50
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.
4.2.2.1 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. Dalam penelitian ini, uji normalitas terhadap residual
dengan menggunakan uji Jarque-Bera J-B. Dalam penelitian ini, tingkat signifikansi yang digunakan
. Dasar pengambilan keputusan adalah melihat angka probabilitas dari statistik J-B,
dengan hipotesis sebagai berikut:
51
H0 : Data residual berdistribusi normal H1 : Data residual tidak berdistribusi normal
Jika nilai probabilitas 0,05, maka asumsi normalitas terpenuhi, dan jika probabilitas 0,05, maka asumsi normalitas tidak
terpenuhi.
2 4
6 8
10 12
14
-100000 -50000
50000 100000
Series: RESID Sample 1 42
Observations 42
Mean 2.30e-12
Median -661.6123
Maximum 103437.0
Minimum -97188.18
Std. Dev. 44868.60
Skewness 0.178737
Kurtosis 3.247005
Jarque-Bera 0.330398
Probability 0.847725
Gambar 4.2 Uji Normalitas dengan Uji Jarque-Bera Sumber : hasil olahan
software Eviews 7
Perhatikan bahwa berdasarkan Gambar 4.2, diketahui nilai probabilitas dari statistik J-B adalah 0,8477. Karena nilai
probabilitas , yakni 0,8477, lebih besar dibandingkan tingkat signifikansi, yakni 0,05. Hal ini berarti H0 diterima dan H1 ditolak,
dimana asumsi normalitas dipenuhi.
4.2.2.2 Uji Multikolinearitas
Pengujian ini dilakukan untuk menguji apakah dalam model regresi ditemukan adanya korelasi yang tinggi antar
52
variabel bebas Ghozali, 2011:105. Ketika terdapat korelasi antar variabel bebas yang cukup tinggi, maka permasalahan ini disebut
dengan istilah multikolinearitas. Jika terjadi multikolinearitas yang sempurna perfect 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.
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 Tabel 4.3.
Tabel 4.3 Uji Multikolinearitas dengan Matriks Korelasi
PAD DAU
DAK
PAD
1.000000 0.835718
0.434483
DAU
0.835718 1.000000
0.441388
DAK
0.434483 0.441388
1.000000
Sumber : hasil olahan software Eviews 7
Berdasarkan Tabel 4.3, dapat dilihat bahwa korelasi antara pendapatan asil daerah PAD dan dana alokasi umum DAU
sebesar 0,83, korelasi antara pendapatan asil daerah PAD dan
53
dana alokasi khusus DAK sebesar 0,43, serta korelasi antara dana alokasi umum DAU dan dana alokasi khusus DAK sebesar
0,44. Dari hasil pengujian multikolinearitas pada Gambar 4.3 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.
4.2.2.3 Uji Autokorelasi
