HASIL DAN PEMBAHASAN
4.2. Analisis Hasil Penelitian
4.2.2. Uji Asumsi Klasik 1. Uji Normalitas 1.Uji Normalitas
Uji normalitas dideteksi melalui dua cara, yaitu analisis grafik (Normal P-Plots) dan analisis statistik ( Non-ParametrikKolmogorov-Smirnov).
a. Analisis Grafik (Normal P-Plots)
Analisis grafik dilakukan dengan melihat grafik normal P-Plots berikut ini :
Sumber : Hasil Olahan Lampiran 4
Gambar 4.1
Normal P-P Plot of Regression Standardized Residual
Sebelum Transformasi Logaritma Natural
Gambar 4.1 memperlihatkan garis normal probability plot dimana variabel tidak terdistribusi secara normal.Hal ini dikarenakan titik-titik penyebaran data menyebar jauh dari garis diagonal serta tidak mengikuti arah garis diagonal.
Berkaitan dalam hal tersebut, penelitian ini melakukan transformasi data ke dalam bentuk logaritma natural (Ln). Analisis grafik normal P-Plots setelah dilakukan transformasi data yaitu:
Sumber : Hasil Olahan Lampiran 4
Gambar 4.2
Normal P-P Plot of Regression Standardized Residual
Gambar 4.2 merupakan grafikNormal P-Plot yang menunjukkan titik-titik menyebar berhempit disekitar disekitar garis diagonal dan hali ini menunjukkan bahwa residual terdistribusi secara normal
b. Analisis Statistik (Kolmogorov – Smirnov.)
Hasil uji normalitas dengan metode statistik menggunakan uji Kolmogorov – Smirnov dapat dilihat dibawah ini,
Tabel 4.3
Uji Statistik Kolomogorov-Smirnov Sebelum Transformasi Logaritma Natural
Unstandardized Residual
N 51
Normal Parametersa,b Mean .0000000
Std. Deviation 162.7289492
Most Extreme Differences Absolute .190
Positive .190
Negative -.107
Test Statistic .190
Asymp. Sig. (2-tailed) .000c
Sumber : Hasil Olahan Lampiran 4
Nilai Test Statistic sebesar 0,190 dan signifikan pada 0,000 berarti data residual berdistribusi tidak normal karena (asymp.sig < 0,05) sekali lagi hasilnya konsisten dengan hasil uji sebelumnya. Berkaitan dalam hal tersebut, penelitian ini melakukan transformasi data ke dalam bentuk logaritma natural (Ln).
Analisis Kolgomorov-Smirnov setelah dilakukan transformasi data dapat dilihat tabel berikut:
Tabel 4.4
Uji Statistik Kolomogorov-Smirnov Setelah Transformasi Logaritma Natural
Unstandardized Residual
N 51
Normal Parametersa,b Mean .0000000
Std. Deviation .09986076
Most Extreme Differences Absolute .088
Positive .061
Negative -.088
Test Statistic .088
Asymp. Sig. (2-tailed) .200c,d
Sumber : Hasil Olahan Lampiran 4
Berdasarkan tabel 4.4 menunjukkan bahwa data sudah terdistribusi secara normal. Hal ini di lihat dari nilai Test Statisticsebesar 0,088dengan nilai Asymp.Sig (2-tailed) sebesar 0,200 atau probabilitas diatas nilai signifikan 0,05 dengan kata lain variabel residual berdistribusi normal. Setelah dilakukan pengujian melalui analisa grafik dan statistik maka diperoleh hasil normal sehingga asumsi normalitas terpenuhi dan dapat dilanjutkan dengan pengujian asumsi klasik berikutnya pada data.
4.2.2.2. Uji Heterokedastisitas
Uji ini akan dideteksi melalui dua cara, yaitu analisis grafik (Scatterplot) dan analisis statistik (uji Park)
Sumber : Hasil Olahan Lampiran 4
Gambar 4.3 Grafik Scatterplot
Sebelum Transformasi Logaritma Natural
Berdasarkan Gambar Scatterplot di atas, terlihat bahwa titik- titik membentuk pola teratur (menyempit).Hal ini dapat disimpulkan bahwa telah terjadi heterokedastisitas pada model regresi sehingga model regresi tidak layak di pakai. Analisis dengan grafik plot memiliki kelemahan yang cukup signifikan oleh karena jumlah pengamatan mempengaruhi hasil ploting. Semakin sedikit jumlah pengamatan semakin sulit menginterpretasikan hasil grafik plot.Oleh sebab itu diperlukan uji statistik yang lebih dapat menjamin keakuratan hasil.
2. Uji Statistik (Park)
Tabel 4.5
Uji Heterokedastisitas dengan uji Park Model Coefisients
Sig. Probabilitas Pengujian Kesimpulan Pertumbuhan
Ekonomi 0,028
0,05
0,028< 0,05 Signifikan Pendapatan Asli
Daerah 0,441 0,441> 0,05 Tidak Signifikan
Dana Alokasi
Umum 0,876 0,876> 0,05 Tidak Signifikan
Berdasarkan hasil Uji Park di atas, terdapat variabel independen yang signifikan yaitu pertumbuhan ekonomi (0,028 > 0,05) maka disimpulkan bahwa model regresiterdapat heteroskedastisitas. Hal ini sejalan dengan hasil grafikscatterplot.
Berkaitan dalam hal tersebut, penelitian ini melakukan transformasi data ke dalam bentuk logaritma natural (Ln). Analisis grafik scatterlot setelah dilakukan transformasi data yaitu:
Sumber : Hasil Olahan Lampiran 4
Gambar 4.4 Grafik Scatterplot
Setelah Transformasi Logaritma Natural
Berdasarkan Gambar Scatterplot setelah transformasi data diatas, terlihat bahwa titik-titik menyebar secara acak diatas dan dibawah angka 0 pada sumbu Y, serta tidak membentuk pola tertentu atau tidak teratur.Hal ini dapat disimpulkan bahwa tidak terjadi heterokedastisitas pada model regresi sehingga model layak dipakai.
Tabel 4.6 Uji Heterokedastisitas
Setelah Transformasi Logaritma Natural Model Coefisients
Sig. Probabilitas Pengujian Kesimpulan Pertumbuhan
Ekonomi 0,204
0,05
0,204> 0,05 Tidak Signifikan Pendapatan Asli
Daerah 0,142 0,142> 0,05 Tidak Signifikan
Dana Alokasi
Umum 0,445 0,445> 0,05 Tidak Signifikan
Sumber : Hasil Olahan Lampiran 4
Berdasarkan hasil uji Park setelah transformasi natural diatas, dapat dilihat pada tabel Coefisiens nilai Sig. semua variabel independen lebih besar dari 0,05 (tidak ada yang signifikan), maka disimpulkan bahwa model regresi tidak terdapat heterokedastisitas, sehingga dapat dilanjutkan uji asumsi klasik selanjutnya pada data.
4.2.2.3. Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah model regresi linier ada korelasi antara kesalahan pengganggu (disturbance term) pada periode t dan kesalahan kesalahan pengganggu pada periode sebelumnya (t-1).
Hasil pengujian autokorelasi dalam penelitian ini dengan uji Durbin-Watson (D-W) dapat juga diliat pada tabel 4.7 berikut:
Tabel 4.7
Uji Autokorelasi dengan D-W
Durbin-Watson
Nilai Tabel
Pengujian Keputusan Kesimpulan
dl du 1,994 1,4273 1,6754 du < d < 4- du Tidak ditolak Tidak Ada Autokorelasi, Positif Atau Negatif
Hasil uji autokorelasi diatas menunjukkan nilai statistik Durbin-Watson (DW) sebesar 1,994. Nilai ini dibandingkan dengan nilai tabel dengan menggunakan nilai signifikansi 0,05 (5%), jumlah responden 51 (n) dan jumlah variabel independen 3 (k=3). Dari tabel Durbin Watson didapat nilai batas atas (du) 1,6754nilai batas bawah (dl) 1,4273 dan 4-du= 2,3246. Oleh karena itu, nilai DW lebih besar dari du dan lebih kecil dari 4- du (1,6754 < 1,994 < 2,3246), sehingga dapat disimpulkan bahwa tidak terjadi autokorelasi baik positif maupun negatif.
4.2.2.4. Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah pada model regresi ditemukan adanya korelasi antara variabel independen. Multikolinearitas dapat dilihat dari nilai Variance Inflation Factor (VIF) dan Tolerance. Suatu model dikatakan terbebas dari korelasi apabila tolerence > 0,1danVIF < 10. Dari pengujian model regresi diperoleh hasil untuk masing- masing variabel yang ditampilkan pada tabel 4.8 berikut.
Tabel 4.8
Uji Multikolinearitas Variabel
Dependen Tolerance VIF Pengujian Keputusan
Pertumbuhan Ekonomi 0,848 1,179 0,848 > 0,10 dan 1,179 < 10 Tidak Terjadi Multikolinearitas PendapatanAsli Daerah 0,548 1,826 0,548 > 0,10 dan 1,826 < 10 Tidak Terjadi Multikolinearitas Dana Alokasi Umum 0,493 2,030 0,493 > 0,10 dan 2,030 < 10 Tidak Terjadi Multikolinearitas
Tabel 4.8 dapat dilihat bahwa nilai tolerance dan VIF dari variabel pertumbuhan ekonomiadalah sebesar 0,848 dan 1,179.variabelpendapatan asli daerahadalah sebesar 0,548 dan 1,826variabel danaalokasi umum adalah sebesar 0,493 dan 2,030. Oleh karena itu, dapat disimpulkan dalam model ini tidak terdapat masalahmultikolinearitas antara variabel bebas karena nilai tolerance berada di bawah 1 dan nilai VIF jauh di bawah angka 10.