4.2 Uji Asumsi Klasik
Menurut Gujarati 2003 suatu model dikatakan baik untuk alat prediksi apabila mempunyai sifat-sifat best linear unbiased estimator BLUE.Di samping
itu suatu model dikatakan cukup baik dan dapat dipakai untuk memprediksi apabila sudah lolos dari serangkaian uji asumsi ekonometrika yang
melandasinya.Suatu model regresi berganda yang digunakan untuk menguji hipotesa harus memenuhi asumsi klasik. Uji asumsi klasik dilakukan juga untuk
mendapatkan model regresi yang tidak bias dan efisien. Estimasi dari parameter-parameter dengan metode ordinary least square
OLS akan memiliki sifat ketidakbiasan unbiasedness, varians yang minimum minimum varians, dan sebagainya, yang disebut best linear unbiased estimator
BLUE Gujarati, 2003:107, Supranto, 2005:70. Dalam penggunaan regresi linear berganda, terdapat empat uji asumsi klasik, yakni uji normalitas residual, uji
multikolinearitas, uji autokorelasi, dan uji heteroskedastisitas Supranto, 2005:151.
4.2.1 Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi
normal.Seperti diketahui bahwa uji � dan � mengasumsikan bahwa nilai
residual mengikuti distribusi normal.Kalau asumsi ini dilanggar maka uji statistik menjadi tidak valid untuk jumlah sampel kecil Ghozali,
2011:160, Gujarati, 2003:339, Field, 2009:221, Supranto, 2005:90.Dalam penelitian ini, uji normalitas terhadap residual dengan menggunakan uji
Jarque-Bera J-B. Dalam penelitian ini, tingkat signifikansi yang digunakan
� = 0,05. Dasar pengambilan keputusan adalah melihat angka probabilitas dari statistik J-B, dengan ketentuan sebagai berikut :
Jika nilai probabilitas � ≥ 0,05, maka asumsi normalitas terpenuhi.
Jikanilai probabilitas 0,05, maka asumsi normalitas tidak terpenuhi.
Gambar 4.1 Uji Normalitas dengan Uji Jarque-Bera
Sumber : hasil olahan software Eviews 7
Perhatikan bahwa berdasarkan Gambar 4.1, diketahui nilai probabilitas dari statistik J-B adalah 0,361. Karena nilai probabilitas
�, yakni 0,361, lebih besar dibandingkan tingkat signifikansi, yakni 0,05. Hal
ini berarti asumsi normalitas dipenuhi.
4.2.2 Uji Multikolinearitas
Pengujian ini dilakukan untuk menguji apakah dalam model regresi ditemukan adanya korelasi yang tinggi antar variabel bebas Ghozali,
2011:105.Ketika terdapat korelasi antar variabel bebas yang cukup tinggi, maka permasalahan ini disebut dengan istilah multikolinearitas Stevens,
2009:74. Jika terjadi multikolinearitas yang sempurna perfect
1 2
3 4
5 6
7
-0.03 -0.02
-0.01 0.00
0.01 0.02
0.03 0.04
Series: Residuals Sample 1 42
Observations 42 Mean
2.20e-17 Median
-0.001062 Maximum
0.038173 Minimum
-0.029516 Std. Dev.
0.018138 Skewness
0.287862 Kurtosis
2.087497 Jarque-Bera
2.037212 Probability
0.361098
multicolinearity, maka koefisien-koefisien regresi dari variabel bebas tidak dapat ditentukan indeterminate, jika terjadi multikolinearitas yang
tinggi, koefisien-koefisien regresi dari variabel bebas dapat ditentukan, namun memiliki nilai standar error yang tinggi yang berarti bahwa
koefisien-koefisien regresi tersebut tidak dapat diestimasi dengan tepat atau akurat Gujarati, 2003:344. Field 2009:221 juga menyatakan
bahwa seharusnya tidak terjadi hubungan linear yang sempurna perfect linear relationship dari dua atau lebih variabel bebas. Jadi, variabel-
variabel bebas seharusnya tidak berkorelasi terlalu tinggi not correlate too highly.
Dalam penelitian ini, gejala multikolinearitas dapat dilihat dari nilai korelasi antar variabel yang terdapat dalam matriks korelasi. Ghozali
2006:91 menyatakan jika antar variabel independen ada korelasi yang cukup tinggi umumnya di atas 0,9, maka hal ini merupakan indikasi
adanya multikolinearitas. Hasil uji multikolinearitas disajikan pada Gambar 4.2.
Tabel 4.2 Uji Multikolinearitas dengan Matriks Korelasi
Belanja Modal PAD
Belanja Modal 1.000000
0.534426 PAD
0.534426 1.000000
Sumber : hasil olahan software Eviews 7
Berdasarkan Gambar 4.2, dapat dilihat bahwa korelasi antara Pendapatan AsliDaerah PAD dan Belanja Modal sebesar 0,5344. Dari
hasil pengujian multikolinearitas pada Gambar 4.2 dapat disimpulkan
bahwa tidak terdapat gejala multikolinearitas antar variabel independen. Gejala multikolinearitas terjadi apabila nilai korelasi antar variabel
independen lebih besar dari 0,90 Ghozali, 2006:91.
4.2.3 Uji Non-Autokorelasi atau Independensi Residual Independent
Kategori