satuan akan meningkatkan Pertumbuhan Ekonomi Y sebesar 0,127 persen dengan asumsi variabel bebas lainnya adalah konstan atau
nol.
4.3.2. Uji Normalitas
Uji normalitas digunakan untuk mengetahui apakah suatu data
mengikuti sebaran normal atau tidak Sumarsono, 2004: 40; Priyatno, 2009: 28 dan 34. Dalam penelitian ini metode uji normalitas yang
digunakan adalah dengan uji One Sample Kolmogorov – Smirnov. Tabel 4.7 merupakan hasil pengujian normalitas terhadap data residual.
Tabel 4.7: Hasil Uji Normalitas
Model Kolmogorov-Smirnov Z
Tingkat Signifikan Unstandardized Residual
1,042 0,227 Sumber: Lampiran 10
Berdasarkan Tabel 4.7 menunjukkan tingkat signifikan yang dihasilkan dari metode uji One Sample Kolmogorov – Smirnov terhadap
data residual lebih besar dari 5 sig 5, hal ini berarti bahwa data residual memiliki distribusi data yang normal.
4.3.3. Uji Asumsi Klasik
Untuk mendukung keakuratan hasil model regresi, maka perlu
dilakukan penelusuran terhadap asumsi klasik yang meliputi asumsi Autokorelasi, Multikolinieritas, dan Heteroskedastisitas. Hasil dari
asumsi klasik tersebut adalah sebagai berikut:
1. Autokorelasi
Menurut Gujarati 1995: 201, autokorelasi didefinisikan sebagai korelasi antara data observasi yang diurutkan berdasarkan
urut waktu data time series atau data yang diambil pada waktu tertentu data cross sectional. Penyimpangan asumsi model klasik
yang pertama adalah adanya autokorelasi dalam model regresi. Artinya adanya korelasi antar anggota sampel yang diurutkan
berdasarkan waktu data time series atau data yang diambil pada waktu tertentu. Untuk mendiagnosis adanya autokorelasi dalam
suatu model regresi dilakukan melalui pengujian terhadap nilai uji Durbin – Watson Uji Dw Firdaus, 2004: 100; Suharjo, 2008: 93-
94. Tabel 4.8 menunjukkan hasil uji Autokorelasi dengan menggunakan Durbin-Watson.
Tabel 4.8: Hasil Uji Autokorelasi Uji Durbin-Watson
Durbin – Watson 0,968
Sumber: Lampiran 11
Pendeteksian terjadi tidaknya Autokorelasi dapat didasarkan kriteria secara umum yang menurut Santoso 2001: 219 sebagai
berikut: 1
Angka Durbin-Watson di bawah -2, artinya ada autokorelasi positif
2 Angka Durbin-Watson di atas + 2, artinya ada autokorelasi
negatif 3
Angka Durbin-Watson diantara -2 sampai +2 , artinya tidak ada autokorelasi
Berdasarkan Tabel 4.8 dapat disimpulkan bahwa model regresi yang dihasilkan tidak terjadi Autokorelasi dapat terpenuhi
karena nilai Durbin-Watson sebesar 0,968 terletak diantara -2 sampai +2.
2. Multikolinieritas
Menurut Ghozali 2005: 91 uji multikolinieritas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi
antar variabel bebas independent variable dengan variabel terikat dependen variable. Model regresi yang baik seharusnya tidak
terjadi korelasi diantara variabel bebas. Tolerance mengukur variabilitas independen yang terpilih yang tidak dijelaskan oleh
variabel independen lainnya. Jadi nilai tolerance yang rendah sama dengan nilai VIF tinggi karena VIF = 1tolerance dan
menunjukan adanya kolinieritas yang tinggi. Nilai cut off yang umum dipakai adalah nilai tolerance 0,10 atau sama dengan nilai
VIF di atas 10. Setiap peneliti harus menentukan tingkat kolinieritas yang masih dapat ditolerir. Tabel 4.9 menunjukkan
besaran VIF dari masing-masing variabel bebas.
Tabel 4.9: Nilai VIF Variance Inflation Factor
Variabel Bebas Tolerance
VIF Pendapatan Asli Daerah X
1
0,460 2,175
Anggaran Belanja Modal X
2
0,625 1,599
Anggaran Belanja Rutin X
3
0,472 2,120
Sumber: Lampiran 12
Berdasarkan Tabel 4.9 dapat disimpulkan bahwa model regresi yang dihasilkan tidak terjadi multikolinieritas dapat
terpenuhi karena nilai VIF pada variabel Pendapatan Asli Daerah X
1
, Belanja Modal X
2
, dan Belanja Rutin X
3
kurang dari 10 VIF 10, bahkan Santoso 2001 memberikan persyaratan yang
lebih ketat, yaitu pada umumnya jika VIF lebih besar dari 5, maka variabel tersebut mempunyai persoalan multikolinieritas dengan
variabel lainnya Priyatno, 2009: 39. Dengan ketentuan menurut Santoso, variabel Pendapatan Asli Daerah X
1
, Belanja Modal X
2
, dan Belanja Rutin X
3
tidak terjadi multikolinieritas dapat terpenuhi.
3. Heteroskedastisitas
Heteroskedastisitas dapat diidentifikasikan dengan menggunakan uji Koefisien Korelasi Rank Spearman antara nilai
residual dengan seluruh variabel bebas pada model regresi Firdaus, 2004: 107; Priyatno, 2009: 42. Tabel 4.10 menunjukkan
Hasil dan uji Koefisien Korelasi Rank Spearman.
Tabel 4.10: Hasil Korelasi Rank Spearman
Variabel Bebas Koefisien Korelasi
Rank Spearman Tingkat
Signifikan Pendapatan Asli Daerah X
1
0,058 0,195 Anggaran Belanja Modal X
2
-0,012 0,431 Anggaran Belanja Rutin X
3
0,008 0,451 Sumber: Lampiran 13
Berdasarkan tabel 4.10 dapat disimpulkan bahwa model regresi yang dihasilkan tidak terjadi heteroskedastisitas dapat
terpenuhi karena tingkat signifikasi pada variabel pada variabel Pendapatan Asli Daerah X
1
, Belanja Modal X
2
, dan Belanja Rutin X
3
lebih besar dari 5 sig 5.
4.3.4. Uji Hipotesis
