terhadap satu variabel dependen. Dalam menganalisis data digunakan software SPSS.
4.3 Hasil Penelitian
4.3.1 Analisis Statistik Deskriptif
Statistik deskriptif merupakan analisis yang memberikan gambaran mengenaijumlah sampel, nilai minimum, maksimum, rata-rata, dan
standar deviasi dari data penelitian kita. Berikut ini ditampilkan hasil analisis statistik deskriptif dari variabel Pendapatan Asli Daerah PAD,
Pertumbuhan Ekonomi Daerah PE, Pengalokasian Anggaran Belanja Modal ABM, dan Indeks Pembangunan Manusia IPM.
Tabel 4.1 Statistik Deskriptif
Descriptive Statistics
N Minimum
Maximum Mean
Std. Deviation PAD
51 8.55
11.49 10.1278
.70378 PE
51 1.48
2.86 1.7827
.18859 ABM
51 7.55
12.72 11.1606
1.32821 IPM
51 4.13
4.33 4.2135
.04481 Valid N listwise
51
Sumber : Data diolah dengan SPSS Dari Tabel 4.1 di atas dapat dijelaskan beberapa hal berikut:
1. Variabel Pendapatan Asli Daerah PAD memiliki nilai minimum 8.55dan nilai maksimum 11.49dengan nilai rata-rata 10.1278dan
standar deviasi 0.70378dengan jumlah pengamatan sebanyak 51 data. 2. Variabel Pertumbuhan Ekonomi Daerah PE memiliki nilai minimum
1.48dan nilai maksimum 11.49dengan nilai rata-rata 10.1278dan standar deviasi 0.18859dengan jumlah pengamatan sebanyak 51 data.
Universitas Sumatera Utara
3. Variabel Alokasi Anggaran Belanja Modal ABM memiliki nilai minimum 7.55dan nilai maksimum 12.72 dengan nilai rata-rata
11.1606dan standar deviasi 1.32821dengan jumlah pengamatan sebanyak 51 data.
4. Variabel Indeks Pembanguna Manusia memiliki nilai minimum 4.13dan nilai maksimum 4.33 dengan nilai rata-rata 4.2135 dan standar
deviasi 0.04481 dengan jumlah pengamatan sebanyak 51 data.
4.3.2 Uji Asumsi Klasik
4.3.2.1 Uji Normalitas
Uji normalitas dilakukan untuk melihat apakah variabel independen maupun variabel dependen terdistribusi secara
normal atau tidak. Pertama, data di dalam penelitian harus memenuhi asumsi kenormalan data. Data penelitian yang baik
adalah data yang memenuhi asumsi kenormalan data. Untuk melihat apakah data normal atau tidak dari grafik histogram
dan normal probability plot. Data yang normal akan membentuk atau mengikuti garis diagonal pada normal
probability plot. Data yang normal juga akan terlihat dari grafik histogram yang seimbang, tidak condong ke kiri
maupun ke kanan. Data yang tidak normal tidak akan mengikuti garis diagonal pada normal probability plot dan
memiliki grafik histogram yang tidak seimbang. Berikut ini
Universitas Sumatera Utara
ditampilkan grafik histogram dan normal probability plot dari variabel penelitian.
Gambar 4.1 Histogram Variabel Indeks Pembangunan Manusia IPM - Normal
Dari Gambar 4.1 di atas terlihat bahwa Histogram dari penelitian sudah terdistribusi normal karena grafiknya
seimbang, tidak condong ke kiri maupun ke kanan. Begitu juga dengan normal probability plot pada Gambar 4.2 di bawah
yang terlihat telah mengikuti garis diagonal dengan teratur, sehingga dapat disimpulkan data penelitian sudah memenuhi
asumsi normalitas.
Universitas Sumatera Utara
Gambar 4.2 Normal P-Plot of Regresion Standarized Residual- Normal
Untuk lebih memastikan bahwa data sudah terdistribusi dengan normal, maka peneliti membuat uji Kolmogorov-
Smirnov yang membuktikan kenormalan suatu data penelitian dengan angka. Peneliti merasa bahwa pembuktian dengan
angka akan lebih pasti dibandingkan dengan grafik atau gambar yang bisa menimbulkan banyak persepsi. Dengan
menggunakan uji Kolmogorov-Smirnov, suatu data dikatakan normal apabila nilai Asymp. Sig. 2-tailed 0,05 dan apabila
nilai Asymp. Sig. 2-tailed 0,05 maka data tidak terdistribusi
Universitas Sumatera Utara
normal. Berikut hasil pengujian dengan uji Kolmogorov- Smirnov.
Tabel 4.2 Uji
Komolgorov-Smirnov
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual N
51 Normal Parameters
a,b
Mean .0000000
Std. Deviation .03769142
Most Extreme Differences Absolute
.085 Positive
.085 Negative
-.074 Kolmogorov-Smirnov Z
.606 Asymp. Sig. 2-tailed
.856 a. Test distribution is Normal.
b. Calculated from data.
Dari Tabel Kolmogorov-Smirnov di atas, nilai Asymp. Sig. 2-tailed nya sebesar 0,856 yang berarti 0,05 sehingga dapat
ditarik kesimpulan bahwa data sudah terdistribusi dengan normal.
4.3.2.2 Uji Autokorelasi
Uji Autokorelasi merupakan bagian dari uji asumsi klasik yang bisa menentukan apakah terdapat autokorelasi di dalam data
penelitian. Data penelitian yang baik tidak memiliki autokorelasi di dalamnya. Untuk melihat ada tidaknya
autokorelasi dilihat dari nilai Durbin-Watson DW. Bila DU DW 4-DU maka tidak terjadi autokorelasi. Bila nilai DW
DL maka terjadi autokorelasi positif. Bila nilai DW 4DU
Universitas Sumatera Utara
maka terjadi autokorelasi negatif. Bila DW terletak di antara DU dan DL maka hasilnya tidak dapat disimpulkan. Berikut
hasil hasil SPSS yang menunjukkan apakah data terkena autokorelasi atau tidak.
Model Summary
b
Model R
R Square
Adjusted R Square
Std. Error of the Estimate
Durbin-Watson 1
.541
a
.292 .247
.03888 2.304
a. Predictors: Constant, ABM, PE, PAD b. Dependent Variable: IPM
Dari hasil uji autokorelasi dari Tabel 4.3 di atas, didapat nilai DW sebesar 2,304 di mana data observasi berjumlah 51, k=3,
sehingga dari Tabel DW didapat nilai DU = 1,6754 dan DL = 1,4273. Dari nilai tersebut, maka dapat ditarik kesimpulan
bahwa tidak terjadi autokorelasi di dalam penelitian karena nilai DU DW 4-DU sehingga data penelitian sudah
memenuhi uji asumsi klasik.
4.3.2.3 Uji Multikolinearitas
Uji Multikolinearitas merupakan uji yang menentukan ada tidaknya hubungan linear antara variabel independen dengan
variabel independen lainnya. Model regresi yang baik tidak boleh memiliki multikolinearitas di dalamnya. Untuk
mendeteksi ada tidaknya multikolinearitas di dalam data penelitian dilihat dari nilai Variance Inflation Factor VIF.
Jika nilai VIF 10 maka tidak terjadi multikolinearitas, dan
Universitas Sumatera Utara
sebaliknya jika nilai VIF 10 maka terjadi multikolinearitas. Hasil uji Multikolinearitas terlihat sebagai berikut.
Tabel 4.4 Uji Multikolinearitas
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients T
Sig. Collinearity
Statistics B
Std. Error Beta
Tolerance VIF
1 Constant
4.017 .089
45.226 .000 PAD
.038 .009
.599 4.242 .000
.755 1.325 PE
-.031 .030
-.132 -1.033 .307 .926 1.080
ABM -.012
.005 -.356 -2.454 .018
.717 1.395 a. Dependent Variable: IPM
Dari Tabel 4.4 di atas, maka dapat diperoleh nilai VIF dari masing-masing variabel independen untuk variabel Pendapatan
Asli Daerah PAD sebesar 1,325, Pertumbhan Ekonommi Daerah sebesar 1,080, dan Alokasi Anggaran Belanja
Modalsebesar 1,395. Sehingga dapat disimpulkan tidak terjadi Multikolinearitas di dalam penelitian karena setiap variabel
independen nilai VIF 10.
4.3.2.4 Uji Heteroskedastisitas
Uji Heteroskedastisitas merupakan uji untuk menentukan apakah variabel pengganggu di dalam penelitian memilikii
varian yang sama atau tidak. Penelitian yang bagus adalah penelitian yang tidak memiliki heteroskedastisitas melainkan
harus homokedastisitas.
Universitas Sumatera Utara
Untuk menentukan apakah data penelitian mengalami heteroskedastisitas atau tidak dapat dilihat dari Scatterplot
hasil SPSS. Apabila titik-titik di Scatterplot menyebar di atas, di bawah, dan di sekitaran angka nol, maka tidak terjadi
heteroskedastisitas, dan apabila titik-titik di Scatterplot membentuk pola tertentu, tidak menyebar di atas, di bawah,
dan di sekitaran angka nol, maka terjadi heteroskedastisitas. Berikut hasil Scatterplot dari penelitian.
Gambar 4.3 Scatterplot Uji Heteroskedastisitas
Universitas Sumatera Utara
Dari Gambar 4.3 di atas, terlihat bahwa titik-titik menyebar di atas, di bawah, dan di sekitaran angka nol sehingga dapat
ditarik kesimpulan bahwa data penelitian tidak mengandung heteroskedastisitas.
4.3.3 Uji Analisis Regresi Linier Berganda
Uji Analisis Regresi Linier Berganda merupakan uji yang digunakan untuk mengetahui hubungan beberapa variabel independen terhadap
variabel dependen. Uji ini dapat dilakukan apabila telah memenuhi uji asumsi klasik. Hasil Analisis Regresi Linier Berganda penelitian
dengan SPSS adalah sebagai berikut.
Tabel 4.5 Uji Analisis Regresi Linier Berganda
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
T Sig.
B Std. Error
Beta 1
Constant 4.017
,089 45.226
,000 PAD
,038 ,009
.599 4.242
,000 PE
-,031 ,030
-.132 -1.033
,307 ABM
-,012 ,005
-,356 -2.454
,018 a. Dependent Variable: IPM
Dari Tabel 4.5 di atas, maka dapat dibuat persamaan Regresi Linier Berganda sebagai berikut:
IPM = 4,017+ 0, 038PAD - 0,031PE - 0,012ABM + e
Interpretasi persamaan di atas sebagai berikut:
Universitas Sumatera Utara
a. Konstanta sebesar 4,017 menunjukkan bahwa apabila tidak ada variabel independen Pendapatan Asli Daerah, Pertumbuhan Ekonomi
Daerah, dan Alokasi Anggaran Belanja Modal, maka tingkat Indeks Pembangunan Manusia adalah sebesar 4,017.
b. Koefisien Regresi PAD sebesar 0,038 menunjukkan bahwa apabila setiap kenaikan Pendapatan Asli Daerah 1 dengan asumsi variabel
bebas lainnya dianggap konstan maka akan menaikkan Indeks Pembangunan Manusia sebesar 0,038.
c. Koefisien Regresi PE sebesar 0,031menunjukkan bahwa apabila setiap kenaikan Tingkat Pertumbuhan Ekonomi Daerah 1 dengan
asumsi variabel bebas lainnya dianggap konstan maka akan menurunkan Indeks Pembangunan Manusia sebesar 0,031.
d. Koefisien Regresi ABM sebesar 0,012menunjukkan bahwa apabila setiap kenaikan Alokasi Anggaran Belanja Modal 1 dengan asumsi
variabel bebas lainnya dianggap konstan maka akan menurunkan Indeks Pembangunan Manusia sebesar 0,012.
4.3.4 Uji Hipotesis
Kategori