Scatterplot
Gambar scatterplot diatas, dapat dilihat bahwa titik-titik menyebar secara acak serta tidak membentuk pola tertentu atau tidak teratur serta titik-titik menyebar diatas
dan dibawah angka 0 pada sumbu Y, hal ini mengindikasi tidak terjadi heteroskedastisitas pada model regresi.
4.2.4 Uji Multikolinieritas
“Uji multikolonieritas dilakukan untuk menguji apakah model regresi ditemukan adanya korelasi antara variabel independen” Ghozali, 2005: 91. Menurut
Ghozali 2005:91 menyatakan bahwa adanya gejala multikolinearitas dapat dilihat dari nilai tolerance atau nilai Variance Inflation Factor VIF. Batas nilai tolerance
adalah 0,1 dan batas VIF adalah 10, apabila nilai tolerance 0,1 atau VIF 10 maka terjadi multikolinearitas, apabila nilai tolerance 0,1 atau VIF 10 = maka tidak
terjadi multikolinearitas.
Universitas Sumatera Utara
Tabel 4.3 Hasil Uji Multikolinearitas
Model Unstandardized
Coefficients Standardized
Coefficients T
Sig. Collinearity Statistics
B Std.
Error Beta
Tolerance VIF
1 Constant 157808.0 63
57554.8 89
2.742 .009 PAD
12.958 1.176
.854 11.01
5 .000
.731 1.367
DAU .306
.212 .112
1.446 .157 .731
1.368 DAK
-.059 .227
-.017 -.259 .797
.999 1.001
Hasil uji statistik pada tabel 4.3 nilai Tolerance menunjukkan tidak ada variabel independen yang memiliki nilai tolerance kurang dari 0,10 berarti tidak ada
korelasi antara variabel independen yang nilainya lebih dari 95, demikian juga dengan hasil perhitungan Variance Inflation Factor VIF juga menunjukkan hal yang
sama bahwa tidak ada satu variabel indepen yang memiliki nilai VIF lebih kecil dari 10, dapat disimpulkan bahwa tidak ada multikolinearitas antara variabel independen
dalam model regresi dalam penelitian ini.
4.2.5 Uji Autokorelasi
Uji autokorelasi bertujuan menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan penggangu
pada periode t-1 sebelumnya, jika terjadi korelasi, maka dinamakan ada probelm
Universitas Sumatera Utara
autokorelasi. Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lainnya. Masalah ini timbul karena residual kesalahan
pengganggu tidak bebas dari satu observasi ke observasi lainnya. Hal ini sering ditemukan pada runtut waktu time series karena gangguan pada seseorang
individukelompok yang sama pada periode berikutnya. Model regresi yang baik adalah regresi yang bebas dari autokorelasi. Berdasarkan hasil uji autokorelasi pada
Tabel 4.4 diketahui bahwa nilai Durbin-Watson sebesar 1,804 sehingga dapat dikatakan tidak terjadi autokorelasi. Hal ini berdasarkan pada pengambilan keputusan
ada tidaknya autokorelasi menurut Ghozali 2005:218 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.
Tabel 4.4 Hasil Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of t
Estimate Durbin-
Watson 1
.917
a
.842 .828
93858.91557 1.390
a. Predictors: Constant, DAK, PAD, DAU b. Dependent Variable: BD
Universitas Sumatera Utara
4.2.6 Uji Hipotesis