BAB IV ANALISIS HASIL PENELITIAN
B. Hasil Analisis Data Penelitian
2. Pengujian Asumsi Klasik
Pengujian normalitas data dalam penelitian ini mengunakan uji statistik non parametrik Kolmogorov-Smirnov (K-S) dengan membuat hipotesis:
H0 : Data residua l berdistribusi normal H1 : Data residua l tidak berdistribusi normal
H0 diterima apabila nilai signifikansinya lebih besar dari 0.05, sedangkan H0 ditolak jika nilai signifikansinya lebih kecil dari 0,05.
Tabel 4.3 Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 51
Normal Parametersa Mean .0000000 Std. Deviation .66413611 Most Extreme Differences Absolute .222
Positive .222 Negative -.198 Kolmogorov-Smirnov Z 1.582 Asymp. Sig. (2-tailed) .013 a. Test distribution is Normal.
Sumber : Diolah dari SPSS, 2009
Hasil analisis metode One-Sample Kolmogorov-Smirnov, menunjukkan bahwa Nilai Kolmogrov – Smirnov sebesar 1.582 dan tidak signifikan pada 0.05 (karena Asymp. Sig. (2-tailed) 0.0.13 < dari 0.05), jadi kita menerima H0 yang mengatakan bahwa residual terdistribusi secara tidak normal atau dengan kata lain variabel residual berdistribusi tidak normal.
Berikut ini turut dilampirkan grafik histogram dan plot data yang terdistribusi normal. Hasil dari uji normalitas dengan grafik histogram, ditunjukkan sebagai berikut:
Gambar 4.1 Uji Normalitas
Sumber : Diolah dari SPSS, 2009
Hasil uji normalitas di atas memperlihatkan bahwa pada grafik histogram di atas distribusi data mengikuti kurva berbentuk lonceng yang menceng
(skewness) kiri maupun menceng kanan atau bisa disimpulkan bahwa data
Gambar 4.2 Uji Normalitas
Sumber : Diolah dari SPSS, 2009
Hasil uji normalitas dengan menggunakan grafik normal plot, terlihat titik-titik menyebar tidak disekitar garis diagonal serta penyebarannya menjauh dengan garis diagonal sehingga dapat disimpulkan bahwa data dalam model regresi terdistribusi tidak normal. Semua hasil pengujian melalui analisis grafik dan statistik diatas menunjukkan hasil yang sama yaitu tidak normal,sehingga dilakukan tindakan perbaikan yaitu dengan melakuakan transformasi seluruh variabel penelitiankedalam fungsi Logaritma Natural (LN). Hasil pengujian data ulang menghasilkan:
Tabel 4.4
Setelah Transformasi dengan Logaritma Natural One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 51
Normal Parametersa Mean .0000000 Std. Deviation .41675698 Most Extreme Differences Absolute .170
Positive .094 Negative -.170 Kolmogorov-Smirnov Z 1.213 Asymp. Sig. (2-tailed) .106 a. Test distribution is Normal.
Sumber : Diolah dari SPSS, 2009
Hasil analisis metode One-Sample Kolmogorov-Smirnov, menunjukkan bahwa Nilai Kolmogrov – Smirnov sebesar 1.213 dan tidak signifikan pada 0.05 (karena Asymp. Sig. (2-tailed) 0.106 > dari 0.05), jadi kita tidak dapat menolak H0 yang mengatakan bahwa residual terdistribusi secara normal atau dengan kata lain variabel residual berdistribusi normal.
Berikut ini turut dilampirkan grafik histogram dan plot data yang terdistribusi normal. Hasil dari uji normalitas dengan grafik histogram, ditunjukkan sebagai berikut:
Gambar 4.3 Uji Normalitas
Sumber : Diolah dari SPSS, 2009
Hasil uji normalitas di atas memperlihatkan bahwa pada grafik histogram di atas distribusi data mengikuti kurva berbentuk lonceng yang tidak menceng
(skewness) kiri maupun menceng kanan atau bisa disimpulkan bahwa data
Gambar 4.4
Sumber : Diolah dari SPSS, 2009
Hasil uji normalitas dengan menggunakan grafik normal plot, terlihat titik-titik menyebar disekitar garis diagonal serta penyebarannya agak mendekati dengan garis diagonal sehingga dapat disimpulkan bahwa data dalam model regresi terdistribusi secara normal. Semua hasil pengujian melalui analisis grafik dan statistik diatas menunjukkan hasil yang sama yaitu normal.
b. Uji Multikolinearitas
Mendeteksi ada tidaknya gejala multikolinearitas dalam penelitian ini adalah dengan melihat besaran korelasi antar variabel independen dan besarnya tingkat
kolinearitas yang masih dapat ditolerir, yaitu: Tol > 0.10 dan variance Inflation Factor (VIF) < 10. Berikut disajikan tabel hasil pengujian:
Tabel 4.5 Uji Multikolinearitas Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics B Std. Error Beta Tolerance VIF 1 (Constant) 3.662 2.050 1.787 .080
LN_DAU -.369 .109 -.467 -3.393 .001 .862 1.160 LN_DAK .207 .084 .338 2.451 .018 .862 1.160 a. Dependent Variable: LN_UP
Sumber : Diolah dari SPSS, 2009
Berdasarkan hasil pengujian di atas, dapat dilihat bahwa angka tolerance dana alokasi umum (X1), dana alokasi khusus (X2) > 0,10 dan Variance Inflation Factor (VIF) nya < 10. Hasil pengujian ini mengindikasikan bahwa tidak terjadi multikolinearitas di antara variabel independen dalam penelitian.
c. Uji Heterokedasititas
Grafik scatterplot dan Uji Glejser digunakan dalam penelitian ini untuk mengetahui apakah dalam penelitian terjadi Heteroskedastisitas. Hasil dari uji heteroskedastisitas dapat dilihat pada grafik scatterplot berikut ini:
Gambar 4.5 Grafik Scatterplot
Sumber : Diolah dari SPSS, 2009
Gambar scatterplot di atas memperlihatkan 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. Gambar scaterplot ini mengindikasikan tidak terjadi heteroskedastisitas pada model regresi sehingga model regresi layak dipakai untuk memprediksi variabel devenden (LN Upaya Pajak Daerah) berdasarkan masukan variabel indevenden, LN Dana Alokasi Umum dan LN Dana Alokasi Khusus.
Hasil dari uji heteroskedastisitas dapat dilihat juga pada statistik uji glejser berikut ini:
Tabel 4.6
Hasil Uji Heteroskedastisitas dengan Uji Glejser Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) .635 1.531 .415 .680 LN_DAU .073 .081 .135 .894 .376 LN_DAK -.106 .063 -.255 -1.687 .098 a. Dependent Variable: ABS
Sumber : Diolah dari SPSS, 2009
Berdasarkan hasil analitis diatas, dapat dilihat bahwa tidak ada satupun variabel independen yang signifikan secara statistik mempengaruhi variabel dependen nilai Absolut Ut (Absut). Terlihat dari probabilitas signifikansinya diatas tingkat kepercayaan 5 % (0.05), jadi dapat disimpulkan bahwa model regresi tidak mengandung adanya heteroskedastisitas.
d. Uji Autokorelasi
Hasil dari uji autokorelasi dapat dilihat pada tabel berikut ini :
Tabel 4.7 Uji Autokorelasi
a. Predictors: (Constant), LN_DAK, LN_DAU b. Dependent Variable: LN_UP
Sumber : Diolah dari SPSS, 2009
Cara yang dapat digunakan untuk mendeteksi masalah autokorelasi adalah dengan menggunakan nilai uji Durbin Watson dengan ketentuan dari Prof. Singgih sebagai berikut:
Model Summaryb
Model
R R Square Adjusted R Square Std. Error of the Estimate
Durbin-Watson 1 .464a .215 .182 .42535 1.328
1) angka D-W dibawah -2 berarti ada autokorelasi positif,
2) angka D-W di antara -2 sampai +2, berarti tidak ada autokorelasi, 3) angka D-W di atas +2 berarti ada autokorelasi negatif.
Pada bagian model summary, hasil pengujian diatas terlihat bahwa angka D-W sebesar +1.328 atau (- 2<1.328<+2) , karena angka D-D-W diantara -2 sampai +2, maka dapat disimpulkan bahwa dalam penelitian ini tidak ada autokorelasi
3. Model Dan Teknik Analisis Data