Interprestasi Data

4.3 Interprestasi Data

4.3.1. Uji Asumsi Klasik. Model regresi linear berganda dapat disebut sebagai model yang baik jika model tersebut terbebas dari asumsi-asumsi klasik statistik. Oleh karena itu, sebelum analisis regresi linear berganda dapat dilakukan, ada empat uji asumsi klasik yang harus dipenuhi yaitu: uji multikolinearitas, uji heteroskedastisitas, uji autokorelasi, dan uji normalitas data.

1. Uji Multikolinearitas. Uji multikolinearitas bertujuan untuk menguji apakah dalam model regresi ditemukan adanya korelasi yang tinggi atau sempurna antar variabel independen. Prasyarat yang harus dipenuhi adalah tidak adanya multikolinearitas atau secara singkatnya antar variabel independen tidak boleh saling berkorelasi. Terdapat berbagai macam cara, namun dalam penelitian ini akan dilakukan uji multikolinearitas dengan melihat nilai tolerance dan nilai variance inflation factor (VIF). Nilai cutoff yang umum dipakai untuk menunjukkan adanya multikolinearitas adalah tolerance < 0,10 atau sama dengan VIF > 10. (Ghozali 2009:28).

Berdasarkan Tabel 4.5 dapat diketahui bahwa kedua variabel bebas, yaitu pertumbuhan ekonomi dan inflasi memiliki nilai tolerance sebesar 0,991 lebih besar dari 0,10. Selanjutnya, hasil perhitungan nilai variance inflation factor (VIF) juga menunjukkan bahwa variabel pertumbuhan ekonomi dan variabel inflasi memiliki nilai VIF sebesar 1,010 lebih kecil dari 10. Dengan demikian dapat disimpulkan bahwa antar variabel bebas dalam model regresi linear berganda tidak terjadi persoalan multikolinearitas.

Tabel 4.5 Hasil Uji Multikolinearitas

Collinearity Statistics Model

Tolerance

VIF

1 (Constant) Pertumbuhan Ekonomi

1.010 Sumber: Diolah menggunakan SPSS 17.0 atas instrumen penelitian

Inflasi

2. Uji Heteroskedastisitas. Uji heteroskedastisitas digunakan untuk mengetahui adanya ketidaksamaan

variance dari residual untuk semua pengamatan pada model regresi. Prasyarat yang harus terpenuhi dalam model regresi adalah tidak adanya gejala heteroskedastisitas. Terdapat berbagai macam cara, namun dalam penelitian ini digunakan metode grafik untuk mendeteksi ada tidaknya heteroskedastisitas. Metode ini dilakukan dengan melihat grafik plot antara nilai prediksi variabel dependen yaitu ZPRED dengan residualnya SRESID. Apabila grafik scatterplot

antara SRESID dan ZPRED tidak membentuk suatu pola tertentu maka dapat disimpulkan tidak ada problem heteroskedastisitas pada residual . (Ghozali

Dari scatterplot pada Gambar 4.1, dapat diketahui titik-titik data menyebar di atas dan di bawah atau di sekitar 0. Selain itu, penyebaran titik-titik data tidak membentuk suatu pola tertentu. Jadi dapat disimpulkan bahwa tidak terjadi masalah heteroskedastisitas pada model regresi.

Gambar 4.1 Hasil Uji Heteroskedastisitas

Sumber: Diolah menggunakan SPSS 17.0 atas instrumen penelitian

3. Uji Autokorelasi. Pengujian autokorelasi bertujuan untuk menguji apakah dalam suatu model regresi linear terdapat korelasi antar kesalahan pengganggu ( residual ) pada periode t dengan kesalahan pada periode t-1 (sebelumnya). Model regresi yang baik adalah regresi yang bebas dari problem autokorelasi. (Ghozali 2009:79).

Penelitian ini menggunakan uji run test untuk mendeteksi ada tidaknya problem autokorelasi. Uji run test dipergunakan untuk melihat apakah data residual bersifat acak atau tidak. Bila data residual bersifat tidak acak, berarti terjadi masalah autokorelasi. Residual regresi diolah dengan uji run test , kemudian dibandingkan dengan tingkat signifikasi (α) yang dipergunakan.

Apabila nilai hasil uji run test lebih besar dari pada tingkat signifiknasi (α), maka tidak terdapat masalah autokorelasi pada data yang diuji.

Dengan tingkat signifikansi data sebesar 0,05, hasil run test pada tabel 4.6 menunjukkan bahwa nilai Asymp. Sig. (2-tailed) > 0.05 Hal ini mengindikasikan bahwa tidak terdapat masalah autokorelasi pada data yang diuji.

Tabel 4.6 Hasil Uji Autokorelasi

Sumber: Diolah menggunakan SPSS 17.0 atas instrumen penelitian

4. Uji Normalitas Data. Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal. Menurut Ghozali (2009:107) ada dua cara untuk mendeteksi apakah residual memiliki distribusi normal atau tidak, yaitu dengan uji statistik dan analisis grafik. Penelitian ini menggunakan uji statistik Kolmogorov-Smirnov (KS) untuk menguji normalitas residual . Sedangkan analisis grafik dilakukan dengan melihat normal probability plot yang membandingkan distribusi kumulatif dari data sesungguhnya dengan distribusi kumulatif dari distribusi normal. Distribusi normal akan membentuk satu garis lurus diagonal dan ploting data akan dibandingkan dengan garis 4. Uji Normalitas Data. Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal. Menurut Ghozali (2009:107) ada dua cara untuk mendeteksi apakah residual memiliki distribusi normal atau tidak, yaitu dengan uji statistik dan analisis grafik. Penelitian ini menggunakan uji statistik Kolmogorov-Smirnov (KS) untuk menguji normalitas residual . Sedangkan analisis grafik dilakukan dengan melihat normal probability plot yang membandingkan distribusi kumulatif dari data sesungguhnya dengan distribusi kumulatif dari distribusi normal. Distribusi normal akan membentuk satu garis lurus diagonal dan ploting data akan dibandingkan dengan garis

Dari Gambar 4.2 terlihat bahwa titik-titik menyebar di sekitar garis diagonal, serta penyebarannya mengikuti arah garis diagonal tersebut. Jadi dapat disimpulkan bahwa data-data penelitian terdistribusi secara normal.

Gambar 4.2 Hasil Uji Normalitas Data

Sumber: Diolah menggunakan SPSS 17.0 atas instrumen penelitian

Pengujian selanjutnya menggunakan uji statistik Kolmogorov-Smirnov untuk menguji normalitas residual. Dari Tabel 4.7 diketahui bahwa nilai sig (2-tailed) lebih besar dari 0,05. Hal ini menunjukkan bahwa residual terdistribusi secara normal.

Tabel 4.7 Hasil Uji Normalitas Data

Sumber: Diolah menggunakan SPSS 17.0 atas instrumen penelitian

4.3.2. Analisis Regresi Linear Berganda

Menurut Ghozali (2009:13) analisis regresi linear berganda bertujuan untuk menguji pengaruh dua atau lebih variabel independen (explanatory) terhadap satu variabel dependen. Peneliti menggunakan pengujian ini untuk menguji hipotesis dan mengetahui arah hubungan antar variabel, serta seberapa kuat hubungan tersebut jika dinyatakan dalam angka.

Setelah melewati beberapa pengujian asumsi klasik dan tidak terdapat penyimpangan, maka uji regresi linear berganda layak untuk dilaksanakan dalam menguji suatu hipotesis. Dalam skripsi ini, penulis menerapkan uji T (uji parsial),

analisis koefisien determinasi (R 2 ), dan uji F (uji signifikansi simultan) untuk melakukan pengujian terhadap hipotesis yang telah dibuat.

1. Uji T (Uji Parsial) Uji t dikenal dengan uji parsial, yaitu untuk menguji bagaimana pengaruh 1. Uji T (Uji Parsial) Uji t dikenal dengan uji parsial, yaitu untuk menguji bagaimana pengaruh

Uji t ini bertujuan untuk melakukan pengujian terhadap hipotesis pertama dan kedua sebagai berikut:

a. Hipotesis pertama: Ho : Diduga tidak terdapat pengaruh siginifikan antara pertumbuhan ekonomi (X 1 ) terhadap realisasi penerimaan PPN dan PPnBM (Y). Ha : Diduga terdapat pengaruh siginifikan antara pertumbuhan ekonomi