BAB IV HASIL PENELITIAN
B. Analisis Hasil Penelitian
2. Uji Asumsi Klasik
Pengujian normalitas data dalam penelitian ini mengunakan uji statistik non parametrik Kolmogorov-Smirnov (K-S) dengan membuat hipotesis:
H0 : Data residual berdistribusi normal Ha : Data residual tidak berdistribusi normal
Apabila nilai signifikansinya lebih besar dari 0,05 maka H0 diterima, sedangkan jika nilai signifikansinya lebih kecil dari 0,05 maka H0 ditolak.
Tabel 4.3 Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 35
Normal Parameters(a,b) Mean ,0000
Std. Deviation 79,53606
Most Extreme Differences Absolute ,198
Positive ,198
Negative -,151
Kolmogorov-Smirnov Z 1,171
Asymp. Sig. (2-tailed) ,129
a Test distribution is Normal. b Calculated from data.
Sumber: Data yang diolah penulis, 2010.
Dari hasil pengolahan data tersebut, besarnya nilai Kolmogorov-Smirnov
adalah 1,171 dan signifikansi pada 0,129 maka disimpulkan data terdistribusi secara normal karena p = 0,129 > 0,05. Dengan demikian, secara keseluruhan dapat disimpulkan bahwa nilai-nilai observasi data telah terdistribusi secara normal dan dapat dilanjutkan dengan uji asumsi klasik lainnya. Untuk lebih jelas, berikut ini turut dilampirkan grafik histogram dan plot data yang terdistribusi normal.
Gambar 4.1 Uji Normalitas (1)
Regression Standardized Residual
3 2 1 0 -1 -2 -3 Fr eque nc y 20 15 10 5 0 Histogram Dependent Variable: BL Mean =-3.05E-16 Std. Dev. =0.955 N =35
Gambar 4.2 Grafik Normal P-P Plot
Observed Cum Prob
1.0 0.8 0.6 0.4 0.2 0.0 Ex pec ted Cu m Pr ob 1.0 0.8 0.6 0.4 0.2 0.0
Normal P-P Plot of Regression Standardized Residual
Dependent Variable: BL
Sumber: Data yang diolah penulis, 2010.
Berdasarkan gambar 4-1 di atas, dengan cara membandingkan antara data observasi dengan distribusi yang mendekati distribusi normal, dapat disimpulkan bahwa distribusi data normal karena grafik histogram menunjukkan distribusi data mengikuti garis diagonal yang tidak menceng (skewness) ke kiri maupun ke kanan atau normal.
Demikian pula dengan hasil uji normalitas dengan menggunakan grafik plot. Pada gambar 4-2, 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.
b. Uji Multikolonieritas
Uji multikolonieritas dalam penelitian ini digunakan untuk mendeteksi ada tidaknya gejala multikolonieritas dengan melihat nilai tolerance dan variance inflation factor (VIF), menganalisis matrik korelasi variabel-variabel independen, melihat nilai Condition Index (CI). Besarnya tingkat kolinearitas yang masih dapat ditolerir, yaitu: Tolerance > 0.10, Variance Inflation Factor (VIF) < 10,
Condition Index < 10. Berikut disajikan tabel hasil pengujian:
Tabel 4.4
Coefficients untuk BL = f(PAD, DAU, DBH)
Sumber: Data yang diolah penulis, 2010 Tabel 4.5
Cofficients Correlations untuk BL = f(PAD, DAU, DBH)
Model DBH PAD DAU
1 Correlations DBH 1,000 ,218 -,313 PAD ,218 1,000 -,505 DAU -,313 -,505 1,000 Covariances DBH ,105 ,054 -,025 PAD ,054 ,580 -,096 DAU -,025 -,096 ,062
Sumber: Data yang diolah penulis, 2010
,741 1,350 ,702 1,425 ,897 1,115 PAD DAU DBH Model 1 Tolerance VIF Collinearity Statistics
Tabel 4.6
Collinearity Diagnostics untuk BL = f(PAD, DAU, DBH)
Sumber: Data yang diolah penulis, 2010
Hasil perhitungan nilai tolerance menunjukkan variabel independen memiliki nilai tolerance > 0.10 yaitu 0,741 untuk variabel Pendapatan Asli Daerah, 0,702 untuk variabel Dana Alokasi Umum, dan 0,897 untuk variabel Dana Bagi Hasil yang berarti tidak terjadi korelasi antar variabel independen. Hasil perhitungan VIF juga menunjukkan hal yang sama dimana variabel independen memiliki nilai VIF kurang dari 10 yaitu 1,350 untuk variabel Pendapatan Asli Daerah, 1,425 untuk variabel Dana Alokasi Umum, 1,115 untuk variabel Dana Bagi Hasil.
Melihat hasil besaran korelasi antar variabel independen tampak bahwa variabel Pendapatan Asli Daerah mempunyai korelasi sebesar 0,218 atau sekitar 21,8% dengan variabel Dana Bagi Hasil. Variabel Dana Alokasi Umum mempunyai korelasi sebesar -0,313 atau sekitar 31,3% dengan variabel Dana Bagi Hasil. Pendapatan Asli Daerah mempunyai korelasi sebesar -0,505 atau sekitar 50,5% dengan variabel Dana Bagi Hasil. Hasil dari coefficient correlations
tersebut menunjukkan tidak ada korelasi yang tinggi (umumnya diatas 0,95). Berdasarkan tabel diatas dapat disimpulkan bahwa tidak ada multikolonieritas antar variabel independen dalam model ini.
3,409 1,000 ,01 ,02 ,01 ,02 ,412 2,876 ,01 ,54 ,00 ,19 ,139 4,957 ,19 ,28 ,06 ,78 ,040 9,226 ,80 ,16 ,94 ,01 Dimension 1 2 3 4 Model 1 Eigenvalue Condition
Index (Constant) PAD DAU DBH
Hasil perhitungan nilai CI menunjukkan variabel independen memiliki nilai CI < 10 yaitu 2,876 untuk variabel PAD, 4,957 untuk variabel DAU,dan 9,226 untuk variabel DBH. Berdasarkan tabel tersebut dapat disimpulkan bahwa tidak ada multikolinearitas antar variabel independen dalam model ini.
c. Uji Heteroskedastisitas
Uji heteroskedastisitas dalam penelitian ini digunakan untuk mendeteksi ada tidaknya gejala heteroskedastisitas yaitu dengan melihat plot grafik yang dihasilkan dari pengolahan data dengan menggunakan program SPSS. 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.
Analisis dengan grafik plots memiliki kelemahan yang cukup signifikan oleh karena jumlah pengamatan mempengaruhi hasil ploting. Oleh sebab itu diperlukan uji statistik yang lebih dapat menjamin keakuratan hasil. Adapun uji statistik yang digunakan untuk mendeteksi ada tidaknya heteroskedastisitas dalam penelitian ini adalah Uji Glejser. Menurut Ghozali (2005: 109) indikasi tidak terjadinya heteroskedastisitas terlihat dari probabilitas signifikansinya di atas tingkat kepercayaan 0,05.
Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi heteroskedastisitas atau terjadi homoskedastisitas dengan mengamati penyebaran titik-titik pada gambar.
Gambar 4.3 Scatterplot
Regression Standardized Predicted Value
3 2 1 0 -1 -2 Reg res si on S tand a rdi ze d Re si dual 3 2 1 0 -1 -2 -3 Scatterplot Dependent Variable: BL
Sumber: Data yang diolah penulis, 2010 Tabel 4.7 Uji Glejser Model Unstandardized Coefficients Standardized Coefficients T Sig.
B Std. Error Beta Tolerance VIF
1 (Constant) -2,520 31,666 -,080 ,937
PAD ,067 ,494 ,027 ,135 ,893
DAU ,258 ,162 ,322 1,596 ,121
DBH ,030 ,210 ,025 ,142 ,888
Berdasarkan grafik scatterplot pada Gambar 4-3 di atas terlihat bahwa titik-titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y, sehingga dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi. Adanya titik-titik yang menyebar menjauh dari titik-titik yang lain dikarenakan adanya data observasi yang sangat berbeda dengan data observasi yang lain .
Tabel 4-7 untuk uji glejser dengan jelas menunjukkan tidak ada indikasi terjadi heteroskedastisitas. Dari hasil regresi variabel independen terhadap variabel dependen nilai absolut unstandardized residual (Abs_Ut) tampak bahwa variabel variabel PAD memiliki signifikansi 0,893, DAU memiliki signifikansi 0,121 dan variabel DBH memiliki signifikansi 0,888 dimana nilai signifikansi masing-masing variabel independen di atas tingkat kepercayaan 0,05 yang berarti tidak terjadi gejala multikolinearitas. Hal ini konsisten dengan hasil uji
scatterplots.
d. Uji Autokorelasi
Uji autokorelasi bertujuan untuk melihat apakah dalam suatu model regresi linear ada korelasi antar kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1. Autokorelasi muncul karena observasi yang berurutan sepanjang tahun yang berkaitan satu dengan yang lainnya. Hal ini sering ditemukan pada time series. Cara yang dapat digunakan untuk mendeteksi masalah autokorelasi adalah dengan menggunakan nilai uji Durbin Watson
dengan ketentuan sebagai berikut:
2) Angka D-W di antara -2 sampai +2, berarti tidak ada autokorelasi, 3) Angka D-W di atas +2 berarti ada autokorelasi negatif.
Tabel 4.8
Hasil Uji Durbin Watson (b)
Model R R Square
Adjusted R Square
Std. Error of
the Estimate Durbin-Watson
1 ,599(a) ,359 ,297 83,29572 1,709
a Predictors: (Constant), DBH, PAD, DAU b Dependent Variable: BL
Sumber: Data yang diolah penulis, 2010. Tabel 4.9 Hasil Runs Test
Unstandardized Residual
Test Value(a) -25,22488
Cases < Test Value 17
Cases >= Test Value 18
Total Cases 35
Number of Runs 15
Z -1,025
Asymp. Sig. (2-tailed) ,305
a Median
Sumber: Data yang diolah penulis, 2010.
Tabel 4.9 memperlihatkan nilai statistik D-W sebesar 1,709. Angka ini terletak diantara -2 dan +2, dari pengamatan ini dapat disimpulkan bahwa tidak terjadi autokorelasi positif maupun autokorelasi negatif. Hasil output SPSS runs test menunjukkan nilai test adala -1,025 dengan probabilitas 0,305 signifikan pada 0,050 (p = 0,305 > 0,050) yang berarti H0 diterima, sehingga dapat disimpulkan bahwa residual random atau tidak terjadi autokorelasi antar nilai residual.