BAB V : ANALISIS DAN PEMBAHASAN
5.1.3 Pengujian Asumsi Klasik
Dalam analisis ini perlu dilihat terlebih dahulu apakah data tersebut bisa dilakukan pengujian model regresi. Pengujian asumsi klasik dilakukan untuk menentukan syarat persamaan pada model regresi dan dapat diterima secara ekonometrik. Pengujian asumsi klasik ini terdiri dari pengujian normalitas, multikolinearitas, autokorelasi, dan pengujian heteroskedastisitas. Pengujian hipotesis dilakukan dengan empat tahap, masing-masing tahap terdiri dari satu model. Berdasarkan hal ini, maka setiap tahapan dilakukan pengujian asumsi klasik.
5.1.3.1. Pengujian Asumsi Klasik Model Persamaan 1 5.1.3.1.1. Pengujian Normalitas
Berdasarkan hasil uji normalitas data dengan menggunakan uji Kolmogorov-Smirnov dan dengan melihat uji grafik, maka dapat disimpulkan bahwa data mempunyai distribusi normal. Hal ini dapat diketahui dengan melihat nilai Kolmogorov Smirnov sebesar 0.886 dengan tingkat signifikansi sebesar 0.413 (lihat lampiran 3). Jika signifikansi nilai Kolmogorov Smirnov lebih
didukung dengan grafik histogram dan plot data yang terdistribusi secara normal. Grafik uji normalitas dapat dilihat pada pada Gambar 5.1 dan 5.2.
Sumber: Hasil SPSS
Gambar 5.1 Pengujian Normalitas Data
Dengan cara membandingkan antara data observasi dengan distribusi yang mendekati distribusi normal, dari grafik di atas dapat disimpulkan bahwa distribusi normal karena grafik histogram menunjukkan distribusi data mengikuti garis diagonal yang tidak menceng (skewness) ke kiri maupun ke kanan atau normal.
Sumber: Hasil SPSS
Gambar 5.2 Pengujian Normalitas Data
Demikian pula dengan hasil uji normalitas dengan menggunakan grafik plot. Pada grafik normal plot, terlihat titik-titik menyebar disekitar garis diagonal serta penyebarannya agak mendekati dengan garis diagonal sehinggan dapat disimpulkan bahwa data dalam model regresi terdistribusi secara normal.
5.1.3.1.2. Pengujian Heteroskedastisitas
Pengujian asumsi heteroskedastisitas menyimpulkan bahwa model regresi terjadi heterokedastisitas. Dari grafik scatterplot terlihat bahwa titik-titik yang ada membentuk pola tertentu yang teratur (bergelombang, melebar kemudian menyempit), maka mengindikasikan telah terjadi heterokedatisitas.
Tindakan perbaikan yang dilakukan dalam penelitian ini menggunakan salah satu dari beberapa cara yang telah dikemukakan pada bab sebelumnya, yaitu dengan menggunakan transformasi seluruh variabel penelitian ke dalam fungsi logaritma natural (LN). Sehingga data Pendapatan Asli Daerah, Dana Bagi Hasil, PDRB Perkapita,dan Kemandirian Daerah menjadi LN Pendapatan Asli Daerah(LN_X1), LN Dana Bagi Hasil (LN_X2), LN PDRB Perkapita(LN_Z) dan LN Kemandirian Daerah(LN_Y). Kemudian data diuji ulang berdasarkan asumsi normalitas. Hasil pengujian heterokedastisitas dapat dilihat pada Gambar 5.3.
Sumber: Hasil SPSS
Gambar 5.3 Pengujian Heteroskedasitas Data
Berdasarkan hasil uji normalitas data setelah dilakukan transformasi dengan menggunakan uji Kolmogorov-Smirnov dan dengan melihat uji grafik, maka dapat disimpulkan bahwa data mempunyai distribusi normal. Hal ini dapat diketahui dengan melihat nilai Kolmogorov Smirnov sebesar 1,200 dengan tingkat signifikansi sebesar 0.112 (lihat lampiran 3). Jika signifikansi nilai Kolmogorov Smirnov lebih besar dari 0.05, maka dapat dinyatakan bahwa data mempunyai distribusi normal. Hal ini juga didukung dengan grafik histogram dan plot data yang terdistribusi secara normal. Grafik uji normalitas dapat dilihat pada pada Gambar 5.4 berikut ini.
Sumber: Hasil SPSS
Gambar 5.4 Pengujian Normalitas Data
Dengan cara membandingkan antara data observasi dengan distribusi yang mendekati distribusi normal, dari grafik di atas dapat disimpulkan bahwa distribusi normal karena grafik histogram menunjukkan distribusi data mengikuti garis diagonal yang tidak menceng (skewness) ke kiri maupun ke kanan atau normal.
Sumber: Hasil SPSS
Gambar 5.5 Pengujian Normalitas Data
Demikian pula dengan hasil uji normalitas dengan menggunakan grafik plot. Pada grafik normal plot, terlihat titik-titik menyebar disekitar garis diagonal serta penyebarannya agak mendekati dengan garis diagonal sehinggan dapat disimpulkan bahwa data dalam model regresi terdistribusi secara normal.
Kemudian hasil pengujian asumsi heterokedastisitas setelah transformasi data menyimpulkan bahwa model regresi tidak terjadi heterokedastisitas. Hasil pengujian heterokedastisitas dapat dilihat pada Gambar 5.6.
Sumber: Hasil SPSS
Gambar 5.6 Pengujian Heteroskedastisitas Data
Dari Gambar 5.6 scatterplot di atas, terlihat bahwa titik-titik menyebar secara acak serta tidak membentuk pola tertentu atau tidak teratur, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y sehingga disimpulkan bahwa model regresi tidak terjadi heterokedastisitas.
5.1.3.1.3. Pengujian Multikolinieritas
Dalam penelitian ini, untuk mendeteksi data ada tidaknya gejala multikolinieritas adalah dengan melihat besaran korelasi antar variable independen dan besarnya tingkat kolinieritas yang masih dapat ditolerir, yaitu : Tolerance> 0,10 dan Variance Inflation Factor (VIF) < 10. Berikut disajikan Tabel 5.2 hasil pengujian:
Tabel 5.2 Pengujian Multikolinieritas Data(LN_Z) Model Unstandardized Coefficient Standardized Coefficient Collinearity Statistics Tolerance VIF Β Std Error Beta Constant 10,806 0,816 LN_X1 0,311 0,047 0,808 0,325 3,076 LN_X2 -0,102 0,059 -0,211 0,325 3,076 Sumber: Hasil SPSS
Hasil Perhitungan nilai tolerance menunjukkan variabel independen memiliki nilai
tolerance lebih dari 0,10 yaitu 0,325 (lihat lampiran 4) yang berarti tidak terjadi korelasi antar variabel. Hasil perhitungan VIF juga menunjukkan hal yang sama dimana variabel independen memiliki nilai VIF kurang dari 10 yaitu 3,076. Berdasarkan Tabel 5.2 di atas dapat disimpulkan bahwa tidak ada multikolinieritas antar variabel independen pada model ini.
5.1.3.1.3. Pengujian Autokorelasi
Pada penelitian ini, uji autokorelasi dilakukan dengan uji Durbin Watson, karena uji ini yang umum digunakan. Nilai Durbin watson yang diperoleh sebesar 1,450 (lihat lampiran 6). Nilai 1,450 dibandingkan dengan nilai tabel dengan jumlah observasi 125 (n = 125) dan variabel independen (k) sebanyak 2, Nilai dw berada di antara -2 sampai +2 (-2 < 1,450 < +2) berarti tidak ada autokorelasi.
5.1.3.2. Pengujian Asumsi Klasik Model Persamaan 2 5.1.3.2.1. Pengujian Normalitas
Berdasarkan hasil uji normalitas data dengan menggunakan uji Kolmogorov-Smirnov dan dengan melihat uji grafik, maka dapat disimpulkan bahwa data mempunyai distribusi normal. Hal ini dapat diketahui dengan melihat nilai Kolmogorov Smirnov sebesar 0.595 dengan tingkat signifikansi sebesar 0.871 (lihat lampiran 3). Jika signifikansi nilai Kolmogorov Smirnov lebih besar dari 0.05, maka dapat dinyatakan bahwa data mempunyai distribusi normal. Hal ini juga didukung dengan grafik histogram dan plot data yang terdistribusi secara normal. Grafik uji normalitas dapat dilihat pada pada Gambar 5.7 dan 5.8.
Sumber: Hasil SPSS
Gambar 5.7 Pengujian Normalitas Data
Dengan cara membandingkan antara data observasi dengan distribusi yang mendekati distribusi normal, dari grafik di atas dapat disimpulkan bahwa distribusi normal karena grafik histogram menunjukkan distribusi data mengikuti garis diagonal yang tidak menceng (skewness) ke kiri maupun ke kanan atau normal.
Sumber: Hasil SPSS
Gambar 5.8 Pengujian Normalitas Data
Demikian pula dengan hasil uji normalitas dengan menggunakan grafik plot. Pada grafik normal plot, terlihat titik-titik menyebar disekitar garis diagonal serta penyebarannya agak mendekati dengan garis diagonal sehinggan dapat disimpulkan bahwa data dalam model regresi terdistribusi secara normal
5.1.3.2.2. Pengujian Heteroskedastisitas
Hasil pengujian data menyimpulkan bahwa model regresi tidak terjadi heterokedastisitas. Hasil pengujian heterokedastisitas dapat dilihat pada Gambar 5.9 berikut ini.
Sumber: Hasil SPSS
Gambar 5.9 Pengujian Heteroskedastisitas Data
Dari Gambar 5.9 scatterplot di atas, terlihat bahwa titik-titik menyebar secara acak serta tidak membentuk pola tertentu atau tidak teratur, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y. Hal ini mengindikasikan tidak terjadi heteroskedastisitas pada model regresi.
5.1.3.2.3. Pengujian Multikolinieritas
Dalam penelitian ini, untuk mendeteksi data ada tidaknya gejala multikolinieritas adalah dengan melihat besaran korelasi antar variabel independen dan besarnya tingkat kolinieritas yang masih dapat ditolerir, yaitu : Tolerance> 0,10 dan Variance Inflation Factor (VIF) < 10. Berikut disajikan Tabel 5.3 hasil pengujian:
Tabel 5.3 Pengujian Multikolinieritas Data( LN_Y) Model
Unstandardized Coefficient Standardized Coefficient Collinearity Statistics Tolerance VIF Β Std Error Beta Constant -14,973 0,908 LN_X1 0,744 0,039 1,204 0,238 4,197 LN_X2 -0,373 0,042 -0,480 0,317 3,153 LN_Z 0,203 0,065 0,127 0,583 1,717 Sumber: Hasil SPSS
Hasil Perhitungan nilai tolerance menunjukkan variabel independen memiliki nilai
tolerance lebih dari 0,10 (lihat lampiran 4) yaitu LN_X1(Pendapatan Asli Daerah) sebesar 0,238, LN_X2(Dana Bagi Hasil) sebesar 0,317, dan LN_Z(PDRB Perkapita) sebesar 0,583 yang berarti
dimana variabel independen memiliki nilai VIF kurang dari 10 yaitu LN_X1(Pendapatan Asli Daerah) sebesar 4,197, LN_X2(Dana Bagi Hasil) sebesar 3,153, dan LN_Z(PDRB Perkapita) sebesar 1,717.
5.1.3.2.4. Pengujian Autokorelasi
Pada penelitian ini, uji autokorelasi dilakukan dengan uji Durbin Watson, karena uji ini yang umum digunakan. Nilai Durbin watson yang diperoleh sebesar 1,736 (lihat lampiran 6). Nilai 1,736 dibandingkan dengan nilai tabel dengan jumlah observasi 125 (n = 125) dan variabel independen (k) sebanyak 2, Nilai dw berada di antara -2 sampai +2 (-2 < 1,736 < +2) berarti tidak ada autokorelasi.
Hasil pengujian asumsi klasik untuk model 1 sampai dengan model 2 dapat dilihat pada lampiran 3 sampai lampiran 6. Berdasarkan hasil pengujian tersebut, dapat disimpulkan bahwa seluruh model tidak melanggar asumsi klasik.