Uji Asumsi Klasik Analisis Hasil Penelitian

5. belanja Modal terendah adalah 22,11, Belanja Modal yang tertinggi adalah 24,94 dengan rata-rata 23,4167 serta standard deviasi 1,7657, 6. pertumbuhan Ekonomi terendah adalah 27,30, Pertumbuhan Ekonomi yang tertinggi adalah 31,65 dengan rata-rata 29,0971 serta standard deviasi 1,14010.

2. Uji Asumsi Klasik

Salah satu syarat yang menjadi dasar penggunaan model regresi berganda dengan metode Ordinary Least Square OLS adalah dipenuhinya semua asumsi klasik, agar hasil pengujian bersifat tidak bias dan efisien Best Linear Unbiased EstimatorBLUE. Pengujian asumsi klasik dalam penelitian ini dilakukan dengan bantuan program statistik. Menurut Ghozali 2005:123 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. a. Uji Normalitas Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki memiliki distribusi normal. Seperti diketahui bahwa uji t dan F mengasumsikan bahwa nilai residual mengikuti distribusi normal. Kalau asumsi ini dilanggar maka uji sattistik menjadi tidak valid untuk jumlah sampel kecil. Data yang baik adalah data yang mempunyai pola seperti distribusi normal, yakni distribusi data tersebut tidak menceng ke kiri atau menceng ke kanan. Setelah melakukan uji normalitas dengan Universitas Sumatera Utara mengunakan software SPSS diketahui bahwa model regresi penelitian ini berdistribusi secara normal hal ini dapat disimpilkan melalui: 1 Analisis Grafik Analisis grafik dapat digunakan dengan dua alat, yaitu grafik histogram dan grafik P- P Plot. 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 menceng ke kiri atau ke kanan, melainkan menyebar di sekitar garis diagonal. Gambar 4.1 Grafik Histogram Sumber: Data yang diolah penulis, 2009. Universitas Sumatera Utara Gambar 4.2 Grafik P-P Plot Sumber: Data yang diolah penulis, 2009. 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 Pengujian normalitas data dengan hanya melihat grafik dapat menyesatkan kalau tidak melihat secara seksama, sehingga kita perlu melakukan uji normalitas data dengan menggunakan statistik agar lebih meyakinkan. Untuk memastikan apakah data di sepanjang garis diagonal berdistribusi normal, maka dilakukan uji Kolmogorov-Smirnov 1 sample KS Universitas Sumatera Utara dengan melihat data residualnya apakah berdistribusi normal atau tidak. Jika nilai signifikansinya lebih besar dari 0,05 maka data tersebut terdistribusi normal. Jika nilai signifikansinya lebih kecil dari 0,05 maka distribusi data adalah tidak normal. Hasil uji Kolmogorov-Smirnov dapat dilihat pada tabel 4.2. Berdasarkan output SPSS di bawah ini terlihat bahwa nilai asymp sig 2-tailed adalah 0,824 dan di atas nilai signifikan 0,05 dengan kata lain variabel residual berdistribusi normal. Tabel 4.2 Hasil Uji Normalitas One-Sample Kolmogorov-Smirnov Test One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 60 Normal Parameters a Mean .0000000 Std. Deviation .30705854 Most Extreme Differences Absolute .081 Positive .068 Negative -.081 Kolmogorov-Smirnov Z .629 Asymp. Sig. 2-tailed .824 a. Test distribution is Normal. Universitas Sumatera Utara b. Uji Multikolinearitas “Uji multikolinearitas dilakukan untuk menguji apakah pada model regresi ditemukan adanya korelasi antar variabel bebas” Ghozali, 2005:91. Menurut Ghozali 2005:91 “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 = terjadi multikolinearitas. Apabila nilai tolerance 0,1 atau VIF 10 = tidak terjadi multikolinearitas. Hasil pengujian terhadap multikolinearitas pada penelitian ini dapat dilihat pada tabel 4.3. Tabel 4.3 Hasil Uji Multikolinearitas Coefficients a Model Unstandardized Coefficients Standardiz ed Coefficien ts t Sig. Collinearity Statistics B Std. Error Beta Toleran ce VIF 1 Constant -8.636 2.211 -3.907 .000 Pendapatan Asli Daerah .443 .080 .390 5.540 .000 .266 3.763 Dana Alokasi Umum 1.454 .166 .723 8.753 .000 .193 5.176 Dana Alokasi Khusus -.447 .088 -.297 -5.095 .000 .388 2.575 Belanja Modal -.021 .031 -.032 -.660 .512 .559 1.787 a. Dependent Variable: Pertumbuhan Ekonomi Sumber: Data yang diolah penulis, 2009. Universitas Sumatera Utara Tabel 4.4 Koefisien Korelasi Coefficient Correlations a Model Belanja Modal Pendapatan Asli Daerah Dana Alokasi Khusus Dana Alokasi Umum 1 Correlations Belanja Modal 1.000 -.122 -.383 -.117 Pendapatan Asli Daerah -.122 1.000 .605 -.828 Dana Alokasi Khusus -.383 .605 1.000 -.632 Dana Alokasi Umum -.117 -.828 -.632 1.000 Covariances Belanja Modal .001 .000 -.001 .000 Pendapatan Asli Daerah .000 .006 .004 -.011 Dana Alokasi Khusus -.001 .004 .008 -.009 Dana Alokasi Umum .000 -.011 -.009 .028 a. Dependent Variable: Pertumbuhan Ekonomi Sumber: Data yang diolah penulis, 2009. Berdasarkan tabel 4.4 maka kita dapat melihat hasil besaran korelasi antar variabel dependen tampak bahwa hanya variabel Pendapatan Asli Daerah yang mempunyai korelasi cukup tinggi dengan variabel Dana Alokasi Umum dengan tingkat korelasi - 0,828 atau sekitar 82,8 . Oleh karena korelasi ini masih dibawah 95 , maka dapat dikatakan tidak terjadi multikolinearitas. Hasil perhitungan nilai tolerance yang terdapat dalam table 4.4 juga menunjukan tidak ada variabel independen yang memiliki nilai tolerance kurang dari 0,10 yang berarti tidak ada korelasi antara variabel independen yang nilainya lebih dari 95. Hasil perhitungan nilai Variance Inflation Factor VIF juga menunjukan hal yang sama bahwa tidak ada satu variabel independen yang memiliki nilai VIF lebih dari 10. Jadi dapat Universitas Sumatera Utara disimpulkan bahwa tidak ada multikolinearitas antara variabel independen dalam model regresi dalam penelitian ini. c. Uji Autokorelasi Uji autokorelasi bertujuan menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 sebelumnya. Jika terjadi korelasi, maka dinamakan ada problem 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 output SPSS pada tabel 4.5 diketahui bahwa nilai Dubrin-Watson sebesar 1,388 sehingga dapat dikatakan tidak terjadi auto korelasi hal ini bersarkan pengambilan keputusan ada tidaknya autokorelasi menurut Ghozali 2005:218 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 negative. Universitas Sumatera Utara Tabel 4.5 Hasil Uji Autokorelasi Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .963 a .927 .922 .31803 1.388 a. Predictors: Constant, Belanja Modal, Pendapatan Asli Daerah, Dana Alokasi Khusus, Dana Alokasi Umum b. Dependent Variable: Pertumbuhan Ekonomi d. Uji Heteroskedastisitas Uji heterokedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Jika variance dari residual dari satu pengamatan ke pengamatan yang lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik adalah yang homoskedastisitas atau tidak terjadi heteroskedastisitas. 1 Grafik Plot Grafik Plot pada gambar 4.3 menunjukkan bahwa tidak ada pola yang jelas, serta titik – titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas. Universitas Sumatera Utara Gambar 4.3 Sumber: Data yang diolah penulis, 2009. 2 Uji Glejser Tabel 4.6 Hasil Uji Glejser Coefficients a Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 Constant -8.636 2.211 -3.907 .000 Pendapatan Asli Daerah .443 .080 .390 5.540 .000 Dana Alokasi Umum 1.454 .166 .723 8.753 .000 Dana Alokasi Khusus -.447 .088 -.297 -5.095 .000 Belanja Modal -.021 .031 -.032 -.660 .512 a. Dependent Variable: Pertumbuhan Ekonomi Sumber: Data yang diolah penulis, 2009. Universitas Sumatera Utara Hasil tampilan output SPSS pada tabel 4.6 dengan jelas menunjukkan hanya satu variabel independen yang signifikan secara statistic tidak mempengaruhi variabel dependen, hal ini terlihat dari nilai signifikansinya di atas 5, jadi dapat disimpulkan tidak terjadi Heteroskedastisitas. Namun, variable Pendapatan Asli Daerah, Dana Alokasi Umum, dan Dana Alokasi Khusus memiliki signifikansi di bawah 5, dan dapat disimpulkan terjadi heterokedastisitas.

3. Hasil Pengujian Hipotesis