Medan sebesar 33,11, sedangkan rata-rata terendah dimiliki oleh Kota Sibolga sebesar 0,71. Pada tahun 2004 rata – rata tertinggi dimiliki oleh Kota Medan sebesar 42,79,
sedangkan rata-rata terendah dimiliki oleh Kota Sibolga sebesar 0,82. Pada tahun 2005 rata – rata tertinggi dimiliki oleh Kota Medan sebesar 49,05, sedangkan rata-rata
terendah dimiliki oleh Kota Sibolga sebesar 0,93.
2. Statistik Deskriptif
Statistik deskriptif merupakan ilmu s 15tatistik yang mempelajari cara-cara
pengumpulan, penyusunan dan penyajian data suatu penelitian. Tujuannya adalah
memudahkan orang untuk membaca data serta memahami maksudnya.
Berikut ini merupakan output SPSS yang merupakan keseluruhan data yang digunakan dalam penelitian ini.
Tabel 4.4 Descriptive Statistics
N Minimum
Maximum Mean
Std. Deviation Produk Domestik Regional
Bruto Y 30
14075.17 332239.16 71113.0977
69417.87724 Valid N listwise
30
Sumber : Diolah dari SPSS, 2009
Universitas Sumatera Utara
Berikut ini perincian data deskriptif yang telah diolah: variabel Produk Domestik Regional Bruto Y memiliki nilai minimum 14.075,17
,
nilai maksimum 332.239,16, rata-rata PDRB 71.113,0977 dan
standar deviasi sebesar 69417.87724 dengan jumlah sampel sebanyak 30.
3. Pengujian Asumsi Klasik a.
Uji Normalitas
Uji ini bertujuan untuk mengetahui apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal. Pengujian normalitas dalam
penelitian ini menggunakan dua cara yaitu analisis grafik yang terdiri dari histogram dan normal probability plot dan analisis statistik yang terdiri dari uji skewnesskurtosis dan
uji nonparametrik Kolmogorov Smirnov. Di bawah ini merupakan hasil uji normalitas
Universitas Sumatera Utara
dengan menggunakan analisis
grafik:
Gambar 4.1 Uji Normalitas 1
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
Universitas Sumatera Utara
maupun menceng kanan atau bisa disimpulkan bahwa data tersebutnormal.
Gambar 4.2 Uji Normalitas 2
Sumber : Diolah dari SPSS, 2009
Hasil uji normalitas dengan menggunakan normal probability plot, di mana terlihat bahwa titik-titik menyebar di sekitar garis diagonal serta penyebarannya
mengikuti garis diagonal sehingga dapat disimpulkan bahwa data dalam model regresi terdistribusi secara normal. Namun, hasil uji normalitas dengan grafik
kadang-kadang bisa menyesatkan karena kelihatannya distribusinya normal
Universitas Sumatera Utara
padahal melalui analisis statistik sebenarnya tidak normal. Oleh karena itu, dilakukanlah uji nonparametrik Kolmogorov Smirnov dengan hasil sebagai
berikut:
Tabel 4.5 Uji Normalitas 3
One-Sample Kolmogorov-Smirnov Test
Y N
30 Normal Parameters
a
Mean 2.3090
Std. Deviation 1.93323
Most Extreme Differences Absolute
.151 Positive
.151 Negative
-.125 Kolmogorov-Smirnov Z
.827 Asymp. Sig. 2-tailed
.500 a. Test distribution is Normal.
Sumber : Diolah dari SPSS, 2009
Uji Kolmogorov Smirnov K-S dilakukan dengan membuat hipotesis:
Universitas Sumatera Utara
Ho : data residual berdistribusi normal sig. 0,05 Ha : data residual tidak berdistribusi normal sig. 0,05
Dari tabel hasil uji Kolmogorov Smirnov di atas, dapat disimpulkan bahwa data dalam model regresi telah terdistribusi secara normal. Besarnya nilai Kolmogrov –
Smirov adalah 1.339 dan tidak signifikan pada 0.05 karena p = 0.055 dari 0.05. Hal ini berarti Ho diterima yang mengatakan bahwa residual terdistribusi secara normal atau
dengan kata lain residual berdistribusi normal. Semua hasil pengujian melalui analisis grafik dan statistik di atas menunjukkan hasil yang sama yaitu normal, dengan demikian
telah terpenuhi asumsi normalitas dan bisa dilakukan pengujian asumsi klasik berikutnya pada data yang tersisa.
b. Uji Heteroskedastisitas
Uji Heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain.
Jika variance dari residual satu pengamatan ke pengamatan lain tetap, maka disebut Homoskedastisitas dan jika berbeda disebut Heteroskedastisitas. Model regresi yang
baik adalah yang Homoskedastisitas atau tidak terjadi Heteroskedastisitas. Heteroskedastisitas ini dapat dilihat dengan grafik scatterplot.
Berdasarkan grafik scatterplot, dapat terlihat bahwa titik-titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y. Sehingga
Universitas Sumatera Utara
dapat disimpulkan bahwa tidak terjadi heteroskedastisitas atau terjadi homoskedastisitas pada model regresi.
Hasil Uji Heteroskedastisitas Sebelum Transformasi dengan Logaritma Natural
Gambar 4.3 Grafik Scatterplot
Sumber : Diolah dari SPSS, 2009
Berdasarkan grafik scatterplot, dapat terlihat bahwa titik-titik tidak menyebar secara tidak acak serta menyempit menumpuk baik di atas maupun di bawah angka 0
Universitas Sumatera Utara
pada sumbu Y. Sehingga dapat disimpulkan bahwa terjadi heteroskedastisitas pada model regresi. Tindakan perbaikan yang dilakukan dalam penelitian ini menggunakan
salah satu dari tiga cara yang telah dikemukakan pada bab sebelumnya, yaitu dengan menggunakan transformasi seluruh variabel penelitian ke dalam fungsi logaritma
natural Ln. Sehingga dari dana alokasi umum, dana alokasi khusus dan belanja modal menjadi Ln dana alokasi umum, dana alokasi khusus dan belanja modal. Kemudian data
diuji ulang berdasarkan asumsi normalitas. Hasil Uji Heteroskedastisitas
Setelah Transformasi dengan Logaritma Natural
Gambar 4.4 Grafik Scatterplot
Sumber : Diolah dari SPSS, 2009
Universitas Sumatera Utara
Dari gambar scatterplot di atas, terlihat bahwa titik-titik menyebar secara acak serta tidak membentuk pola tertentu atau tidak teratur. Hal ini mengindikasikan tidak
terjadi heteroskedastisitas pada model regresi sehingga model regresi layak dipakai.
c. Uji Autokorelasi
Uji ini bertujuan untuk menganalisis apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan tingkat kesalahan pada
periode t-1. Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lainnya. Masalah ini timbul karena residual kesalahan pengganggu
tidak bebas dari satu observassi ke observasi lainnya. Hal ini sering ditemukan pada data runtut waktu time series karena “gangguan” pada seseorang individu kelompok
cenderung mempengaruhi “gangguan” pada individu kelompok yang sama pada periode berikutnya.
Untuk mengetahui apakah terjadi autokorelasi pada data dapat digunakan Uji Durbin Watson D-W test. Menurut Ghozali 2005:96, pedoman dalam pengambilan
keputusan ada atau tidaknya autokorelasi sebagai berikut: 4
Angka D-W di bawah -2 berarti ada autokorelasi positif 5
Angka D-W di antara -2 sampai +2 berarti tidak ada autokorelasi 6
Angka D-W di atas +2 berarti ada autokorelasi negatif Hasil dari uji autokorelasi dapat dilihat pada tabel berikut ini :
Universitas Sumatera Utara
Tabel 4.6 Hasil Uji Autokorelasi
Model Summaryb
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-
Watson 1
.342a .117
.015 1.91834
1.200
a Predictors: Constant, Ln_DAU,DAK,BM b Dependent Variable: Ln_PDRB
Sumber : Diolah dari SPSS, 2009
Hasil uji autokorelasi di atas menunjukkan nilai statistik Durbin Watson DW sebesar 1.200. Hal tersebut mengindikasikan bahwa dalam penelitian ini bebas dari
autokorelasi karena masih dalam kisaran nilai -2 dan 2.
4. Model dan Teknik Analisis Data
Dalam pengolahan data dengan menggunakan regresi linear, dilakukan beberapa tahapan untuk mencari hubungan antara variabel independen dan variabel dependen,
melalui pengaruh Ln_DAU, DAK, BM X
1,
X
2,3
terhadap Ln_PDRB Y. Hasil regresi dapat dilihat pada tabel berikut ini:
Universitas Sumatera Utara
Tabel 4.7 Hasil Analisis Regresi
Coefficientsa
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity Statistics
B Std. Error
Beta Tolerance
VIF 1
Constant 1.464
3.510 .417
.680 X1
.797 .720
.251 1.107
.279 .660
1.514 X2
-1.167 .726
-.376 -1.607
.120 .621
1.610 X3
-.190 .596
-.075 -.318
.753 .608
1.644 a. Dependent Variable: Ln_PDRB
Sumber : Diolah dari SPSS
Berdasarkan penjelasan dari pengujian asumsi klasik sebelumnya, model regresi dalam penelitian ini telah diubah menjadi model logaritma natural, sehingga beta dan
koefisien dari penelitian ini dapat disimpulkan dalam bentuk logaritma natural. Model persamaan regresi yang dapat disusun untuk variabel belanja modal adalah
dalam jutaan rupiah :
Universitas Sumatera Utara
LnY = 1.464+ 0.797 LnX
1
-1.167LnX
2
-0.190LnX
3
Keterangan : Ln Y
= Logaritma Natural LN Pertumbuhan Ekonomi Ln X
1
= Logaritma Natural LN Dana Alokasi Umum
LnX
2
= Logaritma Natural LN Dana Alokasi Khusus
LnX
3
= Logaritma Natural LN Belanja Modal
Persamaan tersebut menunjukkan angka yang signifikan pada 0,05 pada variabel Ln_DAU, DAK, BM X
1,2,3
. Adapun interpretasi dari persamaan di atas adalah: a.
α = 1.464 Nilai konstanta ini menunjukkan bahwa apabila tidak ada variabel Ln_DAU,DAK,BM
X=0, maka PDRB yang terbentuk adalah 1.464. b. βLnX
1
= 0.797 βLnX
2
= -1.167 βLnX
3
= -0.190
Koefisien regresi ini menunjukkan bahwa setiap variabel Ln_DAU,DAK,BM meningkat 1, maka akan meningkatkan PDRB sebesar 0,233 dengan
asumsi variabel lainnya tetap atau sama dengan nol.
Universitas Sumatera Utara
5. Hasil Pengujian Hipotesis a. Uji Signifikan Parsial Uji-t
