54
Tabel 4.5 Uji Multikolinearitas setelah Transformasi
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients
T Sig.
Collinearity Statistics
B Std.
Error Beta
Tolerance VIF 1 Constant 5.349 .984
5.433 .000 LN_PD
.223 .028 .643
8.028 .000 .128 7.796
LN_RD .003 .027
.006 .104
.917 .236 4.241
LN_DAU .459 .114 .357
4.038 .000 .105 9.526
LN_DAK -.009 .056 -.007
-.169 .867 .530 1.888
a. Dependent Variable: LN_BD Setelah dilakukan transformasi nilai Varience Inflaction Factors VIF semua
variabel dibawah 10 dan
nilai tolerance
lebih besar dari 0,1. Maka tidak terjadi multikolinearitas di antara variabel independen dalam penelitian.
c. Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan
variance
dari residual satu pengamatan ke pengamatan yang lain. Model regresi yang baik adalah yang homoskedastisitas atau tidak terjadi
heteroskedastisitas. Dalam penelitian ini grafik scatterplot digunakan untuk mengetahui apakah dalam penelitian terjadi heteroskedastisitas. Analisis pada gambar
scatterplot yang menyatakan model regresi linier berganda tidak terdapat heterokedastisitas jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan
di bawah angka 0 pada sumbu Y.
55
Gambar 4.3 Uji heteroskedastisitas setelah transformasi dengan Logaritma Natural
Dari grafik
Scatterplot
di atas terlihat bahwa titik-titik data menyebar secara acak serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y. titik-titik
data tidak mengumpul hanya di atas dan di bawah saja, penyebaran titik-titik data tidak membentuk pola bergelombang melebar kemudian menyempit dan melebar
kembali, dan penyebaran titik-titik data tidak berpola,sehingga dapat disimpulkan tidak terjadi heteroskedastisitas pada model regresi sehingga model regresi layak
dipakai untuk memprediksi variabel dependen LN_BD berdasarkan masukan variabel independen, LN_PD, LN_RD, LN_DAU, dan LN_DAK
56
d. Uji Autokorelasi
Uji autokorelasi bertujuan menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu
pada periode t-1sebelumnya. Model regresi yang baik adalah regresi yang bebas dari autokorelasi. Pada penelitian ini untuk mengetahui masalah autokorelasi adalah
dengan melakukan Uji Durbin Watson dengan ketentuan: 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 autokorelasi negatif.
Tabel 4.6 Uji Autokorelasi Sebelum Transformasi
Model Summary
b
Model R R Square
Adjusted R Square
Std. Error of the Estimate
Durbin-Watson 1
.990
a
.979 .977
63768.323 2.031
a. Predictors: Constant, DANA ALOKASI KHUSUS, RETRIBUSI DAERAH, DANA ALOKASI UMUM, PAJAK DAERAH
b. Dependent Variable: BELANJA DAERAH
Sebelum dilakukan transformasi dapat dilihat Dari model summary di atas, hasil pengujian angka D-W sebesar +2,031 atau +2,031+2, karena angka D-W di
atas +2 berarti autokorelasi negative
57
Tabel 4.7 Uji Autokorelasi Setelah Transformasi
Model Summary
b
Model R R Square
Adjusted R Square
Std. Error of the Estimate
Durbin- Watson
1 .982
a
.965 .961
.09905 1.838
a. Predictors: Constant, LN_DAK, LN_RD, LN_PD, LN_DAU b. Dependent Variable: LN_BD
Sumber: diolah dari SPSS, 2015
Setelah dilakukan transformasi dapat dilihat hasil pengujian angka D-W sebesar 1,838 atau -2 1,838 +2, karena angka D-W diantara -2 sampai +2, maka
disimpulkan bahwa dalam penelitian ini tidak ada autokorelasi
3. Pengujian Hipotesis a. Analisis Regresi
Dalam pengolahan data dengan menggunakan regresi linear, beberapa tahapan dilakukan untuk mencari hubungan antara variabel independen dan variabel
dependen. Hasil regresi dapat dilihat pada tabel berikut ini :
58
Tabel 4.8 Hasil Analisis Regresi
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error
Beta 1
Constant 5.349
.984 5.433
.000 Ln_PD
.223 .028
.643 8.028
.000 Ln_RD
.003 .027
.006 .104
.917 Ln_DAU
.459 .114
.357 4.038
.000 Ln_DAK
-.009 .056
-.007 -.169
.867 a. Dependent Variable: Ln_BD
Berdasarkan hasil pengolahan data yang terlihat pada tabel di atas pada kolom unstandardized coeffisients bagian B, ditunjukkan modal persamaan regresi berganda
sebagai berikut :
LnBD = 5,349+ 0,223 LnPD + 0,003 LnRD + 0,459 LnDAU – 0,009
LnDAK+ e
Keterangan : LnBD = Logarima Natural LN Belanja Daerah
LnPD = Logarima Natural LN Pajak Daerah LnRD = Logarima Natural LN Retribusi Daerah
LnDAU = Logarima Natural LN Dana Alokasi Umum LnDAK = Logarima Natural LN Dana Alokasi Khusus
E = error Interpretasi dari persamaan regresi linier berganda diatas adalah :
59
a. Konstanta sebesar 5,349 menunjukkan bahwa jika variabel independen dianggap
konstan, maka tingkat Belanja Daerah sebesar 5,349 b.
Koefisien LN_PD 0,223 ini menunjukkan bahwa apabila terjadi perubahan variabel pajak daerah sebesar 1 akan menaikkan belanja daerah sebesar 0,223
atau 22,3 dengan asumsi variabel lainnnya konstan c.
Koefisien LN_RD 0,003 ini menunjukkan bahwa apabila terjadi perubahan variabel retribusi daerah sebesar 1 maka akan menaikkan belanja daerah
sebesar 0,003 atau 0,3 dengan asumsi variabel lainnya konstan. d.
Koefisien LN_DAU 0,459 ini menunjukkan bahwa apabila terjadi perubahan variabel pajak daerah sebesar 1 akan menaikkan belanja daerah sebesar 0,459
atau 45,9 dengan asumsi variabel lainnnya konstan e.
Koefisien LN_DAK 0,009 ini menunjukkan bahwa apabila terjadi perubahan variabel retribusi daerah sebesar 1 maka akan menurunkan belanja daerah
sebesar 0,009 atau 0,9 dengan asumsi variabel lainnya konstan. f.
Standar error e menunjukkan tingkat kesalahan pengganggu
b. Uji Parsial t-test