49
6. Maximum menunjukkan data dengan nilai terbesar yaitu 0,90 7. Range merupakan selisih antara data dengan nilai terbesar dan data
dengan nilai terkecil yaitu 1,44 8. Interquartile range merupakan selisih antara kuartil pertama dan kuartil
ketiga yaitu 0,12 9. Skewness merupakan ukuran kemencengan ketidaksimetrisan suatu
kurva yaitu 0,390 10. Kurtosis merupakan ukuran keruncingan suatu kurva yaitu 9,716
4.2.2 Uji Asumsi Klasik
Asumsi klasik yang harus dipenuhi adalah: • berdistribusi normal,
• non-multikolinearitas, artinya antara variabel independen dalam model regresi tidak memiliki korelasi atau hubungan secara
sempurna ataupun mendekati sempurna. • non-Autokorelasi, artinya kesalahan pengganggu dalam model
regresi tidak saling korelasi. • homoskedasitas, artinya variance variabel independen dari satu
pengamatan ke pengamatan yang lain adalah konstan atau sama.
4.2.2.1 Uji Normalitas
Uji normalitas bertujuan untuk mengetahui normal atau tidaknya suatu distribusi data. Pada dasarnya, uji normalitas adalah
membandingkan antara data yang kita miliki dan data berdistribusi normal yang memiliki mean dan standar deviasi yang sama dengan
Universitas Sumatera Utara
50
data kita. Uji normalitas menjadi hal penting karena salah satu syarat pengujian parametric-testuji parametrik adalah data harus
memiliki distribusi normal atau berdistribusi normal. 1. Analisis Grafik
Data yang baik adalah data yang memiliki pola distribusi normal.Pada grafik histogram, data yang mengikuti atau mendekati
distribusi normal adalah distribusi data dengan bentuk lonceng. Pada grafik P-P Plot, sebuah data dikatakan berdistribusi normal
apabila titik-titik datanya tidak miring ke kiri atau ke kanan, melainkan menyebar di sekitar garis diagonal.
Gambar 4.1 Grafik Histogram
Sumber: Data yang diolah penulis, 2015
Universitas Sumatera Utara
51
Gambar 4.2 Grafik P-P Plot
Sumber: Data yang diolah penulis, 2015 Berdasarkan grafik histogram maupun grafik normal plot dapat
disimpulkan bahwa model regresi pada penelitian ini berdistribusi secara normal hal ini tergambar pada grafik histogram, dimana
grafik tidak menceng ke kiri atau ke kanan grafik seimbang antara kiri dan kanan dan pada grafik normal plot tampak bahwa data
menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal.
2. Analisis Statistik Dalam uji normalitas, peneliti menggunakan Sig. dibagian
Kolmogrov-Smirnov karena data yang diuji lebih besar daripada 50.Jika data yang diuji lebih kecil daripada 50, peneliti
menggunakan Sig. dibagian Shapiro-Wilk.
Universitas Sumatera Utara
52
Kriteria Penelitian : 1. Angka Signifikansi uji Kolmogrov-Smirnov Sig. 0,05
menunjukkan data berdistribusi normal. 2. Angka Signifikansi uji Kolmogrov-Smirnov Sig. 0,05
menunjukkan data tidak berdistribusi normal.
Tabel 4.2 Hasil Uji Normalitas
Tests of Normality
Kolmogorov-Smirnov
a
Shapiro-Wilk Statistic
df Sig.
Statistic df
Sig. Pertumbuhan_Ekonomi
.144 110
.200 .849
110 .000
a. Lilliefors Significance Correction
Berdasarkan Tabel 4.2 data tersebut berdistribusi normal karena nilai 0,200 0,05. Uji normalitas perlu dilakukan untuk
mengetahui normal tidaknya distribusi data karena data yang berdistribusi normal merupakan syarat dilakukannya parametric-
test.Data yang normal berarti mempunyai sebaran yang normal pula.Dengan demikian, data tersebut dianggap dapat mewakili
populasi.
4.2.2.2 Uji Multikolinearitas
Uji multikorelasi bertujuan untuk mengetahui apakah hubungan diantara variabel bebas memiliki masalah multikorelasi
gejala multikolinearitas atau tidak. Multikorelasi adalah korelasi yang sangat tinggi atau sangat rendah yang terjadi pada hubungan
Universitas Sumatera Utara
53
diantara variabel bebas.Uji multikorelasi perlu dilakukan jika jumlah variabel independen lebih dari satu. Ada beberapa cara
mendeteksi ada tidaknya multikolinearitas, sebagai berikut : 1. Nilai
�
2
yang dihasilkan oleh suatu estimasi model regresi empiris yang sangat tinggi, tetapi secara individual variabel bebas
banyak yang signifikan memengaruhi variabek terikat. 2. Menganalisis korelasi diantara variabel bebas. Jika diantara
variabel bebas da nada korelasi yang cukup tinggi lebih besar daripada 0,90, hal ini merupakan indikasi adanya
multikoliniearitas. 3. Multikolinearitas dapat juga dilihat dari nilai VIF. Jika VIF
10, tingkat kolinearitas dapat ditoleransi. 4. Nilai Eigenvaluesejumlah satu atau lebih variabel bebas yang
mendekati nol memberikan petunjuk adanya multikolieritas.
Tabel 4.3 Hasil Uji Multikolinearitas
Coefficients
a
Model Collinearity Statistics
Tolerance VIF
1 PAD
.052 3.181
Dana_Perimbangan .091
5.028 Kemandirian_Fiskal
.094 2.609
a. Dependent Variable: Pertumbuhan_Ekonomi
Universitas Sumatera Utara
54
Dari tabel Coefficients yang diperoleh sebelumnya, dapat diketahui bahwa nilai VIF = 3.181 , 5.028 dan 2.609. Artinya, nilai
VIF ini lebih kecil daripada 10, dan dengan demikian dapat disimpulkan bahwa tidak terjadi gejala multikolinearitas diantara
variabel bebas.
4.2.2.3 Uji Autokorelasi
Uji Autokorelasi bertujuan untuk menguji apakah dalam model regresi linier ada korelasi antara kesalahan pengganggu
disturbance term-ed.Pada periode t dan kesalahan pengganggu pada periode sebelumnya t-1.Apabila terjadi korelasi maka hal
tersebut menunjukkan adanya problem autokorelasi. Masalah autokorelasi sering terjadi pada data time series data runtun waktu.
Sementara itu, pada data cross section crosssectional, autokorelasi sangat jarang terjadi sehingga uji autokorelasi tidak wajib dilakukan
pada penelitian yang menggunakan data cross section penelitian yang dilakukan hanya dalam kurun waktu tertentu dan biasanya
menggunakan kuesioner.Uji autokorelasi dapat dilakukan dengan uji Durbin-Watson, uji Langrage Multiplier LM, uji statistic Q,
dan uji Run Test.
Universitas Sumatera Utara
55
Tabel 4.4 Hasil Uji Autokorelasi
Berdasarkan output SPSS pada tabel 4.5 diketahui bahwa nilai Dubrin-Watson sebesar 1,614 sehingga dapat dikatakan tidak
terjadi auto korelasi hal ini bersarkan pengambilan keputusan ada tidaknya autokorelasi dengan cara melihat besaran Dubrin-Watson
D-W sebagai berikut: • angka D-W dibawah -2, berarti ada autokorelasi positif.
• angka D-W diantara -2 sampai +2 berarti tidak ada autokorelasi. • angka D-W di atas +2, berarti ada autokorelasi negatif.
4.2.2.4 Uji Heterokedatisitas
Heterokedastisitas menunjukkan bahwa varians variabel tidak sama untuk semua pengamatanobservasi. Jika varians dari
residual atau pengamatan ke pengamatan yang lain tetap maka disebut homokedatisitas. Model regresi yang baik adalah terjadi
homokedatisitas dalam model, atau dengan perkataan lain tidak terjadi heterokedastisitas. Ada beberapa cara untuk mendeteksi ada
tidaknya heterokedatisitas, yaitu dengan melihat scatterplot serta
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of
the Estimate Durbin-Watson 1
.296
a
.088 .062
.14584 1.614
a. Predictors: Constant, Kemandirian_Fiskal, Dana_Perimbangan, PAD b. Dependent Variable: Pertumbuhan_Ekonomi
Universitas Sumatera Utara
56
melaluimenggunakan uji gletjer, uji Park dan uji White. Uji heterokedatisitas yang paling sering digunakan adalah uji
scatterplot.
4.2.2.4.1 Grafik Plot
Grafik Plot pada gambar 4.3 menunjukkan bahwa titik-titik menyebar secara acak, baik di bagian bawah angka 0
dari sumbu vertical atau sumbu Y. Dengan demikian, dapat disimpulkan bahwa tidak terjadi heterokedatisitas dalam
model regresi ini.
Gambar 4.3
Sumber: Data yang diolah penulis, 2015
4.3 Hasil Pengujian Hipotesis
Universitas Sumatera Utara
57
4.3.1 Hasil Pengukuran Adjusted
