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