Berdasarkan Tabel 4.3, diketahui jawaban rata-rata responden mendekati skor 4, yang berarti mayoritas responden menjawab setuju, untuk tiap-tiap
pertanyaan pada variabel aktivitas pengendalian.
4.2 Uji Asumsi Normalitas
Gambar 4.1 Uji Normalitas dengan AMOS 22
Berdasarkan output AMOS untuk uji normalitas di atas Gambar 4.1, diketahui nilai c.r. critical ratio dari penerapan sistem akuntansi keuangan
daerah 1 adalah −0,276, kemudian nilai c.r. critical ratio dari aktivitas
pengendalian adalah −0,367, dan nilai c.r. critical ratio dari akuntabilitas
kinerja instansi pemerintah daerah adalah −0,221. Widarjono 2015:262
menyatakan nilai c.r. yang berada di antara ±1,96 berarti data berdistribusi normal. Diketahui nilai critical ratio dari penerapan sistem akuntansi keuangan
daerah 1, aktivitas pengendalian, dan akuntabilitas kinerja instansi pemerintah daerah berada di antara ±1,96. Hal ini berarti asumsi normalitas dipenuhi. Begitu
juga nilai c.r. untuk normalitas multivariat adalah 1,678 berada di antara ±1,96 yang berarti secara multivariat, data memenuhi syarat normalitas
.
Universitas Sumatera Utara
4.3 Uji Asumsi Multikolinearitas
Uji multikolinearitas merupakan suatu uji untuk menguji ada tidaknya korelasi yang kuat di antara variabel penerapan sistem akuntansi keuangan daerah
terhadap variabel aktivitas pengendalian. Diketahui nilai korelasi antara penerapan sistem akuntansi keuangan daerah dan aktivitas pengendalian adalah -0,053.
Ghozali 2011 menyatakan nilai korelasi yang kurang dari 0,9 diindikasi tidak terjadi gejala multikolinearitas yang berat.
Gambar 4.2 Uji Multikolinearitas dengan AMOS 22
4.4 SEM dengan Metode Estimasi Bayes pada Software AMOS Versi 22
Perkembangan software AMOS telah berlangsung sangat cepat dan sekarang AMOS Versi 22 telah ada dipasaran.Metode estimasi maximum
likelihood yang digunakan oleh program AMOS 22 memerlukan asumsi yang sangat ketat berkaitan dengan jumlah sampel harus besar dan data terdistribusi
secara normal multivariat.Asumsi ini sering tidak dapat dipenuhi oleh peneliti. Dengan perkembangan statistik Bayesian saat ini, persoalan jumlah sampel kecil
dan data tidak multivariate normal dapat diatasi dengan mudah Ghozali, 2014:ix.
Universitas Sumatera Utara
Statistik Bayesian menggunakan iterasi jumlah re-sampling data yang sangat besar untuk mencapai distribusi normal dengan menggunakan metode
Markov Chain Monte Carlo MCMC.Program AMOS 22 telah mengintegrasikan MCMC ke dalam program, sehingga kita dapat menggunakan metode estimasi
Bayesian. Dalam statistika inferensial diasumsikan bahwa distribusi populasi
diketahui dengan pasti.Teknik yang digunakan untuk menaksir nilai parameter jika distribusi populasi diketahui dengan pasti adalah metode maximum likelihood
dan metode ini hanya mendasarkan inferensi pada sampel, tetapi jika distribusi populasi tidak diketahui maka metode maximum likelihood tidak dapat digunakan
Ghozali, 2014:327. Pendekatan alternatif dengan model statistik Bayesian yang memandang
bahwa setiap kuantitas yang tidak diketahui nilainya unknown sebagai variabel random dan diberikan distribusi probabilitasnya.Jadi Bayesian memperkenalkan
suatu metode di mana kita perlu mengetahui bentuk distribusi awal prior dari populasi dengan metode bayes.Menurut bayes parameter populasi berasal dari
suatu distribusi sehingga nilainya tidaklah tunggal merupakan variabel random, sedangkan menurut metode klasik maximum likelihood parameter populasi
diasumsikan tetap konstan walaupun nilainya tidak diketahui Ghozali, 2014:327.
Masing-masing pendekatan sudah tentu mempunyai kelebihan dan kekurangan masing-masing.Pada metode maximum likelihood teknik estimasi
parameternya lebih mudah, sehingga orang banyak menggunakan teknik ini.Akan
Universitas Sumatera Utara
tetapi teknik ini sangat sensitif terhadap data ekstrim.Data ekstrim sangat berpengaruh terhadap nilai rata-rata ataupun variasi.Sedangkan pada metode
Bayes, karena nilai parameternya berasal dari suatu distribusi, maka kesulitan pertama yang dijumpai adalah menentukan bagaimana bentuk distribusi parameter
tersebut.Walaupun menentukan distribusi awal prior dari parameter sulit, tetapi estimasi parameter dengan metode Bayes lebih menjanjikan karena peneliti tidak
perlu tahu tentang distribusi awal dari populasi Ghozali, 2014:327-328. Sampai tahun 1980an statistik Bayes masih dipandang sebagai alternatif
daripada statistik klasikal.Belum diterimanya statistik Bayes untuk analisis data kuantitatif karena perhitungan distribusi posterior yang sangat sulit
dilakukan.Baru dalam tahun 1990an ditemukan metode Markov Chain Monte Carlo MCMC yang diikuti dengan pertumbuhan personal computer membuat
perhitungan distribusi posterior menjadi sangat mudah.Dengan menggunakan MCMC kita dapat menyelesaikan masalah yang sebelumnya tidak bisa
diselesaikan dengan metode tradisional Ghozali, 2014:329. SEM dengan estimasi maximum likelihood memerlukan jumlah sampel
yang besar dan data harus berdistribusi normal multivariate.Metode estimasi Bayes dapat dilakukan dengan jumlah sampel kecil dan tidak berdistribusi normal.
Dengan jumlah sampel besar maka metode estimasi Bayes hasilnya akan mendekati metode maximum likelihood Ghozali, 2014:330. Gambar 4.3
menyajikan metode-metode estimasi parameter yang disediakan dalam software AMOS Versi 22.
Universitas Sumatera Utara
Gambar 4.3 Metode Estimasi Bayes dan Maximum Likelihood
Berdasarkan Gambar 4.3, metode-metode estimasi parameter yang disediakan dalam AMOS Versi 22 adalah Maximum likelihood, Generalized least
squares, Unweighted least squares, Scale-free least squares, Asymptotically
distribution-free, dan Bayesian Estimation.
4.5 Pengujian Pengaruh SAKD terhadap AKIP
