Pengujian Asumsi Klasik Hasil Analisis Data

commit to user

1. Pengujian Asumsi Klasik

e. Uji Normalitas Data. Normalitas data merupakan penyebaran nilai data yang merata. Menurut Ghozali 2007 uji normalitas data dilakukan dengan tujuan untuk mengetahui apakah sampel yang diambil telah memenuhi kriteria sebaran atau distribusi normal. Hasil uji normalitas dengan menggunakan SPSS dapat dilihat pada tabel berikut ini. Tabel 4. Hasil Uji Normalitas Data One-sample Kolmogorov-Smirnov Test Variabel Kolmogorov Signifikansi p-value Interpretasi Sminorv-Test Unstandardized 0,117 1,192 p0,05 Data normal Residual Sumber: hasil pengolahan data Tabel hasil pengujian normalitas dengan menggunakan uji Kolmogorov-Smirnov menunjukkan angka signifikansi 0,117 lebih dari 0,05 maka dapat disimpulkan bahwa data terdistribusi normal. f. Uji Multikolinearitas. Multikolinearitas adalah situasi adanya korelasi antara variabel independen yang satu dengan variabel independen yang lainnya Ghozali 2007. commit to user Hasil pengujian terhadap multikolinearitas dengan menggunakan SPSS dapat dilihat pada tabel berikut ini. Tabel 5. Hasil uji multikolinearitas Variable Tolerance VIF Keterangan cvrev 0.966 1.035 tidak terjadi multikolinearitas dpc 0.952 1.051 tidak terjadi multikolinearitas size 0.964 1.037 tidak terjadi multikolinearitas growth 0.971 1.030 tidak terjadi multikolinearitas Keterangan: Cvrev = koefisien variasi pendapatan coefficient of variation of revenue Dpc = utang per kapita debt per capita Size = ukuran pemerintah daerah Growth = pertumbuhan Sumber: hasil pengolahan data Tabel pengujian multikolinearitas menunjukkan bahwa variabel coefficient of variation of revenue menunjukkan angka tolerance 0.966 lebih dari 0.10 dan VIF 1.035 kurang dari 10, variabel debt per capita menunjukkan angka tolerance 0.952 lebih dari 0.10 dan VIF 1.051 kurang dari 10, variabel size menunjukkan angka tolerance 0.964 lebih dari 0.10 dan VIF 1.0371 kurang dari 10 dan variable growth menunjukkan angka tolerance 0.971 lebih dari 0.10 dan VIF 1.030 kurang dari 10. Kesimpulan yang dapat diambil dari uji multikolinearitas adalah bahwa tidak terjadi multikolinearitas antar variabel. g. Uji Heteroskedastisitas. Heterokedastisitas menunjukkan bahwa variasi varians variabel tidak sama untuk semua pengamatan. Pada heterokedastisitas, commit to user kesalahan yang terjadi tidak random acak, tetapi menunjukkan hubungan yang sistematis sesuai dengan besarnya satu atau lebih variabel. Gejala heterokedastisitas terjadi pada model yang menggunakan data sample secara cross section. Hasil pengujian terhadap heteroskedastisitas dengan menggunakan SPSS dapat dilihat pada tabel berikut ini. Tabel 6. Hasil uji heteroskedastisitas Uji Glejser Variabel Signifikansi Keterangan cvrev 0,524 Tidak terjadi heteroskedastisitas dpc 0,413 Tidak terjadi heteroskedastisitas size 0,269 Tidak terjadi heteroskedastisitas growth 0,762 Tidak terjadi heteroskedastisitas Keterangan: Cvrev = koefisien variasi pendapatan coefficient of variation of revenue Dpc = utang per kapita debt per capita Size = ukuran pemerintah daerah Growth = pertumbuhan Sumber: hasil pengolahan data Dependent Variable: ABSRES Tabel hasil pengujian heteroskedastisitas dengan menggunakan uji Glejser menunjukkan angka signifikansi lebih dari 0,05 maka dapat disimpulkan bahwa tidak terjadi heteroskedastisitas. h. Uji Autokorelasi. Autokorelasi merupakan korelasi antara anggota serangkaian observasi yang diurutkan menurut waktu seperti dalam data SPSS dalam data time series atau ruang seperti data cross section commit to user Santoso, 2000. Uji autokorelasi dilakukan untuk mengetahui apakah model mengandung autokorelasi atau tidak, yaitu hubungan yang erat diantara varibel independen dalam mempengaruhi variabel dependen. Model regresi yang baik apabila model tersebut tidak terjadi autokorelasi. Salah satu cara untuk mendeteksi ada tidaknya autokorelasi adalah dengan Run Test. Hasil pengujian autokorelasi dengan menggunakan SPSS dapat dilihat pada tabel berikut ini. Tabel 7. Hasil Uji Autokorelasi Runs Test Variabel Runs Test Signifikansi p-value Interpretasi Unstandardized 1,099 0,272 p0,05 Tidak ada Residual Autokorelasi Sumber: hasil pengolahan data Tabel hasil pengujian autokorelasi dengan Runs Test menunjukkan angka signifikansi 0,272 lebih dari 0,05 maka dapat disimpulkan bahwa tidak terdapat autokorelasi. e. Pengujian Ketepatan Perkiraan goodness of fit test Nilai koefisien determinasi R 2 menunjukkan sumbangan variabel independen terhadap perubahan yang terjadi pada variabel dependen. Dalam perhitungan statistik ini, nilai R 2 yang digunakan adalah adjusted R 2 karena ini merupakan salah satu indikator untuk commit to user mengetahui pengaruh penambahan suatu variabel independen ke dalam suatu persamaan regresi. Nilai dari adjusted R 2 benar-benar telah bebas dari pengaruh derajat bebas, yang berarti nilai tersebut benar-benar menunjukkan pengaruh variabel independen terhadap variabel dependen. Koefisien determinasi atau kuadrat dari koefisien kolerasi memiliki nilai antara 0 R 2 1, koefisien determinasi sama dengan 1 berarti variabel independen berpengaruh secara sempurna terhadap variabel dependen dan jika koefisien determinasi sama dengan 0 berarti variabel independen tidak berpengaruh terhadap variabel dependen. Tabel 8. Hasil Pengujian Ketepatan Perkiraan .453 a .205 .140 1.1772 1.939 Model 1 R R Square Adjusted R Square Std. Error of the Estimate Durbin-W atson Predictors: Constant, GRUP, CRREV, SIZE, DPC a. Sumber: hasil pengolahan data Tabel hasil pengujian ketepatan perkiraan menunjukkan angka Adjusted R Square sebesar 0,140 memiliki nilai antara 0 R 2 1 maka dapat disimpulkan bahwa variabel independen berpengaruh terhadap variabel dependen.

3. Pengujian hipotesis