55
3.7.1.4 Uji Autokorelasi
Uji Autokorelasi bertujuan untuk menguji apakah dalam model regresi linear ada korelasi antar kesalahan pengganggu pada periode
saat ini dengan kesalahan pengganggu pada periode sebelumnya Erlina, 2011 : 107, Autokorelasi sering terjadi pada sampel dengan
data time series. Run test digunakan untuk menguji ada tidaknya gejala autokorelasi pada penelitian yang dilakukan. Hasil output SPSS dengan
model probabilitas signifikansi dibawah 0,05 menyimpulkan terdapat gejala autokorelasi pada model regresi yang digunakan Ghozali,
2005:108. Pengambilan keputusan ada tidaknya autokorelasi dengan cara
melihat besaran durbin-watson D-W sebagai berikut: 1.
Angka D-W dibawah -2, berarti ada autokorelasi positif. 2.
Angka D-W diantara -2 sampai +2 berarti tidak ada autokorelasi.
3. Angka D-W diatas +2, berarti ada autokorelasi negatif.
Jika asumsi telah terpenuhi dapat dilakukan model persamaan linear berganda dari data yang tersedia.
3.7.2 Persamaan Regresi Linear Berganda
Metode ini merupakan metode pengamatan yang memiliki banyak data yang terjadi sebagai akibat lebih dari dua variabel disebut X1, X2, X3, dan
seterusnya yang dapat mempengaruhi hasil pengamatan dari variabel terikat
Universitas Sumatera Utara
56 yang disebut Y Sudjana, 2005 : 347. Hubungan fungsional antara variabel
terikat dan variabel bebas dibuat sebagai berikut:
Dimana : Y
= Variabel Dependen = Konstanta
= Koefisien regresi berganda X
= Variabel Independen e
= Variabel pengganggu error Jika e diasumsikan = 0, maka diperoleh persamaan regresi linear
berganda dari suatu populasi sebagai berikut: ̂
Sedangkan persamaan linear berganda untuk sampel, satu variabel dependen dan lima variabel independen dapat dinyatakan sebagai berikut:
̂ + + Dimana:
̂ = Belanja Modal BM
= Konstanta b
= Koefisien regresi berganda X
= Pendapatan Asli Daerah PAD X
2
= Dana Bagi Hasil DBH X
3
= Dana Alokasi Umum DAU
Universitas Sumatera Utara
57 X
4
= Dana Alokasi Khusus DAK X
5
= Sisa Lebih Pembiayaan Anggaran SiLPA
3.7.3 Koefisien Determinasi
Koefisien determinasi pada intinya mengukur seberapa jauh
kemampuan model dalam menerangkan variasi variabel dependen. Nilai koefisien determinasi adalah antara nol dan satu. Nilai yang mendekati satu
berarti variable - variabel independen memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen. Kelemahan
mendasar dari penggunaan koefisien determinasi adalah bias terhadap jumlah variabel independen yang dimasukkan kedalam model. Setiap tambahan satu
variabel independen, maka pasti meningkat tidak peduli apakah variabel
tersebut berpengaruh secara signifikan terhadap variabel dependen. Oleh karena itu banyak peneliti menganjurkan untuk menggunakan nilai Adjusted
pada saat mengevaluasi mana model regresi terbaik. Secara matematis jika nilai
=1, maka Adjusted sedangkan jika nilai
, maka Adjusted
jika k 1, maka adjusted akan bernilai negatif.
Nilai R Square dikatakan baik jika di atas 0,5 karena nilai R Square berkisar antara 0 sampai 1. Pada umumnya sampel dengan data Time Series
memiliki R Square maupun Adjusted R Square cukup tinggi atau 0,5. Sedangkan sampel dengan data silang Crossection pada umumnya memiliki
R Square Square maupun Adjusted R Square agak rendah yaitu 0,5, namun
Universitas Sumatera Utara
58 tidak menutup kemungkinan nilai R Square maupun Adjusted R Square cukup
tinggi.
3.7.4 Pengujian Hipotesis