Analisis dan Pembahasan 1. Uji Asumsi Klasik Heterokedastisitas Autokorelasi

4.4. Analisis dan Pembahasan 4.4.1. Uji Asumsi Klasik Beberapa uji asumsi klasik yang harus dipenuhi adalah multikolinieritas, heteroskedastisitas dan normalitas : a. Multikolinieritas Uji Multikolinieritas pada penelitian ini digunakan untuk mendeteksi adanya gejala Multikolinieritas dalam pengujian keeratan hubungan antar variabel bebas, tercermin dari Coefficient. Hal ini tampak pada nilai tolerance dan Variance Inflation Factor VIF untuk setiap variabel bebas. Jila nilai tolerance lebih dari 0,10 dan nilai kurang dari 10, artinya menunjukan tidak terdapat korelasi antar satu variabel bebas . Tabel 4.9 Nilai VIF Variance Inflation Factor Variabel Bebas Tolerance VIF Partisipasi Penganggaran X 1 0,936 1,068 Sistem Penghargaan X 2 0,936 1,068 Sumber : Lampiran 11 Berdasarkan hasil perhitungan menunjukan bahwa nilai Variance Inflation factor VIF dari semua variabel bebas yang meliputi : Partisipasi Penganggaran X 1 , dan Sistem Penghargaan X 2 , memperlihatkan nilai yang kurang dari 10. Ini berarti persoalan Multikolinieritas di antara semua variabel bebas dapat ditolerir atau tidak terdapat adanya gejala Multikolinieritas. Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

b. Heterokedastisitas

Heterokedatisitas di identifikasikan dengan koefisien korelasi Rank Spearman Berdasarkan tabel dibawah, diperoleh tingkat signifikansi koefisien korelasi Rank Spearman untuk semua variabel bebas terhadap residual lebih besar dari 0,05 5. Tabel 4.10 : Hasil Pengujian Heterokedastisitas Variabel Taraf Signifikasi Dari Korelasi Rank Spearman Taraf  Uji Kesimpulan Partisipasi Penganggaran X 1 0,879 0,05 Homoskedastisitas Sistem Penghargaan X 2 0,976 0,05 Homoskedastisitas Sumber : Lampiran 11 Dari hasil pengujian heterokedastisitas diperoleh tingkat signifikansi dari korelasi Rank Spearman lebih besar dari taraf level of signifikan yaitu 5 0,05.

c. Autokorelasi

Autokorelasi dapat didefinisikan sebagai “korelasi antara data observasi yang diurutkan berdasarkan urut waktu data time series atau data yang diambil pada waktu tertentu data cross-sectional” Gujarati, 1995:201. Untuk mengujji variabel-variabel yang diteliti apakah terjadi autokorelasi atau tidak dapat digunakan uji Durbin Watson, yaitu dengan cara membandingkan nilai Durbin Watson yang dihitung dengan nilai Durbin Watson dL dan du dalam tabel. Distribusi penetuan keputusan dimulai dari 0 nol sampai 4 empat. Kaidah keputusan dapat dijelaskan sebagai berikut : 1. Jika d lebih kecil daripada d L atau lebih besar daripada 4-d L , maka hipotesis nol ditolak yang berarti terdapat autokorelasi. Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. 2. Jika d teletak antara d U dan 4-d U , maka hipotesis nol diterima yang berarti tidak ada autokorelasi. 3. Jika nilai d terletak antara d L dan d U atau antara 4-d L dan 4-d U maka uji Durbin-Watson tidak menghasilkan kesimpulan yang pasti, untuk nilai-nilai ini tidak dapat disimpulkan ada tidaknya autokorelasi di antara faktor-faktor penganggu. Untuk mengetahui ada tidaknya gejala autokorelasi dalam model penelitian maka perlu dilihat nilai DW tabel. Diketahui jumlah variabel bebas adalah 2 k=2 dan banyaknya data adalah n=30 sehingga diperoleh nilai DW tabel adalah sebesar d L = 1,284 dan d U = 1,567 Berdasarkan hasil analisis kesembilan sector, maka dalam model regresi ini tidak terjadi gejala autokorelasi karena nilai DW tes yang diperoleh adalah sebagai berikur : Tabel 4.11. Tes Autokorelasi Variabel Nilai DW Test Ketentuan Daerah Keterangan Kinerja Manajerial 1,532 0 – 1,284 ada auto korelasi 1,284 – 1,567 daerah ketidak pastian 1,567 – 2,433 tidak ada autokorelasi 2,433 – 2,716 daerah ketidak pastian 2,716 - 4 ada autokorelasi Daerah ketidak pastian Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

4.4.2. Analisis Statistik Regresi Linear Berganda

Data yang diperoleh selanjutnya dianalisis dengan menggunakan SPSS 13.0 for windows untuk melihat model persamaan yang dibentuk dan membuktikan hipotesis yang diajukan. Dari hasil analisis tersebut diperoleh nilai – nilai seperti yang disajikan pada tabel 4.11 di bawah ini : Tabel 4.12 Hasil Analisis Regresi Berganda. Variabel Koefisien Regresi t hitung Sig. Partisipasi Penganggaran X 1 0,454 2,100 0,045 Sistem Penghargaan X 2 0,378 2,176 0,038 Multiple R = 0,461 R² = 0,213 Konstanta : 25,187 Sig = 0,039 Adjusted R Square = 0,155 F hitung = 3,652 Sumber : Lampiran 10 dan 11 Berdasarkan hasil perhitungan pada tabel 4.11 diatas, maka dapat dibuat model persamaan regresi linier berganda dari pengaruh Kinerja Manajerial adalah sebagai berikut : Y = 25,187 + 0,454 X 1 + 0,378 X 2 Interprestasi dari model regresi diatas adalah sebagau berikut : 1. Nilai konstanta b menunjukkan besarnya nilai dari Kinerja Manajerial Y apabila variabel Partisipasi Penganggaran X 1 , dan Sistem Penghargaan X 2 , adalah konstan atau nol, maka besarnya nilai Kinerja Manajerial naik Y sebesar 25,187. 2. Nilai Koefisien regresi pada untuk variabel Partisipasi Penganggaran X 1 adalah positif yaitu sebesar 0,454 artinya jika Partisipasi Penganggaran Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. X 1 naik sebesar satu satuan, maka Kinerja Manajerial Y akan naik sebesar 0,454 dengan asumsi variabel bebas lainnya adalah konstan. 3. Nilai Koefisien regresi pada untuk variabel Sistem Penghargaan X 2 adalah positif yaitu sebesar 0,378 artinya jika Sistem Penghargaan X 2 naik sebesar satu satuan, maka Kinerja Manajerial Y akan naik sebesar 0,378 dengan asumsi variabel bebas lainnya adalah konstan. Nilai Koefesien korelasi berganda R atau Multiple R dari persamaan regresi linier berganda diatas adalah 0,461. Nilai Koefesien korelasi berganda R sebesar 0,461 menunjukan adanya hubungan yang sangat kuat erat antara variabel yaitu Partisipasi Penganggaran X 1 , dan Sistem Penghargaan X 2 , dengan Kinerja Manajerial Y. Nilai Koefesien determinan berganda R² dari persamaan regresi linier berganda diatas digunakan untuk mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel terikat. Nilai Koefesien determinan berganda R² sebesar 0,213 menunjukan 21,3 yang berarti ; Kinerja Manajerial yaitu Partisipasi Penganggaran X 1 , dan Sistem Penghargaan X 2 , dan selebihnya sebesar 78,7 disebabkan oleh faktor lain yang tidak dimasukan dalam penelitian. Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

4.4.3. Pengujian Hipotesis a. Pembuktian hipotesis pengaruh variabel bebas secara simultan

Untuk mengetahui pengaruh secara simultan antara variabel bebas terhadap variabel terikat digunakan uji F dengan langkah – langkah sebagai berikut : Tabel 4.13 : Analisis Varian ANOVA Sumber Varian Jumlah Kuadrat Df Kuadrat Tengah F hitung Sig Regresi 153,624 2 76,812 3,652 .039 Sisa 567,842 27 21,031 Total 721,467 29 Sumber: Lampiran 10 Model yang dihasilkan dari metode regresi linier berganda yang digunakan, perlu diuji signifikansi keseluruhan persamaan regresinya, yaitu melalui Uji F. Nilai F hitung yang diperoleh sebesar 3,652 dengan tingkat signifikan sebesar 0,039 kurang dari 5 sig 5 maka H ditolak dan H 1 diterima yang artinya model regresi linier berganda yang digunakan adalah signifikan atau cocok untuk mengetahui pengaruh Partisipasi Penganggaran X 1 , dan Sistem Penghargaan X 2 , terhadap Kinerja Manajerial.

b. Pembuktian hipotesis pengaruh variabel bebas secara Partial