Tabel 4.3. Analisis Tipologi Klassen Klasifikasi Daerah berdasarkan Pertumbuhan Ekonomi dan PDRB Perkapita Pemerintah
Kota Tahun 2004-2010 Kuadran I
Kuadran II
Pemerintah Kota yang maju dan tumbuh dengan pesat high growth and high
income Pemerintah Kota maju tapi tertekan
high income but low growth
Kota Medan Kota Tanjung Balai
Kuadran III Kuadran IV
Pemerintah Kota potensial atau masih dapat berkembang high growth but low
income Pemerintah Kota tertinggal low
growth and low income
Kota Binjai Kota Sibolga
Kota Pematngsiantar Kota Tebing Tinggi
Kota Padangsidempuan
Sumber : Tabel 4.2. Berdasarkan tipologi Klassen, Pemerintah Kota di Provinsi Sumatera
Utara dibagi menjadi empat 4 klasifikasi, yaitu Pemerintah Kota Medan termasuk pemerintah kota yang cepat maju dan cepat tumbuh. Kecamatan yang
termasuk katagori kecamatan yang maju dan tumbuh cepat ini pada umumnya daerah yang maju baik dari segi pembangunan atau kecepatan pertumbuhan.
Pemerintah Kota Tanjung Balai termasuk pemerintah kota yang maju tapi tertekan. Pemerintah Kota Binjai termasuk pemerintah kota potensial atau masih
dapat berkembang. Pemerintah Kota Sibolga, Kota Pematangsiantar, Kota Tebing Tinggi dan Kota Padangsidempuan termasuk pemerintah kota relatif tertinggal.
4.1.3. Pengujian Asumsi Klasik
Uji normalitas data bertujuan untuk mengetahui apakah dalam model regresi variabel pengganggu atau residual memiliki distribusi normal Erlina,
2008. Untuk menguji apakah data penelitian ini terdistribusi normal atau tidak dapat diketahui melalui 2 cara yaitu analisis grafik dan analisis statistik
4.1.3.1. Uji normalitas
Universitas Sumatera Utara
Cara mudah untuk melihat normalitas residual adalah dengan melihat probability plot yang membandingkan distribusi kumulatif dari distribusi normal.
Distribusi normal akan membentuk satu garis lurus diagonal dan ploting data residual akan dibandingkan dengan garis diagonal. Selain itu untuk melihat
normalitas residual juga dapat dilakukan dengan melihat grafik histogram yang membandingkan antara observasi dengan distribusi normal yang mendekati
distribusi normal. Dengan melihat tampilan grafik normal plot pada Gambar 4.1. dapat
disimpulkan bahwa data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonalnya. Hal ini menunjukan data residual berdistribusi normal.
Demikian pula dengan hasil grafik histogram pada Gambar 4.2. yang menunjukkan bahwa data residual berdistribusi normal yang dilihat dari gambar
berbentuk lonceng yang hampir sempurna simetris.
Gambar 4.1. Normal P-Plot of Regression Standardized Residual
0.0 0.2
0.4 0.6
0.8 1.0
Observed Cum Prob
0.0 0.2
0.4 0.6
0.8 1.0
Expected C um
Prob Dependent Variable: Pertumbuhan Ekonomi
Normal P-P Plot of Regression Standardized Residual
Universitas Sumatera Utara
Gambar 4.2. Histogram
Uji statistik yang dapat digunakan untuk menguji normalitas residual antara lain adalah uji statistik non parametric Kolmogorov-Smirnov K-S. Uji K-
S dilakukan dengan membuat hipotesis : Ho
: Data residual tidak berdistribusi normal Ha
: Data residual berdistribusi normal Untuk menentukannya maka kriterianya adalah :
Ho diterima apabila nilai signifikansi Asymp.Sig 0,05 Ha diterima apabila nilai signifikansi Asymp.Sig 0,05
Tabel 4.4. Kolmogorov – Smirnov Test
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 49
Normal Parametersa,b Mean
.0000000 Std. Deviation
.90877254 Most Extreme Differences
Absolute .142
-4 -3
-2 -1
1 2
3 Regression Standardized Residual
2 4
6 8
10 12
14
Frequency
Mean = 1.78E-15 Std. Dev. = 0.979
N = 49
Dependent Variable: Pertumbuhan Ekonomi Histogram
Universitas Sumatera Utara
Positive .136
Negative -.142
Kolmogorov-Smirnov Z .994
Asymp. Sig. 2-tailed .276
a Test distribution is Normal.
Dari hasil uji statistik pada Tabel 4.4. menunjukkan bahwa nilai Kolmogorov-Smirnov Z sebesar 0,994 dan signifikansinya pada 0,276 dan
nilainya di atas α = 0,05 Asymp.Sig = 0,276 0,05 sehingga hipotesis Ha diterima yang berarti data residual berdistribusi normal.
Uji heteroskedastisitas bertujuan untuk menguji apakah model regresi terjadi ketidaksamaan varians dari residual satu pengamatan ke pengamatan yang
lain. Untuk mendeteksi ada tidaknya heteroskedastisitas dapat dilakukan dengan melihat grafik scatterplots.
4.1.3.2. Uji heteroskedastisitas
Gambar 4.3. Grafik scatterplots
-1 1
2 3
Regression Standardized Predicted Value
-4 -3
-2 -1
1 2
3
Regressi on
St udent
ized R esi
dual Dependent Variable: Pertumbuhan Ekonomi
Scatterplot
Universitas Sumatera Utara
Dari grafik scatterplots dalam Gambar 4.3. 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, hal ini dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi.
Uji Glesjer
Uji Glesjer mengusulkan untuk meregres nilai absolute residual terhadap variable independen Ghozali, 2005. Adapun hasil uji glesjer terdapat pada Tabel
4.5 berikut.
Tebel 4.5. UJi Glesjer
Coefficientsa Model
Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error
Beta
1 Constant
.698 .363
1.925 .060
Desentralisasi Fiskal -.011
.023 -.107
-.485 .630
Pendapatan Perkapita .003
.058 .010
.044 .965
a Dependent Variable: abs_res
Hasil yang terlihat menunjukkan koefisien parameter untuk variabel independen tidak ada yang
signifikan yaitu desentralisasi fiskal = 0,630 α = 0,05 dan pendapatan perkapita = 0,965 α = 0,05. Maka dapat disimpulkan model
regresi tidak terdapat heteroskedastisitas.
Uji multikolinieritas dilakukan untuk menguji apakah pada model regresi ditemukan adanya korelasi antar variabel independen. Jika terjadi korelasi, maka
4.1.3.3. Uji multikolinieritas
Universitas Sumatera Utara
dinamakan terdapat problem Multikolinieritas. Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel independen. Pengujian ada
tidaknya gejala multikolinearitas dilakukan dengan memperhatikan nilai matriks korelasi yang dihasilkan pada saat pengolahan data serta nilai VIF Variance
Inflation Faktor dan Tolerance-nya. Nilai dari VIF yang kurang dari 10 dan toleransi yang lebih dari 0,10 maka menandakan bahwa tidak terjadi adanya gejala
multikolinearitas. Sehingga dapat disimpulkan bahwa model regresi tersebut tidak terdapat problem multikolinieritas.
Tabel 4.6. Hasil Uji Multikolinieritas Model
Collinearity Statistics Tolerance
VIF
1 Constant
Desentralisasi Fiskal .438
2,281 Pendapatan Perkapita
.438 2,281
a Dependent Variable: Pertumbuhan Ekonomi Sumber : Data diolah, 2012
Dari perhitungan menggunakan program SPSS versi 15 dapat kita ketahui bahwa nilai VIF dan tolerance sebagai berikut : Variabel Desentralisasi Fiskal
mempunyai nilai VIF sebesar 2,281 dan toleransi sebesar 0,4383. Variabel pendapatan perkapita mempunyai nilai VIF sebesar 2,281 dan toleransi sebesar
0,438. Dari ketentuan yang ada bahwa jika nilai VIF 10 dan tolerance 0,10
maka tidak terjadi gejala multikolinearitas dan nilai-nilai yang didapat dari perhitungan adalah sesuai dengan ketetapan nilai VIF dan toleransi, dan dari hasil
analisis diatas dapat diketahui nilai toleransi semua variabel independen desentralisasi fiskal dan pendapatan perkapita lebih dari 0,10 dan nilai VIF
kurang dari 10 maka dapat disimpulkan bahwa variabel independennya tidak
Universitas Sumatera Utara
terjadi multikolinieritas sehingga model tersebut telah memenuhi syarat asumsi klasik dalam analisis regresi.
Menguji autokorelasi dalam suatu model dilakukan untuk mengetahui apakah dalam model regresi ada korelasi antara kesalahan penganggu pada
periode t dan dengan kesalahan pengganggu pada periode t-1 sebelumnya. Untuk mendeteksi ada tidaknya autokorelasi maka dilakukan penguji Durbin-
Watson DW. 4.1.3.4. Uji autokorelasi
Hipotesis : Ho : Tidak ada autokorelasi positif atau negatif
Ha : Ada autokorelasi positif atau negatif Kriteria :
Tolak Ha, Terima H0 jika du DW 4 – du Tolak Ho, Terima Ha jika bukan du DW 4 –du
Tabel 4.7. Uji Autokorelasi
Model Summaryb
Model R
R Square Adjusted R
Square Std. Error of
the Estimate Durbin-Watson
1 .589a
.347 .319
.92832 2.033
a Predictors: Constant, Pendapatan Perkapita, Desentralisasi Fiskal b Dependent Variable: Pertumbuhan Ekonomi
Hasil uji autokrelasi menunjukkan nilai statistik Durbin Watson DW sebesar 2,033, yang menyatakan du DW 4 – du 1,54 2,033 4 – 1,54
maka dapat disimpulkan bahwa tidak ada autokorelasi positif maupun negatif atau dapat disimpulkan tidak terdapat autokorelasi.
Universitas Sumatera Utara
4.1.4. Uji Hipotesis
