas data adalah dengan melihat histogram dan normal probability plot. Histogram merupakan grafik membandingkan antara data observasi dengan distribusi yang mendekati normal. Pengukuran lain adalah normal probability plot yang membandingkan distribusi kumulatif dari distribusi normal. Hasil uji normalitas secara grafik probability plot dengan menggunakan SPSS versi 20 untuk variabel independensi akuntan publikditunjukkan dengan grafik di bawah ini.

Sumber: data yang diolah (2014) Gambar 4.1 Normal P-Plot

Distribusi normal akan membentuk satu garis lurus diagonal, dan ploting data akan dibandingkan dengan dengan garis diagonal. Jika distribusi data adalah normal, maka garis yang menghubungkan data sesungguhnya akan mengikuti garis diagonalnya.Grafik Normal P-P Plot di atas dapat disimpulkan bahwa pola grafik normal terlihat dari titik-titik yang menyebar di sekitar garis diagonal dan penyebarannya mengikuti arah garis diagonal. Berdasarkan grafik normal plot, menunjukkan bahwa model regresi layak dipakai dalam penelitian ini karena memenuhi asumsi normalitas.

Selain berdasarkan grafik normal probability plot pendeteksian normalitas data dapat dilakukan dengan melihat grafik histogram dari penyebaran (frekuensi) data. Bentuk histogram seperti bentuk lonceng (bell shaped curve) mengindikasikan bahwa data berdistribusi normal. Gambar histogram penelitian ini dapat dilihat pada gambar 4.2 di bawah ini.

Sumber : data yang diolah (2014)

Gambar 4.2 Grafik Histogram

Berdasarkan gambar 4.2 di atas, nampak bahwa bentuk histogram menggambarkan data yang berdistribusi normal atau mendekati normal karena membentuk seperti lonceng (bell shaped).

4.2.2 Uji Multikolinearitas

Uji multikolinearitas bertujuan untuk menguji apakah model regresi ditemukan adanya kolerasi antar variabel independen. Multikolinearitas terjadi jika ada hubungan linear yang sempurna antara beberapa atau semua variabel independen dalam model regresi. Uji Multikolinearitas dapat dilakukan dengan 2 cara yaitu dengan melihat VIF (Variance Inflation Factors) dan nilai tolerance.Hasil uji multikolinearitas dapat dilihat pada tabel 4.4 berikut ini.

Tabel 4.4 Hasil Uji Multikolinearitas

collinearity Statistics Model

a. Dependen Variable : Y

Sumber : data yang diolah (2014)

Berdasarkan tabel 4.4 di atas menunjukkan bahwa nilai Tolerance dari ketiga variabel independen berada di atas 0,10 danhasil perhitungan VIF juga menunjukkan hal yang sama yaitu tidak ada satupun variabel independen yang memiliki nilai VIF lebih besar dari 10. Dapat disimpulkan bahwa ketiga variabel independen tersebut tidak terdapat hubungan multikolinearitas dalam model regresi dan dapat digunakan untuk memrediksi independensi akuntan publik.

4.2.3 Uji Autokorelasi

Uji autokorelasi bertujuan untuk mengetahui apakah model regresi linear yang digunakan terjadi korelasi antar kesalahan pengganggu.

Uji autokorelasi dalam penelitian ini dilakukan dengan uji Durbin-Watson (DW- test). Tabel 4.5 Hasil Uji Autokorelasi

Model R

R Square

Adjusted R

Std. Error of the Durbin-Watson

Square

Estimate

,21622 2,022 a. Predictors: (Constant), X3, X1, X2

1 ,814 a ,662

b. Dependent Variable: Y Sumber: data yang diolah (2014)

Dari tabel di atas dapat terlihat nilai Durbin-Watson sebesar 2,022. Nilai tersebut berada di antara 1,65 dan 2,35 maka dapat disimpulkan bahwa tidak terjadi autokorelasi dalam model regresi pada penelitian ini.

4.2.4 Uji Heteroskedastisitas

Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varians dari residual satu pengamatan ke pengamatan yang lain. Model regresi yang baik adalah yang homoskedastisitas atau tidak terjadi heteroskedastisitas. Dalam regresi, salah satu asumsi yang harus dipenuhi adalah bahwa varians dari residual dari suatu pengamatan ke pengamatan yang lain tidak sama antar satu varians dari residual. Gejala varians yang tidak sama ini disebut gejala heteroskedastisitas, sedangkan adanya gejala residual yang sama dari suatu pengamatan ke pengamatan yang lain disebut dengan homoskedastisitas, salah satu uji untuk menguji heteroskedastisitas ini adalah dengan melihat penyebaran dari varians residual.Adapun grafik hasil pengujian heteroskedastisitas dapat dilihat di bawah ini.

Sumber : data yang diolah (2014)

Gambar 4.3 Scatterplot

Berdasarkan gambar 4.3 di atas, dapat disimpulkan bahwa model regresi layak digunakan karena memenuhi asumsi normalitas. Hal ini dibuktikan dengan terjadinya penyebaran data (titik-titik) di sekitar garis regresi (garis diagonal).