Tabel 4.3 Hasil Uji Normalitas dengan Kolmogorov-Smirnov
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual N
36 Normal Parameters
a,b
Mean 0E-7
Std. Deviation 14120301.55328047
Most Extreme Differences Absolute
.139 Positive
.139 Negative
-.059 Kolmogorov-Smirnov Z
.836 Asymp. Sig. 2-tailed
.488 a. Test distribution is Normal.
b. Calculated from data.
Sumber: Hasil Pengolahan Data SPSS Mei 2016
Berdasarkan hasil uji normalitas dengan Kolmogorov-Smirnov Data Asli diatas, terlihat bahwa data telah terdistribusi dengan normal yang mana terlihat
bahwa nilai signifikansi diatas 0.05 yaitu sebesar 0.488 dan nilai Kolmogorov- Smirnov Z sebesar 0.836.
4.2.2.2. Uji Heteroskedastisitas
Uji ini bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain.
Jika variance dari residual satu pengamatan ke pengamatan lain tetap, maka disebut homoskedastisitas, dan jika variance dari residual satu pengamatan ke
pengamatan lain berbeda disebut heteroskedastisitas. Untuk mendeteksi ada atau tidaknya heteroskedastisitas dapat dilakukan dengan melihat grafik scatterplot,
dengan dasar analisis Ghozali, 2005:139. 1.
Jika pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur bergelombang, melebar kemudian
Universitas Sumatera Utara
menyempit, maka mengindikasikan telah terjadi heteroskedastisitas.
2. Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan
di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.
Hasil uji heteroskedastisitas dengan menggunakan grafik scatterplot ditunjukkan pada gambar 4.3 berikut:
Sumber: Hasil Pengolahan Data SPSS Mei 2016 Gambar 4.3
Grafik Scatterplot
Pada grafik scatterplot diatas, terlihat titik-titik menyebar secara acak, serta tersebar baik diatas maupun dibawah angka 0 pada sumbu Y sehingga dapat
diambil kesimpulan bahwa tidak terdapat gejala heteroskedastisitas pada model regresi yang digunakan.
Universitas Sumatera Utara
4.2.2.3 Uji Autokorelasi
Uji autokorelasi dilakukan untuk menguji apakah sebuah model regresi terdapat korelasi antara kesalahan penganggu pada periode t dengan kesalahan
pengganggu pada periode t-1 atau sebelumnya Ghozali, 2005. Jika terjadi korelasi dinamakan ada masalah autokorelasi. Untuk mendeteksi ada atau
tidaknya autokorelasi, peneliti menggunakan Durbin-Watson DW test. Model regresi yang baik adalah regresi yang bebas dari autokorelasi. Untuk mendeteksi
ada atau tidaknya autokorelasi, peneliti menggunakan Durbin-Watson DW test. Model regresi yang baik adalah regresi yang bebas dari autokorelasi. Kriteria
pengujian dengan hipotesis tidak ada autokorelasi adalah sebagai berikut, Menurut Santoso kriteria autokorelasi ada 3, yaitu:
1. Nilai D-W di bawah -2 berarti diindikasikan ada autokorelasi positif.
2. Nilai D-W di antara -2 sampai 2 berarti diindikasikan tidak ada
autokorelasi. 3.
Nilai D-W di atas 2 berarti diindikasikan ada autokorelasi negatif. Tabel 4.5 digunakan untuk melihat nilai Durbin Watson yang didapat
dengan menggunakan bantuan SPSS Versi 20. Hasil pengujian autokorelasi dapat dilihat pada tabel berikut:
Tabel 4.5 Uji Autokorelasi dengan Durbin-Watson
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .384
a
.148 .123
14326448.24672 1.157
a. Predictors: Constant, SKP b. Dependent Variable: PENERIMAAN
Sumber: Hasil Pengolahan Data SPSS Mei 2016
Universitas Sumatera Utara
Berdasarkan hasil pengujian Durbin-Watson dengan menggunakan SPSS maka diperoleh nilai Durbin-Watson sebesar 1.157 yang berarti berdasarkan
kriteria Durbin-Watson hasil tersebut tidak terjadi autokorelasi.
4.2.2.4 Model Regresi Sederhana
