Hasil Uji Asumsi Klasik

59

3. Hasil Uji Asumsi Klasik

a Hasil Uji Normalitas Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel dependen dan variabel independen memiliki distribusi normal. Model regresi yang baik adalah jika distribusi data normal atau mendekati normal. Pengujian normalitas dalam penelitian dilakukan dengan analisis grafik dan uji statistik. Analisis grafik mendeteksi normalitas dengan melihat penyebaran data titik pada sumbu diagonal dari grafik normal probability plot. Jika data menyebar di sekitar garis diagonal dan mengikuti garis diagonal, maka model regresi memenuhi asumsi normalitas. Berikut ditampilkan gambar grafik normal probability plot masing-masing model regresi: Gambar 5.1 Hasil Uji Normalitas Sumber: Data Primer diolah, 2016 60 Tampilan grafik normal probability plot pada gambar 5.1 menunjukkan bahwa titik-titik data menyebar di sekitar garis diagonal dan mendekati arah garis diagonal. Hal ini berarti bahwa model regresi dalam penelitian ini memenuhi asumsi normalitas. Sedangkan uji normalitas dengan uji statistik menggunakan uji statistik non-parametik Kolmograv-Smirnov K-S. Pada uji one sample Kolmograv- Smirnov dapat dilihat probabilitas signifikan terhadap variabel. Residual terdistribusi normal jika nilai signifikansi lebih dari 0,05. Hasil uji normalitas dengan uji statistik 1-Sampel K-S disajikan dalam tabel 5.4. Berdasarkan tabel 5.4 hasil uji normalitas, dapat terlihat bahwa nilai Kolmograv-Smirnov untuk persamaan regresi signifikan di atas 0,05. Hal ini berarti bahwa model regresi memenuhi asumsi normalitas. Dari kedua hasil uji normalitas ini, baik asumsi grafik maupun uji statistik dapat disimpulkan bahwa model-model regresi dalam penelitian ini layak digunakan karena memenuhi asumsi normalitas. Tabel 5.4 Hasil Uji Normalitas Persamaan Regresi Arsymp. Sig. Kolmograv- Smirnov 0,05 Ket. Persamaan Regresi 0,350 0,05 Normal Sumber: Data Primer diolah, 2016 b Hasil Uji Multikolinearitas Beberapa metode uji multikolinearitas yaitu dengan melihat nilai Tolerance dan Inflation Factor VIF pada model regresi atau dengan membandingkan nilai koefisien determinasi individual r² dengan nilai PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 61 determinasi secara serentak R². Untuk mengetahui suatu model regresi bebas dari multikolinearitas, yaitu mempunyai nilai VIF Variance Inflation Factor kurang dari 10 dan mempunyai angka Tolerance lebih dari 0,1. Berdasarkan tabel 5.5 hasil uji multikolinearitas dapat diketahui nilai Tolerance sebesar 0,952 dan nilai VIF sebesar 1,050 untuk variabel partisipasi penyusunan anggaran dan komitmen organisasi. Hal ini berarti tidak terjadi masalah multikolinearitas pada model regresi. Tabel 5.5 Hasil Uji Multikolinearitas dengan Nilai Tolerance dan VIF Variabel Nilai Tolerance VIF PA 0,952 1,050 KO 0,952 1,050 Sumber : Data Prime diolah, 2016 Uji multikolinearitas juga dapat dilakukan dengan membandingkan nilai koefisien determinasi individual r² dengan nilai determinasi secara serentak R². Kriteria pengujiannya yaitu jika r² R² maka terjadi multikolinearitas dan jika r² R² maka tidak terjadi multikolinearitas. Berdasarkan tabel 5.6 dan tabel 5.7 dapat diketahui bahwa nilai koefisien determinasi r² yang diperoleh sebesar 0,048 bernilai lebih kecil daripada nilai determinasi secara serentak R² yaitu sebesar 0,353. Hal ini menunjukkan bahwa tidak terjadi masalah multikolinearitas pada model regresi. PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 62 Tabel 5.6 Hasil Uji Multikolinearitas dengan Koefisien Determinasi dan Determinasi Serentak I Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate 1 ,218 a ,048 ,019 4,875 a. Predictors: Constant, KO b. Dependent Variable: PA Sumber : Data Primer diolah, 2016 Tabel 5.7 Hasil Uji Multikolinearitas dengan Koefisien Determinasi dan Determinasi Serentak II Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate 1 ,594 a ,353 ,312 2,978 a. Predictors: Constant, KO, PA b. Dependent Variable: KM Sumber : Data Primer diolah, 2016 c Hasil Uji Heteroskedastisitas Uji heterokedastisitas dapat dilakukan dengan uji glejser dan dengan melihat grafik scatterplot. Uji glejser dilakukan dengan cara meregresikan antara variabel independen dengan nilai absolut residualnya. Jika nilai signifikansi antara variabel independen dengan absolut residual lebih dari 0,05 maka tidak terjadi masalah heterokedastisitas. Berdasarkan tabel 5.8 dapat diketahui nilai signifikansi variabel komitmen organisasi sebesar 0,125 lebih besar dari 0,05. Hal ini berarti tidak terjadi masalah heterokedastisitas. Tetapi nilai signifikansi variabel partisipasi penyusunan 63 anggaran sebesar 0,005 lebih kecil dari 0,05. Hal ini berarti ada kemungkinan terjadi masalah heterokedastisitas. Tabel 5.7 Hasil Uji Glejser Coefficients a Model Unstandardized Coefficients Standardize d Coefficients t Sig. Collinearity Statistics B Std. Error Beta Tolerance VIF 1 Constan t 9,223 2,867 3,217 ,003 KO -,101 ,064 -,250 -1,577 ,125 ,952 1,050 PA -,176 ,059 -,473 -2,986 ,005 ,952 1,050 a. Dependent Variable: ABS_RES Sumber : Data Primer diolah, 2016 Deteksi ada tidaknya gejala heteroskedastisitas adalah dengan melihat ada tidaknya pola tertentu pada grafik scatterplot di sekitar nilai X dan Y. Jika ada pola tertentu maka telah terjadi gejala heteroskedastisitas. Gambar 5.2 Hasil Uji Heteroskedastisitas Sumber: Data Primer diolah ,2016 64 Tampilan gambar 5.3 menunjukkan bahwa tidak ada pola yang jelas pada grafik scatterplot. Selain itu titik-titik yang menyebar berada di atas dan di bawah angka 0 pada sumbu Y, maka dapat disimpulkan tidak terjadi heteroskedastisitas sehingga model regresi layak untuk digunakan.

4. Hasil Pengujian Regresi