Tabel 4.2. Uji Kolmogorov-Smirnov
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual N
117 Normal Parameters
a,b
Mean -.0001304
Std. Deviation 201192159498.55478000
Most Extreme Differences Absolute
.120 Positive
.120 Negative
-.073 Kolmogorov-Smirnov Z
1.300 Asymp. Sig. 2-tailed
.068 a. Test distribution is Normal.
b. Calculated from data.
Sumber : Data diolah dengan SPSS versi 20 2016. Dari tebel 4.2. Kolmogorov-Smirnov di atas, nilai Asymp. Sig
2-tailednya sebesar 0,068, sehingga dapat disimpulkan data sudah terdistribusi dengan normal.
4.3.2.2. Uji Autokorelasi.
Uji Autokorelasi merupakan bagian dari uji asumsi klasik yang bisa menentukan apakah terdapat autokorelasi di dalam data
penelitian. Data penelitian yang baik tidak memiliki autokorelasi di dalamnya. Untuk melihat ada tidaknya autokorelasi dilihat dari nilai
Durbin-Watson DW. Bila DU DW 4-DU maka tidak terjadi autokorelasi. Bila nilai DW DL maka terjadi autokorelasi positif.
Bila nilai DW 4DU maka terjadi autokorelasi negatif. Bila DW terletak di antara DU dan DL maka hasilnya tidak dapat disimpulkan.
Universitas Sumatera Utara
Berikut hasil hasil SPSS yang menunjukkan apakah data terkena autokorelasi atau tidak.
Tabel 4.3. Uji Autokorelasi – Tidak terjadi Autokorelasi
Sumber : Data diolah dengan SPSS versi 20 2016. Dari hasil uji Autokorelasi dari tabel 4.3. di atas, di dapat
nilai DW sebesar 1,838 dimana data observasi berjumlah 117, k=3, sehingga dari tabel DW di dapat nilai DU = 1,7512 dan DL 1,6462.
Dari nilai tersebut maka dapat ditarik kesimpulan bahwa tidak terjadi autokorelasi di dalam penelitian karena nilai DU DW 4-DU
sehingga data penelitian sudah memenuhi asumsi klasik.
4.3.2.3. Uji Multikolinearitas.
Uji Multikolinearitas merupakan uji yang menentukan ada tidaknya hubungan linear antara variabel independen dengan variabel
independen lainnya. Model regresi yang baik tidak boleh memiliki multikolinearitas di dalamnya. Untuk mendeteksi ada tidaknya
multikolinearitas di dalam data penelitian dilihat dari nilai Variance Inflation Factor VIF. Jika nilai VIF 10 maka tidak terjadi
Model Summary
b
Model R
R Square
Adjusted R Square
Std. Error of the Estimate
Change Statistics Durbin-
Watson R
Square Change
F Change
df 1
df2 Sig. F Chang
e 1
.757
a
.609 .588
203845357512. 41
.209 9.939
3 11
3 .000
1.838 a. Predictors: Constant, Luas Wilayah, Jumlah Penduduk, Silpa
b. Dependent Variable: Belanja Modal
Universitas Sumatera Utara
multikolinearitas, dan sebaliknya jika nilai VIF 10 maka terjadi multikolinearitas. Hasil uji Multikolinearitas terlihat sebagai berikut.
Tabel 4.4. Uji Multikolinearitas
Coefficients
a
Model
Unstandardized Coefficients Standardi
zed Coefficient
s T
Sig. Collinearity Statistics
B Std. Error
Beta Tolerance
VIF 1
Constant 261944163918.75 33420009224
.18 7.838 .000
SiLPA .121
.040 .274 3.056 .003
.873 1.146
Jumlah Penduduk
3156.758 1949.564
.144 1.619 .108 .886
1.128 Luas
Wilayah 1721019.036
553706.759 .262 3.108 .002
.983 1.018
a. Dependent Variable: Belanja Modal
Sumber : Data diolah dengan SPSS versi 20 2016. Dari tabel 4.4 di atas, maka diperoleh nilai VIF dari
masing-masing variabel independen untuk variabel Sisa Lebih Pembiayaan Anggaran SiLPA sebesar 1,146, Jumlah Penduduk
sebesar 1,128, dan variabel Luas Wilayah sebesar 1,018. Sehingga dapat disimpulkan tidak terjadi multikolinearitas di dalam penelitian
karena setiap variabel independen nilai VIF 10.
4.3.2.4. Uji Heteroskedastisitas.
