PAD=HPD+RD+PLPD+LPS Keterangan :
E. Teknik Analisis Data
3. Analisis Data
a. Uji Asumsi Klasik 1) Uji Normalitas Data
Salah satu cara termudah untuk melihat normalitas residual adalah dengan melihat grafik histogram yang membandingkan antara data observasi dengan distribusi yang mendekati normal.
Dari hasil pengumpulan data sekunder untuk dilakukan uji normalitas dapat diperoleh grafik histogram sebagai berikut
Gambar 2. Grafik Histogram Normalitas
Dengan melihat tampilan histogram uji normalitas di atas, dapat disimpulkan bahwa histogram menunjukkan pola distribusi normal. Namun demikian hanya dengan melihat histogram, hal ini dapat memberikan hasil yang meragukan khususnya untuk jumlah sampel yang kecil. Metode yang lebih handal untuk melihat normalitas data adalah dengan melihat normal probability plot yang membandingkan distribusi kumulatif dari distribusi normal. Distribusi normal akan membentuk suatu garis diagonal dan ploting data residual akan dibandingkan dengan garis diagonal. Jika distribusi data residual normal, maka garis yang menggambarkan data sesungguhnya akan mengikuti garis diagonal.
Gambar 3. Uji Normalitas Dengan Normal P-Plot Sumber : Output SPSS 16.0, data sekunder yang diolah, 2013
Pada grafik normal probability plot di atas terlihat bahwa titik-titik menyebar berhimpit di sekitar garis diagonal, serta penyebarannya mengikuti arah garis diagonal. Maka model regresi
ini memenuhi asumsi normalitas. Uji normalitas grafik dapat menyesatkan jika tidak berhati-hati secara visual kelihatan normal, padahal secara statistik belum tentu normal. Oleh karena itu dilakukan pengujian statistik dengan cara melakukan uji one sampel
test Kolmogorov-Smirnov. Uji ini digunakan untuk menghasilkan
angka yang lebih detail, apakah suatu persamaan regresi akan dipakai lolos normalitas apabila nilai signifikansi uji Kolmogorov-Smirnov lebih besar dari 0,05
Tabel 7. Hasil Uji Kolmogorov-Smirnov
Sumber : Output SPSS 16.0, data sekunder yang diolah, 2013
Hasil uji Kolmogorov-Smirnov dapat dilihat pada tabel 7. Nilai Kolmogorov-Smirnov 0,650 dengan probabilitas signifikansi 0,792 lebih dari α=0,05 hal ini berarti data terdistribusi secara normal, hasilnya konsisten dengan uji grafik yang dilakukan sebelumnya , sehingga model regresi ini memenuhi uji normalitas.
Standardized Residual
N 132
Normal Parameters a,b Mean 0,0000000
Std. Deviation 0,38719048
Most Extreme Absolute 0,57
Differences Positive 0,36
Negative -0,57
Kolmogorov-Smirnov Z 0,650
2) Uji Multikolonieritas
Uji multikolonieritas bertujuan untuk menguji apakah dalam model regresi terdapat korelasi antar variabel bebas. Dikatakan terjadi multikolonieritas, jika koefisien korelasi antar variabel bebas lebih besar dari 0,60, dikatakan tidak terjadi multikolonieritas jika koefisien korelasi antar variabel bebas, lebih kecil atau sama dengan 0,60 (Danang Sunyoto, 2007). Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel bebasnya. Adapun hasil uji multikolonieritas dengan menggunakan matriks korelasi sebagai berikut :
Tabel 8. Uji Multikolonieritas Dengan Matriks Korelasi
Model DAU PE PAD
1 Correlation DAU 1,000 0,35 -0,241 PE 0,35 1,000 -0,376 PAD -0,241 -0,376 1,000 Covariances DAU 0,002 0,005 0,000 PE 0,005 16,006 -0,132 PAD 0,000 -0,132 0,008
Sumber: Output SPSS 16.0, data sekunder yang diolah
Melihat hasil besaran korelasi antar variabel independen tampak bahwa hanya variabel Pertumbuhan Ekonomi (PE) yang mempunyai korelasi cukup tinggi dengan variabel Pendapatan Asli Daerah (PAD) dengan tingkat korelasi sebesar -0,376 atau sekitar 37,6%. Karena korelasi ini masih di bawah 0,60 atau 60%, maka dapat dikatakan tidak terjadi multikolonieritas yang serius.
Selain menggunakan matriks korelasi, multikolonieritas juga dapat dideteksi dengan melihat nilai tolerance dan lawannya VIF. Tolerance mengukur variabilitas variabel independen yang terpilih yang tidak dijelaskan oleh variabel independen lainnya. Nilai
tolerance yang rendah sama dengan nilai VIF tinggi (
VIF=1/tolerance) dan menunjukkan adanya kolonieritas yang tinggi. Nilai cut-off yang umum dipakai adalah nilai tolerance 0,10. Berikut hasil uji multikolonieritas dengan melihat nilai tolerance dan lawannya VIF :
Tabel 9. Hasil Uji Multikolonieritas Dengan Nilai Tolerance dan VIF
Sumber: Output SPSS 16.0, data sekunder yang diolah
Hasil perhitungan nilai tolerance juga menunjukkan tidak ada variabel independen yang memiliki tolerance kurang dari 0,10 yang berarti tidak ada korelasi antar variabel independen. Hasil perhitungan nilai Variance Inflation Factor (VIF) juga menunjukkan hal yang sama tidak ada satu variabel independen yang memiliki nilai VIF lebih dari 10. Jadi dapat disimpulkan bahwa tidak ada multikolonieritas antar variabel independen dalam regresi.
Model Collinierity Statistic
Tolerance VIF
PE 0,855 1,169
PAD 0,807 1,240
3) Uji Heterokedastisitas
Uji Heterokedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varians dari residual satu pengamatan ke pengamatan yang lain tetap, maka disebut homokedastisitas atau tidak terjadi heterokedastisitas ( Imam Ghozali, 2011). Di dalam pengujian heteroskedastisitas pada penelitian ini didasarkan pada Scatterplot. Berdasarkan pengujian dengan SPSS diperoleh grafik Scatterplot sebagi berikut.
Gambar 4. Diagram Heteroskestisitas
Sumber. Output SPSS 16.0 , data sekunder yang diolah 2013
Salah satu cara untuk mendeteksi adanya heteroskedastisitas adalah dengan melihat grafik plot antara nilai predisi variabel independen (ZPRED) dengan residualnya (SRESID). Deteksi ada tidaknya heteroskedastisitas dapat dilakukan dengan melihat ada tidaknya pola tertentu pada grafik scatterplot antara SRESID dan ZPRED di mana sumbu Y adalah Y yang telah diprediksi, dan sumbu X adalah residual (Y prediksi – Y sesungguhnya) yang telah di-studentized (Imam Ghozali, 2011).
Dari gambar 4 di atas terlihat titik-titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y, tidak ada pola tertentu yang teratur. Oleh karena itu, dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi ini.
4) Uji Autokorelasi
Uji autokorelasi dilakukan untuk mengidentifikasi apakah dalam model regresi linier ada korelasi antar kesalahan pengganggu pada periode t dengan kesalahan penggangu pada periode t-1 (sebelumnya). Untuk mengetahui ada tidaknya autokorelasi dapat dilihat dengan nilai uji Durbin –Watson (D-W).
Tabel 10. Hasil uji autokorelasi
Model Durbin- Watson
1 1,886
Sumber. Output SPSS 16.0 , data sekunder yang diolah 2013
Dengan nilai tabel pada tingkat signifikansi 5%, jumlah data 132 (n) dan jumlah variabel independen 3 (k=3), maka dari tabel Durbin-Watson akan didapatkan nilai batas atas (dU) 1,774 dan batas bawah (dL) 1,693. Karena nilai DW 1,886 lebih besar dari batas atas (dU) 1,774 dan kurang dari 4-1,774 (4-dU), maka dapat disimpulkan bahwa tidak terdapat autokorelasi pada model regresi ini.
b. Uji Hipotesis
1) Analisis Regresi Linier Sederhana