5.2. Analisis Data 5.2.1. Uji Asumsi Klasik
Pengujian terhadap ada tidaknya pelanggaran terhadap asumsi-asumsi klasik yang merupakan dasar dalam model regresi linier berganda. Hal ini dilakukan
sebelum pengujian hipotesis meliputi : 5.2.1.1 Pengujian normalitas data
Uji normalitas bertujuan untuk menguji apakah dalam model regresi variabel terikat dan variabel bebas keduanya mempunyai distribusi normal atau tidak. Untuk
menguji apakah data penelitian ini terdistribusi normal atau tidak dapat dideteksi melalui 2 cara yaitu Analisis Grafik dan analisis statistik uji One sample
Kolmogorov Smirnov.
a. Analisis Grafik
Gambar 5.1 : Grafik Normalitas Data
68
Berdasarkan pada Gambar 5.1 tersebut Gozali 2005 menyatakan jika distribusi data adalah normal, maka terdapat titik titik yang menyebar disekitar garis
diagonal dan penyebarannya mengikuti arah garis diagonalnya. Hasil grafik tersebut terlihat bahwa titik titik yang menyebar disekitar garis diagonalnya maka dapat
dinyatakan bahwa data berdistribusi normal.
b. Uji Statistik
Uji Normalitas bertujuan untuk melihat apakah model regresi, variabel pengganggu atau residual berdistribusi normal. Untuk itu dilakukan uji one sample
Kolmogorov Smirnov Test. Adapun hasil pengujian terdapat pada Tabel 5.3 berikut :
Tabel 5.3 Hasil Pengujian One Sample Kolmogorov Smirnov Test Unstandardized
Residual
N 51
Mean .0000000
Normal Parameters
a
Std. Deviation .91190970
Absolute .141
Positive .058
Most Extreme Differences Negative
-.141 Kolmogorov-Smirnov Z
1.006 Asymp. Sig. 2-tailed
.263 a. Test distribution is Normal.
Sumber : Lampiran 2. Hasil Output SPSS 16. Kreteria : Ho : Data residual Berdistribusi normal
HA: Data residual tidak berdistribusi normal
69
Dari hasil pengujian terlihat pada Tabel 5.3 tersebut terlihat besarnya nilai Kolmogorov- Smirnov adalah 1.006 dan signifikansinya pada 0.263 dan nilainya jauh
diatas = 0.05. Suatu model dikatakan berdistribusi normal, jika nilai signifikan dari Kolmogorov- Smirnov lebih besar dari 0,05. Oleh karena itu model ini dikatakan
berdistribusi normal.
5.2.1.2. Uji multikolinearitas Pengujian multikolinearitas dilakukan untuk melihat apakah pada model
regresi ditemukan ada tidaknya korelasi antar variabel bebas. Model regresi yang baik seharusnya tidak terjadi multikolinearitas. Cara mendeteksinya adalah dengan melihat
nilai Variance Inflation Factor VIF. Menurut Santoso 2002, pada umumnya jika VIF 10, maka variabel tersebut mempunyai persoalan multikolinearitas dengan
variabel bebas lainnya.
Tabel 5.4 Uji Multikolinieritas Model Collinearity
Statistics Tolerance VIF
Constant Belj_Modal_X1
.495 2.021
PAD_X2 .495 2.021
Dependent Variabel : PDRB_Y Sumber : Lampiran 2 Hasil Output SPSS 16.
70
Dari Tabel 5.4 diatas, terlihat bahwa variabel independen yaitu Belanja Modal dan Pendapatan Asli Daerah PAD mempunyai angka Variance Inflation
Factor VIF dibawah angka 10 Ghozali, 2005 : 93. Hal ini berarti bahwa regresi yang dipakai untuk ke 2 dua variabel independent diatas tidak terdapat persoalan
multikolinieritas. 5.2.1.3. Uji heteroskedastisitas
Menurut Ghozali 2005 : 107 model regresi yang baik adalah model yang Homoskesdatisitas atau tidak terjadi Heteroskedastitas. Untuk mendeteksi ada atau
tidaknya heteroskedastisitas dapat dilakukan dengan dengan Uji Park. Asumsi utama Uji Park yaitu dengan melakukan transformasi logaritma terhadap residual Ghozali,
2005 : 107. Adapun hasil pengujian Uji Park terdapat pada Tabel 5.5 berikut :
Tabel 5.5 : Uji Park Coefficients
a
Unstandardized Coefficients
Standardized Coefficients
Model B
Std. Error Beta
t Sig.
Constant -.811
.343 -2.364
.026 Belj_Modal_X
1 .001
.006 .046
.160 .874
1
PAD_X2 -.004
.004 -.318
-1.104 .279
a. Dependent Variable: Ln_Res Sumber : Hasil Olah Data SPSS. Lampiran 3.
Jika koefesien parameter beta dari persamaan regresi tersebut signifikan secara statistik, hal ini menunjukkan bahwa dalam data model empiris yang
diestimasi terdapat heteroskedastisitas dan sebaliknya jika parameter beta tidak signifikan secara statistik, maka asumsi Homoskesdatisitas pada data model tersebut
71
tidak dapat ditolak. Hasil yang terlihat pada Tabel 5.5 menunjukkan koefesien parameter untuk variabel independent tidak ada yang signifikan Belanja Modal
dengan tingkat signifikansi 0.874 dan PAD dengan tingkat signifikansi 0.279. Maka dapat disimpulkan model regresi tidak terdapat heteroskedastisitas.
5.2.1.4. Uji autokorelasi Gejala Autokorelasi diditeksi dengan menggunakan uji Durbin-Watson DW.
Menurut Santoso 2002 : 241, untuk mendeteksi ada tidaknya auto korelasi maka dilakukan pengujian Durbin-Watson DW. Nilai d tersebut selanjutnya dibandingkan
dengan nilai d
tabel
dengan tingkat signifikansi 5 dengan df = n-k-1. Untuk mengetahui adanya autokorelasi digunakan uji Durbin-Watson, dengan kriteria
menurut Santoso 2005 : 242 dengan cara melihat besaran Durbin-Watson sebagai berikut :
1. Angka D-W di bawah -2, berarti ada autokorelasi positif.
2. Angka D-W di antara -2 sampai +2, berarti tidak ada autokorelasi.
3. Angka D-W di atas +2, berarti ada autokorelasi negatif.
Dari hasil pengujian terlihat bahwa nilai DW sebesar 1,567, berarti data tidak terkena autokorelasi.
Tabel 5.6 Uji Autokorelasi
Model R
R Square Durbin-Watson
1 .533
a
.284 1.567
a. Predictors: Constant, PAD_X2, Belj_Modal_X1 b. Dependent Variable: PDRB_Y
Sumber : Hasil Olah Data SPSS. Lampiran 2. 72
Hasil uji autokorelasi di atas menunjukkan nilai statistik Durbin-Watson D-
W sebesar 1,567, maka disimpulkan bahwa tidak terjadi autokorelasi baik positif maupun negatif masih dalam kisaran angka D-W -2 dan +2.
5.3. Hasil Analisis