54
3.7.1.2 Uji Multikolinieritas
Uji multikolinieritas berhubungan dengan adanya korelasi antara variabel independen. Sebuah persamaan regresi dikatakan baik bila
persamaan tersebut memiliki variabel independen yang saling tidak berkorelasi. Semakin rendah korelasi antar variabel independen maka
persamaan tersebut akan semakin baik. Uji ini harus dilakukan bila kita ingin mendapatkan hasil yang baik dan menggunakan persamaan
regresi tersebut sebagai penduga estimator Erlina 2011 : 103. Pengambilan keputusan multikolinearitas dilakukan dengan
melihat: 1. VIF atau CI 10 maka diduga mempunyai persoalan
multikolonieritas. 2. VIF atau CI 10 maka tidak terdapat persoalan
multikolonieritas. 3. Tolerance 0,1 maka diduga mempunyai persoalan
multikolonieritas. 4. Tolerance
0,1 maka
tidak terdapat
persoalan multikolonieritas.
3.7.1.3 Uji Heteroskedastisitas
Uji heterokedastisitas bertujuan untuk menguji apakah dalam model regresi tidak terjadi kesamaan regresi terjadi ketidaksamaan
varian dari residual suatu pengamatan ke pengamatan lain Erlina 2011 : 106, Jika varian dari residual suatu pengamatan ke pengamatan
lainnya tetap maka disebut homokedastisitas dan jika berbeda maka disebut heteroskedastisitas. Model regresi yang baik adalah regresi yang
bebas dari heteroskedastisitas.
Universitas Sumatera Utara
55
3.7.1.4 Uji Autokorelasi
Uji Autokorelasi bertujuan untuk menguji apakah dalam model regresi linear ada korelasi antar kesalahan pengganggu pada periode
saat ini dengan kesalahan pengganggu pada periode sebelumnya Erlina, 2011 : 107, Autokorelasi sering terjadi pada sampel dengan
data time series. Run test digunakan untuk menguji ada tidaknya gejala autokorelasi pada penelitian yang dilakukan. Hasil output SPSS dengan
model probabilitas signifikansi dibawah 0,05 menyimpulkan terdapat gejala autokorelasi pada model regresi yang digunakan Ghozali,
2005:108. Pengambilan keputusan ada tidaknya autokorelasi dengan cara
melihat besaran durbin-watson D-W sebagai berikut: 1.
Angka D-W dibawah -2, berarti ada autokorelasi positif. 2.
Angka D-W diantara -2 sampai +2 berarti tidak ada autokorelasi.
3. Angka D-W diatas +2, berarti ada autokorelasi negatif.
Jika asumsi telah terpenuhi dapat dilakukan model persamaan linear berganda dari data yang tersedia.
3.7.2 Persamaan Regresi Linear Berganda
Metode ini merupakan metode pengamatan yang memiliki banyak data yang terjadi sebagai akibat lebih dari dua variabel disebut X1, X2, X3, dan
seterusnya yang dapat mempengaruhi hasil pengamatan dari variabel terikat
Universitas Sumatera Utara
56 yang disebut Y Sudjana, 2005 : 347. Hubungan fungsional antara variabel
terikat dan variabel bebas dibuat sebagai berikut:
Dimana : Y
= Variabel Dependen = Konstanta
= Koefisien regresi berganda X
= Variabel Independen e
= Variabel pengganggu error Jika e diasumsikan = 0, maka diperoleh persamaan regresi linear
berganda dari suatu populasi sebagai berikut: ̂
Sedangkan persamaan linear berganda untuk sampel, satu variabel dependen dan lima variabel independen dapat dinyatakan sebagai berikut:
̂ + + Dimana:
̂ = Belanja Modal BM
= Konstanta b
= Koefisien regresi berganda X
= Pendapatan Asli Daerah PAD X
2
= Dana Bagi Hasil DBH X
3
= Dana Alokasi Umum DAU
Universitas Sumatera Utara
57 X
4
= Dana Alokasi Khusus DAK X
5
= Sisa Lebih Pembiayaan Anggaran SiLPA
3.7.3 Koefisien Determinasi
Koefisien determinasi pada intinya mengukur seberapa jauh
kemampuan model dalam menerangkan variasi variabel dependen. Nilai koefisien determinasi adalah antara nol dan satu. Nilai yang mendekati satu
berarti variable - variabel independen memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen. Kelemahan
mendasar dari penggunaan koefisien determinasi adalah bias terhadap jumlah variabel independen yang dimasukkan kedalam model. Setiap tambahan satu
variabel independen, maka pasti meningkat tidak peduli apakah variabel
tersebut berpengaruh secara signifikan terhadap variabel dependen. Oleh karena itu banyak peneliti menganjurkan untuk menggunakan nilai Adjusted
pada saat mengevaluasi mana model regresi terbaik. Secara matematis jika nilai
=1, maka Adjusted sedangkan jika nilai
, maka Adjusted
jika k 1, maka adjusted akan bernilai negatif.
Nilai R Square dikatakan baik jika di atas 0,5 karena nilai R Square berkisar antara 0 sampai 1. Pada umumnya sampel dengan data Time Series
memiliki R Square maupun Adjusted R Square cukup tinggi atau 0,5. Sedangkan sampel dengan data silang Crossection pada umumnya memiliki
R Square Square maupun Adjusted R Square agak rendah yaitu 0,5, namun
Universitas Sumatera Utara
58 tidak menutup kemungkinan nilai R Square maupun Adjusted R Square cukup
tinggi.
3.7.4 Pengujian Hipotesis
Mengingat dalam banyak penelitian sering ingin mengetahui apakah antara dua variabel terdapat hubungan yang independen atau tidak, maka kita
perlu melakukan uji independensi. Secara statistik, setidaknya ini dapat diukur dengan pengujian hipotesis parsial uji signifikan T dan pengujian
hipotesis simultan uji signifikan F.
3.7.4.1 Pengujian Hipotesis Parsial Uji Signifikan T
Uji signifikan T digunakan untuk membuktikan apakah variabel independen secara parsial mempengaruhi variabel dependen. Untuk
mengetahui apakah Pendapatan Asli Daerah, Dana Bagi Hasil, Dana Alokasi Umum, Dana Alokasi Khusus, dan Sisa Lebih Pembiayaan
Anggaran secara parsial berpengaruh signifikan terhadap Belanja Modal pada KabupatenKota di Provinsi Sumatera Utara pada periode
tahun 2009 - 2013. Menurut Sudjana 2012 : 227, “ untuk menguji
apakah hipotesis yang diajukan diterima atau ditolak digunakan uji t”. Jika t hitung t tabel, maka Ho diterima dan Ha ditolak, sedangkan jika
t hitung t tabel, maka Ho ditolak dan Ha diterima. Jika tingkat signifikan dibawah 0,05 maka Ho ditolak dan Ha diterima.
Universitas Sumatera Utara
59
3.7.4.2 Pengujian Hipotesis Simultan Uji Signifikan F