51
Kolmogorov-Smirnov dapat dilihat pada tabel 4.2. Berdasarkan output SPSS di bawah ini terlihat bahwa nilai asymp sig 2- tailed adalah 0,131 dan di atas nilai
signifikan 0,05 dengan kata lain variabel residual berdistribusi normal.
Tabel 4.2 HASIL UJI ONE-SAMPLE KOLMOGOROV-SMIRNOV
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 90
Normal Parameters
a,b
Mean ,0000000
Std. Deviation 11506,53083578
Most Extreme Differences
Absolute ,085
Positive ,057
Negative -,085
Test Statistic ,085
Asymp. Sig. 2-tailed ,131
a. Test distribution is Normal. b. Calculated from data.
c. Lilliefors Significance Correction. Sumber: Data Sekunder yang diolah SPSS 2016
4.3.2 Uji Multikolinearitas
Uji multikolinearitas dilakukan untuk menguji apakah pada model regresi ditemukan adanya korelasi antar variabel bebas.
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
Universitas Sumatera Utara
52
= 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 Colinearity Statistic
Sumber: Diolah oleh penulis 2016
Hasil uji statistik nilai Tolerance menunjukkan tidak ada variabel independen yang memiliki nilai Tolerance kurang dari 0.10, dan demikian juga
hasil perhitungan Variance Inflation Factor VIF menunjukkan nilai VIF lebih kecil dari 10.
4.3.3 Uji Autokorelasi
Uji autokorelasi bertujuan menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients T
Sig. Collinearity Statistics
B Std. Error
Beta Tolerance VIF
1 Constant
-10160,960 5690,297
-1,786 ,078
DAK_DIK 2,026E-6
,000 ,731
9,454 ,000
,679 1,474
DAK_KE S
1,944E-6 ,000
,150 1,915
,059 ,659
1,518 DAK_LH
-7,057E-6 ,000
-,125 -1,895
,061 ,930
1,075 a. Dependent Variable: KEMISKINAN
Sumber: Data Sekunder yang diolah SPSS 2016
Universitas Sumatera Utara
53
pengganggu pada periode t-1 sebelumnya. Jika terjadi korelasi, maka dinamakan ada masalah 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. Salah satu cara untuk mengetahui ada atau tidaknya korelasi
yaitu dengan melakukan uji Durbin-Watson DW test.
Tabel 4.4 Uji Statistik Durbin-Watson
Sumber: Data Sekunder yang diolah SPSS 2016 Berdasarkan output SPSS 22 pada tabel 4.4 diketahui bahwa nilai
Dubrin-Watson sebesar 1,772 sehingga dapat dikatakan tidak terjadi autokorelasi hal ini bersarkan pengambilan keputusan ada tidaknya autokorelasi menurut
Ghozali 2006:218 dengan cara melihat besaran Dubrin-Watson D-W sebagai berikut:
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of
the Estimate Durbin-
Watson 1
,807
a
,651 ,639 11705,50577
1,772 a. Predictors: Constant, DAK_LH, DAK_DIK, DAK_KES
b. Dependent Variable: KEMISKINAN
Universitas Sumatera Utara
54
• 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
4.3.4 Uji Heteroskedastisitas
