Teknik Analisis Statistik Inferensial

5. Menghitung sisa kekurangan bilangan dengan rumus k.i – jumlah bilangan 6x 5 - 28 = 2 Karena memiliki 2 sisa bilangan, maka akan ditambahkan pada kedua sisi, kelas bawah dimulai dari 8, dan kelas atas akan berakhir pada angka 37. Tabel 3.10 Jenjang kriteria Variabel Attitude Toward Using No Interval Kriteria 1 31,1 – 37 Sangat tinggi 2 25,1 – 31 Tinggi 3 19,1 – 25 Sedang 4 13,1 – 19 Rendah 5 8 – 13 Sangat rendah Sumber : data penelitian diolah tahun 2016

3.6.2 Teknik Analisis Statistik Inferensial

Menurut Wahyudin 2015: 139, analisis statistik inferensial digunakan untuk menguji hipotesis penelitian yang telah dirumuskan berdasarkan kerangka pemikiran sebelumnya. Gujarati 2010: 89 mengungkapkan bahwa statistik inferensial diartikan sebagai studi tentang hubungan antara populasi dan sampel yang diambil dari populasi tersebut. Pada statistik inferensial hasil dari sampel digeneralisasikan sebagai suatu hasil bagi keseluruhan populasi. Pada penelitian ini, statistik inferensial digunakan untuk pengujian hipotesis. Proses analisis data menggunakan bantuan aplikasi IBM SPSS v.21 agar lebih mudah dan mendapatkan hasil yang lebih akurat. Pengujian hipotesis akan dilakukan setelah data terbebas dari gejala asumsi klasik. Statisitik Inferensial adalah teknik statistik yang digunakan untuk menganalisis data sampel dan hasilnya diberlakukan untuk populasi Sugiyono, 2012: 209.

3.6.2.1. Uji Asumsi Klasik

Uji asumsi klasik yang digunakan pada penelitian ini meliputi uji normalitas, uji linieritas, uji multikolinearitas dan uji heterokedastisitas. Uji asumsi klasik ini digunakan untuk mengestimasi suatu garis regresi dengan jalan meminimalkan jumlah dari kuadrat kesalahan setiap observasi terhadap garis tersebut Ghozali, 2013: 96.

3.6.2.1.1 Uji Normalitas

Uji normalitas bertujuan untuk mengkaji apakah model dalam regresi, variabel pengganggu atau residual memiliki distribusi normal atau tidak Ghozali, 2013: 160. Ada dua cara untuk mengetahui atau mendeteksi apakah residual berdistribusi normal atau tidak yaitu dengan cara analisis grafik dan uji statistik. Pada penelitian ini menggunakan uji statistik non parametik Kolmogorov-Smirnov K-S. Uji K-S dilakukan dengan membuat hipotesis sebagai berikut: H : Data residual berdistribusi normal H 1 : Data residual tidak berdistribusi normal Apabila hasil nilai Kolmogorov-Smirnov yang diolah dengan bantuan aplikasi IBM SPSS v.21 mempunyai Sig α 0,05 maka H ditolak, berarti data tidak berdistribusi normal. Sebaliknya jika Sig α 0,05 maka H diterima yang berarti data berdistribusi dengan normal.

3.6.2.1.2 Uji Linearitas

Uji ini digunakan untuk melihat apakah spesifikasi model yang digunakan sudah benar atau tidak. Dengan uji linearitas akan diperoleh informasi apakah model empiris sebaiknya linear, kuadrat, atau kubik Ghozali, 2013: 166. Uji linearitas dapat digunakan untuk memperoleh informasi apakah model empiris dapat dilihat pada output SPSS dalam kolom Linearity pada ANOVA Table pada taraf signifikansi 0,05. Variabel dikatakan mempunyai hubungan linear apabila signifikansi kurang dari 0,05.

3.6.2.1.3 Uji Multikolinearitas

Uji multikolinearitas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas independen. Model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel independen. Jika variabel independen saling berkorelasi, maka variabel-variabel ini tidak ortogonal. Variabel ortogonal adalah variabel independen yang nilai korelasi antar sesama variabel independen sama dengan nol. Untuk mendeteksi ada atau tidaknya multikolinearitas di dalam model regresi adalah sebagai berikut: Nilai R 2 yang dihasilkan oleh suatu estimasi model regresi empiris sangat tinggi, tetapi secara individual variabel-variabel independen banyak yang tidak signifikan mempengaruhi variabel dependen.Menganalisis matrik korelasi variabel-variabel independen. Jika antar variabel independen ada korelasi yang cukup tinggi umumnya di atas 0,90, maka hal ini merupakan indikasi adanya multikolinearitas. Tidak ada korelasi yang tinggi antar variabel independen tidak berarti bebas dari multikolinearitas. Multikolinearitas dapat disebabkan karena adanya efek kombinasi dua atau lebih variabel independen.Multikolinearitas dapat juga dilihat dari 1 nilai tolerance dan lawannya 2 variance inflation factor VIF. Kedua ukuran ini menunjukkan setiap variabel independen manakah yang dijelaskan oleh variabel independen lainnya.

3.6.2.1.4 Uji Heteroskedastisitas

Menurut Wahyudin 2015: 144, uji heteroskedastisitas digunakan untuk mendeteksi apakah varians dari residual unit analisis atau pengamatan yang satu dengan unit analisis yang lain terjadi kesamaan ataukah berbeda. Uji heteroskedastisitas bertujuan untuk menguji apakah dalam suatu model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain Ghozali, 2013: 139. Uji Heteroskedastisitas digunakan untuk menguji apakah dalam model regresi linier kesalahan pengganggu e mempunyai varians yang sama atau tidak dari satu pengamatan ke pengamatan yang lain. Pada suatu model regresi yang baik adalah yang berkondisi homokesdastisitas atau tidak terjadi heteroskedastisitas. Untuk mengetahui ada tidaknya heteroskedastisitas pada model regresi dapat dilihat dengan ada tidaknya pola tertentu pada grafik scatterplot yang menunjukkan hubungan antara Regresion Studentized Residual dengan Regression Standardized Predicted Value.Untuk menguji heteroskedastisitas dapat diketahui dari nilai signifikan korelasi Rank Spearman antara masing-masing variabel independen dengan residualnya. Jika nilai signifikan lebih besar dari α 5 maka tidak terdapat Heteroskedastisitas, dan sebaliknya jika lebih kecil dari α 5 maka terdapat Heteroskedastisitas. Ada beberapa cara untuk mendeteksi ada tidaknya heretoskedastisitas, salah satunya dengan melihat grafis plot antara nilai prediksi variabel terikat dependen yaitu ZPRED dengan residualnya SRESID. Deteksi ada tidaknya heretoskedastisitas dapat di lakukan dengan melihat ada tidaknya pola tertentu pada grafik scatterplot antara SRESID dan ZPRED dimana sumbu Y adalah Y yang telah diprediksi, dan sumbu X adalah residual yang telah di studentized. Dasar analisisnya adalah: 1. Jika ada pola tertentu seperti titik-titik yang ada membentuk pola tertentu yang teratur bergelombang melebar kemudian menyempit, maka mengidentifikasikan telah terjadi heretoskedastisitas; 2. Jika tidak ada pola yang jelas, serta titik-titik yang menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heretoskedastisitas. Munculnya gejala heteroskedastisitas menunjukan bahwa penafsir dalam model regresi tidak efisien dalam sampel besar maupun kecil. Jika tidak ada pola yang jelas dan titik-titik menyebar di atas dan di bawah angka nol pada sumbu Y maka dapat disimpulkan bebas heretoskedastisitas.

3.6.2.2.1 Analisis Jalur Path Analysis

Sugiyono 2012: 297 menyatakan bahwa analisis jalur digunakan untuk melukiskan dan menguji model hubungan antar variabel yang berbentuk sebab akibat bukan hubungan interaktifreciprocal. Model hubungan antar variabel tersebut, terdapat variabel independen yang dalam hal ini disebut variabel endogen endogenous. Melalui analisis jalur ini akan dapat ditemukan jalur mana yang paling tepat dan singkat suatu variabel independen menuju variabel dependen. Analisis jalur sendiri tidak dapat menentukan sebab akibat dan juga tidak dapat digunakan sebagai subsitusi bagi peneliti untuk melihat hubungan kausalitas antar variabel. Hubungan kausalitas antar variabel telah dibentuk dengan model berdasarkan landasan teoritis. Apa yang dapat dilakukan oleh analisis jalur adalah menentukan pola hubungan antara tiga atau lebih variabel dan tiak dapat digunakan untuk mengkonfirmasi atau menolak hipotesis kausalitas imajiner. Analisis jalur tidak dapat menentukan hubungan sebab-akibat dan juga tidak dapat digunakan sebagai substitusi bagi peneliti untuk melihat hubungan kausalitas antar variabel. Hubungan kausalitas antar variabel telah dibentuk dengan model berdasarkan landasan teoritis. Analisis jalur digunakan untuk menentukan pola hubungan antara tiga atau lebih variabel dan tidak dapat digunakan untuk mengkonfirmasi atau menolak hipotesis kausalitas imajiner Ghozali, 2013: 249. Analisis jalur path analysis dalam penelitian ini digunakan untuk menganalisis pengaruh UO usefulness of, EOU ease of use, ATU attitude toward using, terhadap BIU behavioral intention to use Digilib Unnes. 1. Regresi UO, EOU, dan ATU terhadap BIU Keterangan: Y 1 : BIU Behavioral Intention to Use α : Konstanta p 1 p 2 p 3 : Koefisien regresi variabel X 1 : UO Usefulness Of X 2 : EOU Ease Of Use X 3 : ATU Attitude Toward Using e1 : Variance BIU 2. Regresi UO, EOU terhadap ATU Y = α+p 1 X 1 + p 2 X 2 + p 3 X 3 + e 1 X3 = α+P4+P5+ e 2 X3 : ATU Attitude Toward Using α : Konstanta P : Koefisien regresi variabel e2 : Variance ATU yang tidak dijelaskan oleh variabel independen Usefulness Of dan Ease Of Use Selanjutnya kedua persamaan regresi di atas dapat digambarkan dalam model analisis jalur sebagai berikut : Gambar 3.1 Analisis Jalur Path Analysis Berikut rumus untuk mengetahui total pengaruh variabel bebas terhadap variabel terikat melalui variabel intervening. 1. Total pengaruh hubungan UO terhadap BIU melalui ATU = P1 + P4 x P3 Keterangan : P1 = pengaruh UO terhadap BIU P2 = pengaruh UO terhadap ATU P3 = pengaruh ATU terhadap BIU 2. Total pengaruh hubungan EOU terhadap BIU melalui ATU = P2 = P5 x P3 Keterangan : P2 = pengaruh EOU terhadap BIU P5 = pengaruh EOU terhadap ATU P3 = pengaruh ATU terhadap BIU

3.6.2.2 Uji Hipotesis Penelitian

Pengujian hipotesis penelitian ini dilakukan dengan menggunakan analisisjalur path analysis. Menurut Ghozali 2013: 99 Analisis jalur merupakanperluasan dari analisis regresi berganda atau analisis jalur adalah penggunaananalisis regresi untuk menaksirkan hubungan kausalitas antar variabel yang telahditetapkan sebelumnya berdasarkan teori. Analisis regresi berganda dilakukanuntuk setiap variabel dalam model dan untuk mengukur kekuatan hubungan antara dua variabel atau lebih dan menunjukkan arah hubungan variabel dependen dengan variabel independen.

3.6.2.2.1 Uji Signifikansi Parameter Individual Uji Statistik t

Uji statistik t pada dasarnya digunakan untuk menunjukkan seberapa jauh pengaruh satu variabel bebas secara individual dalam menerangkan variabel terikat. Untuk menguji hipotesis ini digunakan uji statistik t dengan kriteria apabila jumlah degree of freedom df adalah 20 atau lebih dan bila t 2 dalam nilai absolute serta derajat kepercayaan 5, maka H ditolak dan H a diterima. Uji signifikan ini digunakan untuk menguji: H a 1: Ada pengaruh yang positif dan signifikan usefulness of Digilib Unnes terhadap behavioral intention to use Digilib Unnes pada mahasiswa pendidikan akuntansi Universitas Negeri Semarang angkatan 2013. H a 2 : Ada pengaruh yang positif dan signifikan ease of use Digilib Unnes terhadap behavioral intention to use Digilib Unnes pada mahasiswa pendidikan akuntansi Universitas Negeri Semarang angkatan 2013. H a 3 : Ada pengaruh yang positif dan signifikan attitude toward using Digilib Unnes terhadap behavioral intention to use Digilib Unnespada mahasiswa pendidikan akuntansi Universitas Negeri Semarang angkatan 2013. H a 4 : Ada pengaruh yang positif dan signifikan usefulness of Digilib Unnes terhadap attitude toward using Digilib Unnes pada mahasiswa pendidikan akuntansi Universitas Negeri Semarang angkatan 2013. H a 5: Ada pengaruh yang positif dan signifikan ease of use Digilib Unnes terhadap attitude toward using Digilib Unnes pada mahasiswa pendidikan akuntansi Universitas Negeri Semarang angkatan 2013.

3.6.2.2.3 Uji Sobel Sobel Test

Uji sobel merupakan prosedur yang dikembangkan oleh Sobel 1982 yang digunakan untuk melakukan pengujian hipotesis mediasi Ghozali, 2013: 248. Uji Sobel dilakukan dengan cara menguji kekuatan pengaruh tidak langsung variabel X independen kevariabel Y dependen melalui variabel M intervening. Pengaruh tidak langsung X ke Y melalui M dihitung dengan mengalikan jalur X - Ma dengan jalur M - Yb atau ab. Jadi koefisien ab = c- c’, dimana c adalah pengaruh X terhadap Y tanpa mengontrol M sedangkan c’ adalah koefisien pengaruh X terhadap Y setelah mengontrol M. Standard error koefisien a dan b ditulis dengan S a dan S b , besarnya standard error tidak langsung indirect effect adalah S ab dihitung dengan rumus sebagai berikut ini: √ Untuk menguji signifikansi pengaruh tidak langsung, maka kita perlu menghitung nilai t dari koefisien ab dengan rumus sebagai berikut: Keterangan : a = koefisien variabel independen tanpa variabel intervening b = koefisien variabel independen dengan variabel intervening S a = standard error variabel independen tanpa intervening S b = standard error variabel independen dengan intervening Nilai t hitung ini dibandingkan dengan nilai t tabel, jika nilai t hitung nilai t tabel maka dapat disimpulkan terjadi pengaruh mediasi intervening Ghozali, 2013. Perhitungan uji sobel dapat langsung menggunakan aplikasi Sobel Test Calculator for the Significance of Mediation pada www.danielsoper.com dengan memasukkan koefisien dalam rumus berikut: Gambar 3.2 Tampilan Software Sobel Test Keterangan: A = Koefisien regresi pengaruh variabel independen terhadap variabel mediasi intervening B = Koefisien regresi pengaruh variabel mediasi intervening terhadap variabel dependen. SE A = Standar error untuk pengaruh variabel independen terhadap variabel mediasi intervening. SE B = Standar error untuk pengaruh variabel intervening terhadap variabel dependen. Uji Sobel ini digunakan untuk menjawab atau menguji : H a 6 : Attitude toward using Digilib Unnes secara positif dan signifikan berperan memediasi pengaruh usefulness of Digilib Unnes terhadap behavioral intention to use Digilib Unnes pada mahasiswa pendidikan akuntansi Universitas Negeri Semarang angkatan 2013. H a 7: Attitude toward using Digilib Unnes secara positif dan signifikan berperan memediasi pengaruh ease of use Digilib Unnes terhadap behavioral intention to use Digilib Unnes pada mahasiswa pendidikan akuntansi Universitas Negeri Semarang angkatan 2013.

3.6.2.3 Koefisien Determinasi secara Parsial r

2 Koefisien determinasi dilakukan untuk mengetahui besarnya kontribusi yang diberikan masing-masing variabel usefulness of X1, ease of use X2, dan attitude toward using X3 secara parsial terhadap variabel behavioral intention to use Y. Kemudian untuk mengetahui besarnya kontribusi yang diberikan masing- masing variabel usefulness of X1, ease of use X2 secara parsial terhadap attitude toward using X3. Koefisien determinasi dapat dilihat dari output IBM SPSS v21 uji parsial pada tabel koefisien. Caranya dengan mengkuadratkan nilai correlation partial dalam tabel. 68

BAB IV HASIL PENELITIAN DAN PEMBAHASAN

4.1 Hasil Penelitian

4.1.1 Analisis Statistik Deskriptif

Data yang diperoleh dari pengisian angket dianalisis melalui analisis statistik deskriptif. Analisis statistik deskriptif bertujuan untuk memberikan penjelasan variabel BIU Behavioral Intention to Use, UO Usefulness of, EOU Ease of Use, ATU Attitude Toward Using pada mahasiswa pendidikan akuntansi angkatan 2013. Berikut pendeskripsian masing-masing variabel penelitian.

4.1.1.1 Analisis Statistik Deskriptif BIU Behavioral Intention to Use

Berdasarkan perhitungan analisis statisik deskriptif untuk variabel BIU berbantuan IBM SPSS v.21, diperoleh data sebagai berikut: Tabel 4.1 Statistik Deskriptif BIU Behavioral Intention to Use Sumber: data penelitian diolah tahun 2016 Dari Tabel 4.1, hasil uji statistik menunjukkan bahwa jumlah responden sebanyak 186 mahasiswa, dengan nilai minimum atau nilai terendah sebesar 10 dan nilai maksimum atau nilai tertinggi sebesar 32 dari 7 pernyataan. Mean atau rata-rata diperoleh nilai sebesar 22,20. Rata-rata ini menunjukkan bahwa sebagian Descriptive Statistics N Minimum Maximum Mean Std. Deviation BIU 186 10 32 22,20 4,113 Valid N listwise 186