Analisis Hasil Penelitian Pengujian Asumsi Klasik .1 Uji Normalitas

4.1.2 Analisis Hasil Penelitian

Analisis Statistik Deskriptif Statistik deskriptif memberikan gambaran mengenai nilai minimun, maksimum, rata-rata, dan standar deviasi. Tabel 4.2 Descriptive Statistics N Minimum Maximum Mean Std. Deviation PD 68 2.018 891.897 38.16957 135.310881 RD 68 2.557 236.695 15.93928 40.588178 BM 68 10.158 681.884 136.43366 112.718895 Valid N listwise 68 Sumber : Diolah dari SPSS 21.0 Berdasarkan tabel di atas dapat dijelaskan di bawah ini : Jumlah sampel N sebanyak 6. a. variabel belanja modal BM Y memiliki nilai minimum 10.158, nilai maksimum 681.884, rata-rata 136.433, dan standar deviasi sebesar 112.718. b. variabel Pajak Daerah PD X 1 memiliki nilai minimum 2.018, nilai maksimum 891.897, rata-rata 38.169 dan standar deviasi sebesar 135.310. c. variabel Retribusi Daerah RD X 2 memiliki nilai minimum 2.557, nilai maksimum 236.695, rata-rata 15.939 dan standar deviasi sebesar 40.588. Universitas Sumatera Utara 4.1.3 Pengujian Asumsi Klasik 4.1.3.1 Uji Normalitas Hasil uji normalitas dengan grafik histogram yang diolah dengan SPSS, normal probability plot serta Kolmogorov-Smirnov Test ditunjukkan sebagai berikut : Gambar 4.1 Sumber : Diolah dari SPSS Hasil uji normalitas di atas memperlihatkan bahwa pada grafik histogram di atas distribusi data mengikuti kurva berbentuk lonceng yang tidak menceng skewness ke kiri maupun ke kanan. Maka dapat disimpulkan bahwa distribusi data tersebut normal. Gambar 4.2 Sumber : Diolah dari SPSS Universitas Sumatera Utara Hasil uji normalitas dengan menggunakan normal probability plot, di mana terlihat bahwa titik-titik menyebar di sekitar garis diagonal serta penyebarannya mengikuti garis diagonal sehingga dapat disimpulkan bahwa data dalam model regresi terdistribusi secara normal. Hal ini juga dapat dibuktikan dengan uji Kolmogorov-Smirnov berikut ini : Tabel 4.3 One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 68 Normal Parameters a,b Mean .0000000 Std. Deviation 53.04017901 Most Extreme Differences Absolute .134 Positive .134 Negative -.069 Kolmogorov-Smirnov Z 1.101 Asymp. Sig. 2-tailed .177 a. Test distribution is Normal. b. Calculated from data. Sumber : Diolah dari SPSS Nilai Kolmogorov–Smirnov sebesar 1,101 dan signifikansi 0,177 sehingga dapat disimpulkan bahwa data terdistribusi secara normal, dimana nilai sig. Lebih besar dari 0,05 p=0,1770,05 Semua hasil pengujian melalui analisis grafik dan statistik di atas menunjukkan hasil yang sama yaitu normal, dengan demikian telah terpenuhi asumsi normalitas dan bisa dilakukan pengujian asumsi klasik berikutnya pada data. Universitas Sumatera Utara

4.1.3.2 Uji Heteroskedastisitas

Uji heterokedastisitas dilakukan untuk menguji apakah dalam sebuah model regresi terjadi ketidaksamaan varians dari residual dari satu pengamatan ke pengamatan yang lain. Heteroskedastisitas ini dapat dilihat dengan grafik scatterplot. Hasil dari uji heteroskedastisitas dapat dilihat pada grafik scatterplot berikut ini: Hasil Uji Heteroskedastisitas Gambar 4.3 Grafik Scatterplot Sumber : Diolah dari SPSS Dari gambar scatterplot tersebut, terlihat bahwa titik-titik menyebar secara acak di atas dan di bawah angka 0 pada sumbu Y. Hal ini mengindikasikan tidak terjadi heteroskedastisitas pada model regresi sehingga model regresi layak dipakai. Universitas Sumatera Utara

4.1.3.4 Uji Autokorelasi

Uji autokorelasi ini digunakan untuk menguji asumsi klasik regresi berkaitan dengan adanya autokorelasi. Model regresi yang baik adalah model yang tidak mengandung autokorelasi. Hasil dari uji autokorelasi dapat dilihat pada tabel berikut ini: Tabel 4.4 Hasil Uji Autokorelasi Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .882 a .779 .772 53.850000 1.500 a. Predictors: Constant, RD, PD b. Dependent Variable: BM Sumber : Diolah dari SPSS Hasil uji autokorelasi di atas menunjukkan nilai statistik Durbin Watson DW sebesar 1,500 -21,500+2 sehingga dapat disimpulkan bahwa tidak terjadi autokorelasi baik positif maupun negatif.

4.1.3.4 Uji Multikolinearitas

Uji multikolinearitas bertujuan untuk menguji apakah dalam sebuah model regresi ditemukan adanya korelasi antarvariabel independen. Hasil dari uji multikolinearitas dapat dilihat pada tabel berikut ini : Universitas Sumatera Utara Tabel 4.5 Hasil Uji Multikolinearitas Coefficients a Model Collinearity Statistics Tolerance VIF 1 Constant PD .311 3.218 RD .311 3.218 a. Dependent Variable: BM Sumber : Diolah dari SPSS Nilai tolerance yang rendah sama dengan nilai VIF tinggi karena VIF = 1 Tolerance. Nilai cutoff yang umum dipakai untuk menunjukkan adanya multikolinearitas adalah nilai tolerance 0.10 atau sama dengan nilai VIF 10. Dari hasil pengujian di atas, dapat dilihat bahwa semua angka tolerance PD X 1 , RD X 2 0,1 dan VIF-nya 10. Hasil perhitungan nilai Tolerance juga menunjukkan ada variabel independen yang memiliki nilai Tolerance kurang dari 0.10. Ini mengindikasikan bahwa terjadi multikolinearitas di antara variabel independen dalam penelitian.

4.2 Model dan Teknik Analisis Data