Gambar 4.8. Grafik Scatterplots Model 1
Dari grafik diatas menunjukkan bahwa titik-titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y dan tidak
membentuk pola tertentu yang teratur, ini dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi.
4.2.4. Pengujian Heteroskedastisitas Model 2
Sedangkan hasil Uji heteroskedastisitas pada model 2 dapat kita lihat pada Gambar 4.9 berikut ini :
Gambar 4.9 Grafik Scatterplots Model 2
Universitas Sumatera Utara
4.2.5. Pengujian Autokorelasi Model 1
Ada beberapa cara yang dapat digunakan untuk mendeteksi masalah autokorelasi di antaranya dengan uji Durbin Watson, karena uji ini yang
umumnya digunakan. Uji ini hanya dapat digunakan untuk autokorelasi tingkat pertama first order autocorrelation dan mensyaratkan adanya intercept
konstanta dalam model regresi Erlina, 2011.
Tabel 4.11. Uji Autokorelasi Model 1
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .885
a
.784 .766
8.309E9 1.406
a. Predictors: Constant, Lain-lain PAD yang Sah, Pajak Daerah, Retribusi Daerah b. Dependent Variable: Belanja Modal
Hasil uji autokorelasi menunjukkan nilai statistik Durbin-Watson DW. Uji autokorelasi dapat dilakukan dengan pengujian Durbin Watson DW. Jika
nilai Durbin Watson terletak antara -2 sampai +2, maka tidak terjadi autokorelasi. Hasil uji autokorelasi hipotesis 1 adalah 1.406 maka dapat disimpulkan bahwa
tidak ada autokorelasi positif maupun negatif atau dapat disimpulkan tidak terdapat autokorelasi.
4.2.6. Pengujian Autokorelasi Model 2
Sedangkan untuk hasil uji autokorelasi hipotesis 2 adalah 1.292 dapat kita lihat pada Tabel 4.12 berikut ini :
Universitas Sumatera Utara
Tabel 4.12. Uji Autokorelasi Model 2
Model Summary
b
Model R
R Square Adjusted R Square
Std. Error of the Estimate
Durbin-Watson 1
.775
a
.601 .590
60879.147 1.292
a. Predictors: Constant, Belanja Modal b. Dependent Variable: PDRB
4.2.7. Pengujian Multikolinearitas Model 1
Uji ini bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi di antara variabel independen. Model regresi yang baik seharusnya tidak
terjadi korelasi di antara variabel independen.
Multikolinearitas adalah situasi adanya korelasi variabel-variabel independen antara yang satu dengan yang lainnya. Dalam hal ini kita sebut
variabel-variabel bebas ini tidak ortogonal. Variabel-variabel bebas yang bersifat ortogonal adalah variabel bebas yang memiliki nilai korelasi di antara sesamanya
sama dengan nol Erlina, 2011.
Tabel 4.13. Uji Multikolinearitasi Model 1
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
Collinearity Statistics
B Std. Error
Beta Tolerance
VIF
1 Constant 3.331E9
4.483E9 .743
.462 Pajak Daerah
14.070 3.925
.359 3.585 .001
.600 1.666
Retribusi Daerah -16.137
7.710 -.328 -2.093
.043 .244
4.098 Lain-lain PAD yang Sah
27.336 3.590
1.054 7.616 .000
.314 3.189
a. Dependent Variable: Belanja Modal
Dari ketentuan yang ada bahwa jika nilai VIF 10 dan tolerance 0,10 maka tidak terjadi multikolinearitas, dari hasil analisis diatas dapat diketahui nilai
toleransi semua variabel Pajak Daerah, Retribusi Daerah, Lain-lain PAD yang sah dan Belanja Modal lebih dari 0,10 dan nilai VIF kurang dari 10, maka
Universitas Sumatera Utara
disimpulkan bahwa variabel independennya tidak terjadi multikolinearitas sehingga model tersebut telah memenuhi syarat asumsi klasik dalam analisis
regresi.
4.3. Pengujian Hipotesis dan Pembahasan
