BAB V HASIL PENELITIAN DAN PEMBAHASAN
5.2 Penjelasan Responden
5.3.2 Pengujian Asumsi Klasik
Pengujian asumsi klasik dilakukan untuk menentukan model regresi dapat diterima secara ekonometrik dan untuk memastikan bahwa alat uji regresi linear berganda dapat digunakan atau tidak. Untuk menghasilkan suatu model regresi yang baik, analisis regresi memerlukan pengujian asumsi klasik sebelum
melakukan pengujian hipotesis. Apabila terjadi penyimpangan dalam pengujian asumsi klasik perlu dilakukan perbaikan terlebih dahulu. Pengujian asumsi klasik ini terdiri dari Uji Normalitas, Uji Multikolonearitas, Uji Heterokedastisitas, dan Uji Autokorelasi.
1. Uji Normalitas
Uji normalitas dilakukan untuk melihat apakah dalam model regresi variabel bebas dan variabel terikat memiliki data yang berdistribusi normal atau tidak. Model regresi yang baik adalah yang memiliki distribusi normal atau mendekati normal. Untuk mengetahui apakah suatu data berdistribusi normal atau tidak, maka digunakan uji grafik Histogram, grafik P-Plot, dan Kolmogorov-Smirnov.
Histogram
Pengujian distribusi normal dilakukan dengan cara melihat histogram yang membandingkan data observasi dengan distribusi yang mendekati normal.
Sumber : Hasil Penelitian 2015 (data diolah) Gambar 5.1 Histogram
Berdasarkan grafik histogram diatas dapat disimpulkan bahwa distribusi data normal karena grafik histogram menunjukkan distribusi data mengikuti garis diagonal yang tidak menceng (skewness) ke kiri maupun ke kanan.
Grafik P-plot
Sumber : Hasil Penelitian 2015 (data diolah) Gambar 5.2 Grafik P-Plot
Demikian pula dengan hasil uji normalitas dengan menggunakan grafik p-plot. Pada grafik normal plot, terlihat titik-titik menyebar di sekitar garis diagonal serta penyebarannya agak mendekati dengan garis diagonal sehingga dapat disimpulkan bahwa data dalam model regresi terdistribusi secara normal.
Uji Kolmogorov-Smirnov
Selain itu, pengujian normalitas data dalam penelitian ini juga mengunakan uji statistik non parametrik Kolmogorov-Smirnov (K-S). Dalam uji Kormogrov-Smirnov, pedoman yang digunakan dalam pengambilan keputusan yaitu:
1) jika nilai signifikansi < 0,05 maka distribusi data tidak normal, 2) jika nilai signifikansi > 0,05 maka distribusi data normal.
Tabel 5.14
Normal Parametersa,b Mean ,0000000
Std. Deviation 3,81329222
Most Extreme Differences Absolute ,075
Positive ,075
Negative -,058
Kolmogorov-Smirnov Z ,745
Asymp. Sig. (2-tailed) ,636
Sumber : Hasil Penelitian 2015 (data diolah)
Dari hasil pengolahan data tersebut, besarnya nilai Kolmogorov-Smirnov adalah 0,745 dan signifikansinya pada 0,636. Dapat disimpulkan data terdistribusi secara normal karena sig = 0,636 > 0,05.
2. Uji Multikolonearitas
Uji multikolonearitas bertujuan untuk menguji apakah pada model regresi ditemukan korelasi antara variabel independent. Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel independen (Ghozali, 2005).
Jika terjadi korelasi maka terdapat masalah multikolonearitas sehingga model regresi tidak dapat digunakan.
Menurut Ghozali (2005), mendeteksi ada tidaknya gejala multikolinearitas adalah dengan melihat nilai tolerance dan variance inflation factor (VIF), serta menganalisis matrik korelasi variabel-variabel independen.
1. Nilai tolerance adalah besarnya tingkat kesalahan yang dibenarkan secara statistic.
2. Nilai variance inflation factor (VIF) adalah faktor inflasi penyimpangan baku kuadrat.
Tolerance mengukur variabilitas variabel independent yang terpilih yang
tidak dijelaskan variabel independen lainnya. Besarnya tingkat multikolinearitas yang masih dapat ditolerir, yaitu: Tolerance > 0.10, dan nilai Variance Inflation Factor (VIF) < 5. Dengan menggunakan SPSS versi 18, hasil pengolahan yang
diperoleh melalui kuisioner dapat dilihat pada tabel 5.15 berikut ini:
Tabel 4.15
Sumber : Hasil Penelitian 2015 (data diolah)
Berdasarkan pada tabel diatas, dapat disimpulkan bahwa tidak terjadi gejala multikolonearitas antara variabel independen yang diindikasikan dari nilai tolerance setiap variabel lebih besar dari 0,1. Nilai tolerance variabel independen
X1 adalah 0,757, X2 adalah 0,771, variabel X3 adalah 0,618 dan variabel X4
adalah 0,772. Nilai VIF dari keempat variabel independen juga lebih kecil dari 5.
Berdasarkan hasil uji korelasi diantara variabel independen dapat dilihat bahwa korelasi antara variabel tersebut relatif tidak tinggi. Korelasi antara
variabel dibawah 0,6. Hal ini menunjukkan tidak terjadi masalah multikolonearitas. Maka dapat disimpulkan bahwa analisis lebih lanjut dapat dilakukan dengan menggunakan model regresi berganda. Hasil pengujian korelasi dapat dilihat pada tabel dibawah ini:
Tabel 5.16.
Tabel Korelasi antar Variabel Independen
Coefficient Correlationsa
Model X4 X1 X2 X3
1 Correlations X4 1,000 -,091 -,225 -,252
X1 -,091 1,000 -,022 -,395
X2 -,225 -,022 1,000 -,292
X3 -,252 -,395 -,292 1,000
Covariances X4 ,037 -,003 -,009 -,011
X1 -,003 ,025 -,001 -,015
X2 -,009 -,001 ,042 -,014
X3 -,011 -,015 -,014 ,055
Sumber : Hasil Penelitian 2015 (data diolah) 3. Uji Heterokedastisitas
Uji heterokedastisitas bertujuan untuk menguji apakah dalam sebuah regresi terjadi ketidaksamaan varians dari residual suatu pengamatan ke pengamatan lainnya. Jika variance residual yang tidak random terhadap variabel bebas atau nilai variabel terikat atau jika varian dari residual satu pengamatan ke pengamatan lain berbeda disebut heteroskedasitas. Jika varians dari residual satu pengamatan ke pengamatan lainnya tetap, maka disebut homokedastisitas. Model regresi yang baik adalah tidak terjadi heterokedastisitas. Untuk menguji heterokedastisitas dalam penelitian ini digunakan dengan uji gletser dan grafik Scatterplot.
Uji Gletser
Hasil uji gletser dapat dilihat pada tabel 5.17 diperoleh bahwa tidak ada satu pun variabel independen yang signifikan secara statistik mempengaruhi nilai variabel dependen, yang dapat dilihat dari nilai Absolut residual (AbsUt). Hal ini terlihat dari probabilitas signifikansi diatas tingkat kepercayaan 0.05, yaitu 0,609 untuk perencanaan dan penganggaran alokasi dana desa, 0,870 untuk variable mekanisme pencairan dan penyaluran, 0,847 untuk mekanisme mekanisme pelaksanaan kegiatan, dan untuk variable pelaporan dan pertanggungjawaban sebesar 0,666. Jadi, secara statistik model regresi tidak mengandung adanya heterokedastisitas.
Sumber : Hasil Penelitian 2015 (data diolah ) Grafik Scatteplot
Pengujian ada tidaknya heteroskedasitas dalam Scatterplot adalah dengan cara melihat grafik plot antara nilai prediksi variabel terikat (ZPRED) dengan residualnya (SPRED). Dasar pengambilan keputusannya adalah:
1. Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur (bergelombang, melebar kemudian menyempit), maka mengindikasikan telah terjadi heteroskedastisitas,
2. Jika tidak ada pola yang jelas, seperti titik-titik menyebar di atas dan di bawah angka 0 pada sumbu y, maka tidak terjadi heteroskedastisitas atau terjadi homoskedastisitas.
Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi heteroskedastisitas atau terjadi homoskedastisitas dengan mengamati penyebaran titik-titik pada gambar.
Sumber : Hasil Penelitian 2015 (data diolah) Gambar 5.3 Grafik Scatterplot
Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara acak dan tidak membentuk suatu pola tertentu serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y, sehingga dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi, sehingga model regresi layak dipakai untuk memprediksi peningkatan ekonomi masyarakat berdasarkan masukan
variabel independen perencanaan dan penganggaran alokasi dana desa, mekanisme pencairan dan penyaluran, mekanisme pelaksanaan kegiatan, dan pelaporan dan pertanggungjawaban. Adanya titik-titik yang menyebar menjauh dari titik-titik yang lain dikarenakan adanya data observasi yang sangat berbeda dengan data observasi yang lain.