31
3.6.1. Uji Asumsi Klasik
Alat analisis yang digunakan dalam penelitian ini adalah analisis regresi linier berganda . Variabel terikat perilaku oportunistik penyusun anggaran OPA
dan variabel bebas PAD, SiLPA dan DAU dari APBD tahun berjalan t ke APBD tahun sebelumnya t-1. Dalam Darwanto 2007, regresi linier berganda dapat
dilakukan setelah model dari penelitian ini memenuhi syarat-syarat yaitu lolos dari asumsi klasik. Syarat-syarat tersebut adalah data harus terdistribusi secara
normal. Uji asumsi klasik terdiri dari:
3.6.1.1. Uji Normalitas
Ghozali 2011 : 110, uji normalitas bertujuan untuk mengetahui apakah model regresi, variabel pengganggu atau residual memiliki distribusi secara
normal. Uji normalitas perlu dilakukan untuk menentukan alat statistik yang dilakukan, sehingga kesimpulan yang diambil dapat dipertanggungjawabkan.
Adapun cara untuk mendeteksi apakah residual berdistribusi normal atau tidak, yaitu :
1. Analisis grafik
Salah satu cara termudah untuk melihat normalitas residual adalah dengan melihat grafik histogram yang membandingkan antara data
observasi dengan distribusi yang mendekati distribusi normal. Metode yang lebih handal adalah dengan melihat normal probability plot yang
membandingkan distribusi kumulatif dari distribusi normal. Distribusi
Universitas Sumatera Utara
32 normal akan membentuk satu garis lurus diagonal dan plotnya data
residual akan dibandingkan dengan garis diagonal. Jika distribusi data residual normal, maka garis yang menggambarkan data sesungguhnya
akan mengikuti garis diagonalnya. 2.
Analisis statistik Uji statistik sederhana dapat dilakukan dengan melihat nilai
kurtosis dan nilai Z-skewness. Uji statistik lain yang dapat digunakan untuk menguji normalitas residual adalah uji statistik non parametrik
Kolmogorov-Smirnov K-S, Jika tingkat signifikansinya 0,05, maka data itu terdistibusi normal dan dapat dilakukan model regresi berganda.
Pedoman pengambilan keputusan tentang data tersebut mendekati atau merupakan distribusi normal berdasarkan uji Kolmogorov Smirnov
dapat dilihat dari : 1
Nilai Sig. atau signifikan atau probabilitas 0,05, maka distribusi data adalah tidak normal.
2 Nilai Sig. atau signifikan atau probabilitas 0,05, maka distribusi
data adalah normal.
3.6.1.2. Uji Multikolonearitas
Ghozali 2011 : 92, uji multikolinearitas bertujuan untuk menguji apakah dalam sebuah model regresi ditemukan adanya korelasi antarvariabel
Universitas Sumatera Utara
33 independen. Untuk mendeteksi ada atau tidaknya multikolinearitas di dalam
model regresi adalah sebagai berikut : 1.
Nilai R2 yang dihasilkan oleh suatu estimasi model regresi empiris sangat tinggi, tetapi secara individual variabel-variabel independennya
banyak yang tidak signifikan mempengaruhi variabel dependen. 2.
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 adanya korelasi yang tinggi antar variabel independen tidak
berarti bebas
dari multikolinearitas.
Multikolinearitas dapat
disebabkan karena adanya efek kombinasi dua atau lebih variabel independen.
3. Multikolinearitas dapat juga dilihat dari a nilai tolerance dan
lawannya b variance inflation factor VIF. Kedua ukuran ini menunjukkan setiap variabel independen manakah yang dijelaskan
oleh variabel independen lainnya. Dalam pengertian sederhana setiap variabel independen menjadi variabel dependen terikat dan diregres
terhadap variabel
independen lainnya.
Tolerance mengukur
variabilitas variabel independen yang terpilih yang tidak dijelaskan oleh variabel independen lainnya. Jadi nilai tolerance yang rendah
sama dengan nilai VIF tinggi karena VIF = 1 Tolerence. Nilai cutoff yang umum dipakai untuk menunjukkan adanya multikolinearitas
adalah nilai tolerance 0.10 atau sama dengan nilai VIF 10.
Universitas Sumatera Utara
34 Cara untuk mengobati jika terjadi multikolinearitas, yaitu:
1. Mengeluarkan satu atau lebih variabel independen yang
mempunyai korelasi tinggi dari model regresi dan identifikasikan variabel independen lainnya untuk membantu prediksi.
2. Menggabungkan data cross section dan time series pooling data .
3. Menambah data penelitian
3.6.1.3. Uji Heterokedastisitas