HASIL PENELITIAN DAN PEMBAHASAN
5.2. Analisa Data
5.2.1. Hasil uji asumsi klasik
Uji asumsi klasik dilakukan dalam upaya untuk memperoleh hasil analisis regresi yang sahih (valid). Ada 4 (empat) asumsi klasik yang harus dipenuhi, yaitu: memiliki distribusi data normal, tidak terjadi multikolinieritas antara variabel independen, tidak terjadi heteroskedastisitas, dan tidak terjadi autokorelasi antara residual setiap variabel independen. Berikut ini pengujian untuk menentukan apakah keempat asumsi klasik tersebut dipenuhi atau tidak.
5.2.1.1. Uji normalitas data
Sebelum dilakukan pengolahan data dengan menggunakan uji regresi, terlebih dahulu dilakukan uji normalitas data. Uji normalitas data dilakukan untuk
menganalisis apakah syarat persamaan regresi sudah dipenuhi atau belum. Output dari uji normalitas data adalah berupa gambar visual yang menunjukkan jauh-dekatnya titik-titik pada gambar tersebut dengan garis diagonal. Jika data berasal dari distribusi normal, maka nilai-nilai sebaran data yang tercermin dalam titik-titik pada output akan terletak di sekitar garis diagonal. Sebaliknya, jika data berasal dari distribusi yang tidak normal maka titik-titik tersebut tersebar tidak di sekitar garis diagonal (terpencar jauh dari garis diagonal), dapat dilihat pada grafik Normal P-P Plot of Regression Standarized Residual, berikut:
Gambar 5.7. Uji normalitas data Sumber: Lampiran 7 (Hasil olah SPSS).
Melihat tampilan grafik histogram pada Gambar 5.7 di atas dapat disimpulkan bahwa pola distribusi data mendekati normal. Kemudian pada grafik normal plot terlihat titik-titik sebaran mendekati garis normal. Hasil uji normalitas data yang kedua untuk memastikan apakah data normal atau tidak menggunakan Kolmogrov Smirnov Test berikut:
Tabel 5.3. Uji normalitas data One-Sample Kolmogorov-Smirnov Test Standarized
Residual
N 12
Normal Parametersa Mean .0000000
Std. Deviation 4.61211581E3 Most Extreme Differences Absolute .193 Positive .114 Negative -.193 Kolmogorov-Smirnov Z .669
Asymp. Sig. (2-tailed) .761
a. Test distribution is Normal.
Sumber: Lampiran 7 (Hasil olah SPSS).
Melihat tampilan Tabel 5.3 Kolmogorov-Smirnov Test dapat disimpulkan bahwa pola distribusi data normal, yaitu nilai Asymp Sig 0,761 > á 0,05. Jika data sudah dikatakan normal maka analisa uji hipotesis dapat dilanjutkan.
5.2.1.2. Uji multikolinieritas
Ada tidaknya masalah multikolinieritas dalam sebuah model regresi dapat dideteksi dengan nilai VIF (variance inflactor factor) dan nilai toleransi (tolerance). Suatu model regresi dikatakan bebas dari masalah multikolinieritas jika mempunyai nilai VIF lebih kecil dari 10 dan mempunyai nilai tolerance di atas 0,1 (Ghozali, 2006). Dalam model regresi ini, hasil uji multikolinieritas dapat dilihat dari tabel berikut ini:
Tabel 5.4. Uji multikolinieritas Coefficientsª
Model Collinearity Statistics
Tolerance VIF
1 (Constant)
Jumlah Wajib Pajak .120 8.314 PDRB Perkapita ADHB .107 9.363
Inflasi .455 2.196
Tingkat Suku Bunga .233 4.298
Investasi .656 1.524
a.Independent Variable: Penerimaan PBB P2 Sumber: Lampiran 7 (Hasil olah SPSS).
Nilai VIF dan tolerance pada Tabel 5.4 di atas menunjukkan bahwa semua variabel dalam penelitian ini tidak mengalami multikolinieritas. Hal ini ditunjukkan oleh nilai VIF kelima variabel tersebut yang besarnya kurang dari 10, dan nilai tolerance jauh melebihi angka 0,1. Dengan hasil tersebut maka langkah selanjutnya bisa diteruskan.
5.2.1.3. Uji heteroskedastisitas
Mendeteksi ada atau tidaknya masalah heteroskedastisitas dalam suatu model regresi bisa dilakukan dengan melihat pola titik-titik pada grafik scatterplot dengan dasar pengambilan keputusan sebagai berikut:
1) Jika ada pola tertentu, seperti titik-titik membentuk suatu pola yang teratur, maka telah terjadi heteroskedastisitas.
2) Jika tidak ada pola yang jelas serta titik-titik menyebar tidak teratur maka tidak terjadi heteroskedastisitas.
Hasil daripelaksanaan uji heteroskedastisitas terlihat pada gambar ini:
Gambar 5.8. Uji heteroskedastisitas Sumber: Lampiran 7 (Hasil olah SPSS).
Berdasarkan Gambar 5.8 di atas menunjukkan bahwa titik-titik yang dihasilkan menyebar secara acak dan tidak membentuk suatu pola atau trend garis tertentu. Gambar di atas juga menunjukkan bahwa sebaran data ada di sekitar titik nol. Hasil pengujian ini menunjukkan bahwa model regresi ini bebas dari masalah heteroskedastisitas, dengan perkataan lain: variabel-variabel yang akan diuji dalam penelitian ini bersifat homokedastis.
5.2.1.4. Uji autokorelasi
Untuk mendeteksi terjadinya autokorelasi dilakukan perbandingan nilai Durbin-Watson (DW)-statistik dengan nilai DW-tabel. Nilai DW-statistik dalam penelitian ini dapat diketahui dengan melihat koefisien korelasi DW-statistik (DW-test) melalui uji Durbin-Watson pada tabel berikut ini:
Tabel 5.5. Uji Durbin Watson Model Summaryᵇ Model Change Statistics Durbin-Watson R Square Change F Change df1 df2 Sig. F Change 1 .993 165.364 5 6 .000 2.347
a. Predictors: (Constant), INVESTASI, PDRB perkapita ADHB, INFLASI, SUKU BUNGA, WAJIB PAJAK
b. Independent Variable: PBB P2
Sumber: Lampiran 7 (Hasil olah SPSS).
Berdasarkan Tabel 5.5 di atas menunjukkan bahwa nilai DW-statistik yang didapatkan sebesar 2,347. Untuk mengetahui ada tidaknya autokorelasi dapat dilakukan dengan uji Durbin Watson, yaitu dengan membandingkan nilai DW dari hasil regresi dengan nilai dL dan dU dari tabel Durbin Watson. Nilai tabel batas bawah (dL) Durbin Waston pada jumlah observasi 12 dengan jumlah independen 5 adalah 0,379 dan batas atasnya (dU) sebesar 2,506. Besaran ini akan menghasilkan nilai 4 - dU = 4 – 2,506 = 1,494 dan 4 - dL = 4 – 0,379 = 3,621. Hasil ini dalam tabel menunjukkan tidak ada autokorelasi atau 4-dU ≤ dw ≤ 4-dL atau dapat ditulis dengan 1,494 ≤ 2,347 ≤ 3,621. Untuk mendeteksi terjadinya autokorelasi, angka ini kemudian diklasifikasikan menurut kriteria yang ditentukan sesuai dengan tabel ini:
Tabel 5.6. Pengukuran autokorelasi Durbin Watson Kesimpulan Kurang dari 0,379 0,380 sampai dengan 1,494 1,495 sampai dengan 2,506 2,507 sampai dengan 3,621 Lebih dari 3,622 Ada autokorelasi Tanpa kesimpulan Tidak ada autokorelasi Tanpa kesimpulan Ada autokorelasi
Untuk menilai ada atau tidaknya autokorelasi, nilai Durbin-Watson statistik yang didapatkan dari penghitungan pada Tabel 5.6 di atas, yang menunjukkan nilai sebesar 2,347 diklasifikasikan menurut kriteria pengukuran autokorelasi pada tabel di atas. Dilihat dari tabel tersebut, pengukuran autokorelasi dalam penelitian ini menunjukkan bahwa tidak terjadi autokorelasi dalam model regresi ini.
Hasil uji asumsi klasik di atas menunjukkan bahwa data yang akan diolah dalam penelitian ini bebas dari masalah uji normalitas, multikolinieritas, heteroskedastisitas, dan autokorelasi. Hasil pengujian ini menunjukkan bahwa data yang digunakan sebagai variabel independen memenuhi syarat untuk memprediksi variabel dependen yaitu nilai penerimaan PBB Perdesaan dan Perkotaan.