Hasil Penelitian 1. Statistik Deskriptif

54

BAB V HASIL PENELITIAN DAN PEMBAHASAN

5.1. Hasil Penelitian 5.1.1. Statistik Deskriptif Pembahasan tentang pengaruh belanja modal, dan pendapatan asli daerah terhadap belanja pemeliharaan harus terlebih dahulu memperhatikan data dari 15 kabupatenkota. Data perlu dianalisis terlebih dahulu sebelum melakukan pembahasan hubungan masing masing variabel independen terhadap variabel dependen tersebut. Berikut ini ditampilkan data statistik secara umum dari seluruh data yang digunakan. Tabel 5.1. Statistik Deskriptif N Minimum Maximum Mean Std. Deviaton Belanja Modal Pad Belanja Pemeliharaan Valid N listwise 120 120 120 120 186.08 1377.02 270.36 1426495 320062.95 72337.50 95864.71 27430.98 12062.65 167133.09291 45916.35509 13197.70701 Sumber: Hasil Penelitian 2009 data diolah Dari tabel 5.1 di atas dapat dijelaskan bahwa dari sampel sebanyak 120, diperoleh data deskripsi sebagai berikut: 1. Belanja modal maksimum yang dimiliki oleh sampel adalah Rp. 1.426.495 Juta, minimum Rp. 186,08 juta dan rata rata adalah Rp. 95.864,7 juta dengan standar deviasi Rp.174.052,4 juta 61 2. Pendapatan asli daerah maksimum yang dimiliki oleh sampel adalah Rp. 320.062,95 Juta, minimum Rp. 1.377,02 juta dan rata rata adalah Rp. 274.30,98 juta dengan standar deviasi Rp. 45.916,35 juta 3. Belanja pemeliharaan maksimum yang dimiliki oleh sampel adalah Rp. 72.337,5 Juta, minimum Rp. 270,36 juta dan rata rata adalah Rp 12.062,64 juta dengan standar deviasi Rp. 13.197,7 juta

5.1.2. Uji Asumsi Klasik

5.1.2.1. Uji Normalitas Menurut Ghozali 2005, tujuan uji data normalitas adalah untuk mengetahui apakah distribusi sebuah data mengikuti atau mendekati distribusi normal, yaitu distribusi data berbentuk lonceng bell shaped. Suatu data dapat dikatakan baik atau layak, apabila data tersebut mempunyai pola seperti distribusi normal. Uji normalitas pada multivariate sebenarnya sangatlah kompleks, karena harus diujikan pada seluruh variabel secara bersama-sama. Namun pengujian ini juga dapat dilakukan pada setiap variabel, dengan berdasarkan logika bahwa secara individu masing-masing variabel memiliki asumsi normalitas, maka secara bersama-sama atau multivariate, variabel- variabel tersebut juga bisa dianggap memenuhi asumsi normalitas. Uji normalitas dapat dilakukan dengan analisis statistik. Untuk mengetahui apakah data yang dimiliki normal atau tidak, dapat diuji dengan menggunakan: 1. Uji statistik Kolmogorov-Smirnov K-S. 2. Dengan Grafik Uji kemencengan Skewness 3. Dengan Grafik P-P Plot of Regression standardized residual 62 Santoso 2002 memberikan pedoman pengambilan keputusan tentang data data yang mendekati atau merupakan distribusi normal uji Kolmogorov-Smirnov K- S yang dapat dilihat dari: 1. Nilai signifikansi atau probabilitas 0,05, maka data terdistribusi secara tidak normal 2. Nilai sinifikansi atau probabilitas 0,05, maka data terdistribusi secara normal Hasil dari uji normalitas dengan menggunakan tes Kolmogorov-Smirnov K-S adalah sebagai berikut: Tabel 5.2. Uji Normalitas Belanja Modal Pad Belanja Pemeliharaan N Normal Parameters ab Mean Std. Deviation Most Extreme Absolute Differences Positive Negative Kolmogorov-Smirnov Z Asymp. Sig. 2-tailed 120 95864.71 167133.1 .284 222 -.284 3.106 .000 120 27430.98 45916.36 .302 .302 -.285 3.311 .000 120 12062.6481 13197.70701 .238 .238 -.186 2.604 .000 a. Test distribution is Normal. b. Calculated from data. Sumber: Hasil Penelitian 2009 data diolah Dari hasil uji di atas ditunjukkan bahwa semua data tidak terdistribusi secara normal karena nilai signifikansi 0,05. Oleh karena itu, data yang tidak terdistribusi secara normal tersebut dilakukan transformasi agar menjadi normal. Untuk melakukan transformasi mana yang akan dipakai maka perlu dilihat jenis 63 ketidaknormalan data, dari hasil Uji kemencengan Skewness seperti yang terdapat pada lampiran 3 bahwa data penelitian memiliki grafik yang substansial positive skewness, di mana menurut Santoso 2002, untuk menormalkan data perlu dilakukan transformasi data ke dalam bentuk LN log Natural semua variabel yang tidak terdistribusi secara normal. Hasil uji normalitas dengan menggunakan tes Kolmogorov-Smirnov K-S setelah data ditransformasikan adalah sebagai berikut: Tabel 5.3 Uji Normalitas Belanja Modal Pad Belanja Pemeliharaan N Normal Parameters ab Mean Std. Deviation Most Extreme Absolute Differences Positive Negative Kolmogorov-Smirnov Z Asymp. Sig. 2-tailed 120 10.4198 1.77004 .135 .091 -.135 1.476 .256 120 9.5075 1.10994 .121 .121 -.060 1.326 .060 120 8.8201 1.27124 .146 .073 -.146 1.594 .124 a. Test distribution is Normal. b. Calculated from data. Sumber: Hasil Penelitian 2009 data diolah Dari hasil uji Kolmogorov-Smirnov, dapat dilihat bahwa setelah dilakukan transformasi data terhadap variable-variabel yang tidak terdristibusi secara normal dengan menggunakan logaritma Natural atau LN, jumlah sampel pada variabel adalah tetap yaitu sebanyak 120 buah, data variabel belanja modal, PAD, maupun belanja pemeliharaan menjadi normal di mana nilai signifikannya 0,05 5. Hal ini dapat 64 juga dilihat dari hasil uji Uji kemencengan Skewness, dan uji Grafik P-P Plot of Regression standardized residual yang terdapat pada lampiran 4. 5.1.2.2. Uji Multikolinearitas Santoso2002 menyatakan : Multikolinearitas adalah situasi adanya korelasi variabel variabel independen antara yang satu dengan yang lainnya. Dalam hal ini kita sebut variabel variabel bebas tidak ortogonal. Variabel-variabel bebas yang bersifat ortogonal adalah variabel bebas yang memiliki nilai korelasi diantara sesamanya sama dengan nol. Jika terjadi korelasi sempurna diantara variabel bebas, maka konsekuensinya adalah: 1 koefisien koefisien regresi menjadi tidak dapat ditaksir, 2 nilai standard error setiap koefisien regresi menjadi tak terhingga. Pengujian ini bermaksud untuk apakah pada model regresi ditemukan adanya korelasi antar variabel independen. Jika terjadi korelasi, maka dinamakan terjadi problem multikoliearitas. Santoso 2002 mengemukakan bahwa pedoman suatu model regresi yang bebas multikolinearitas adalah : 1. Mempunyai nilai VIF Variance Inflation Factor di sekitar angka 1 dan tidak lebih dari 10 2. Mempunyai angka tolerance mendekati angka 1. Hasil dari uji multikolinearitas dapat di lihat pada tabel di bawah ini: 65 Tabel 5.4. Uji Multikolinearitas Model Unstandardized Coefficients Standardize Coefficients t Sig Collinearity Statistics B Std. Error Beta Tolerance VIF 1 Constant Belanja modal Pad -.224 506 .408 .628 .043 .078 .672 .302 -.358 11.669 5.253 .721 .000 .000 .740 .740 1.351 1.351 Sumber: Hasil Penelitian 2009 data diolah Dari tabel di atas, dapat dilihat bahwa angka belanja modal LNx1, dan PAD LNx2, mendekati angka 1 dan nilai VIF berada di sekitar angka 1 dan tidak lebih dari 10, maka dapat disimpulkan tidak ada gejala multikolinearitas antar variabel independen tersebut. 5.1.2.3. Uji Heteroskedastisitas Budi 2005 menyatakan bahwa : Asumsi heteroskedastisitas adalah asumsi dalam regresi dimana varians dari residual tidak sama untuk satu pengamatan ke pengamatan yang lain. Dalam regresi, salah satu asumsi yang dipenuhi adalah bahwa varians dan residual dari satu pengamatan ke pengamatan yang lain tidak memiliki pola tertentu. Pola yang tidak sama ini ditunjukkan dengan nilai yang tidak sama antar satu varians dari residual. Gejala varians yang tidak sama ini disebut dengan gejala heteroskedastisitas, sedangkan adanya gejala varians residual yang sama dari satu pengamatan ke pengamatan yang lain disebut dengan homokedastisitas ini adalah dengan melihat penyebaran varians residual. 66 Dalam penelitian ini, untuk mengetahui ada tidaknya heterokedastisitas digunakan uji Glejser dan dengan Grafik Scatter Plot, di mana hasilnya adalah sebagai berikut Tabel 5.5. Uji Heterokedastisitas Model Unstandardized Coefficients Standardized Coefficients t Sig B Std. Error Beta 1 Constant belanja modal pad -.406 -.013 -.114 376 .026 .046 -.057 -.273 -1.081 -.510 2.453 .282 611 .076 Sumber: Hasil Penelitian 2009 data diolah Uji Glejser mensyaratkan jika variabel independen signifikan secara statistik mempengaruhi variabel dependen nilai absolut dari residual yang tidak standar, maka ada indikasi terjadi heterokedastisitas. Dari output penelitian di atas dapat dilihat bahwa variabel independen belanja modal dan PAD mempengaruhi variabel dependen dengan nilai signifikan 0,611 untuk belanja modal dan 0,076 untuk PAD, sehingga dapat ditarik kesimpulan bahwa tidak terdapat gejala heterokedastisitas pada variabel variabel penelitian. Demikian pula dengan melihat kepada grafik Scatter Plot yang terdapat pada Lampiran 5, bahwa data menyebar secara merata tanpa membentuk sebuah pola tertentu dan menyebar di atas dan di bawah titik nol secara merata, maka dapat disimpulkan bahwa tidak terdapat heterokedastisitas dalam variabe variabel penelitian. 67 5.1.2.4. Uji Autokorelasi Ghozali 2005 menyatakan bahwa: Uji autokorelasi bertujuan untuk menguji apakah model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan penggangu pada periode t-1 sebelumnya. Jika terjadi korelasi, maka dinamakan ada problem autokorelasi. Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lainnya. Masalah ini timbul karena residual kesalahan pengganggu tidak bebas dari satu observasi ke observasi lainnya. Hal ini sering ditemukan pada data runtut waktu time series karena ”gangguan” pada seseorang individukelompok cenderung mempengaruhi ”gangguan” pada individukelompok yang sama pada periode berikutnya. Untuk mengetahui apakah data yang dimiliki terjadi autokorelasi atau tidak, dapat digunakan uji Lagrange-Multiplier LM test. Ghozali 2005 memberikan pedoman untuk observasi yang besar lebih dari seratus lebih baik memakai LM test dari pada Uji Durbin-Watson. Adapun hasil dari LM test adalah sebagai berikut: Tabel 5.6 Uji Autokorelasi Model Unstandardized Coefficients Standardized Coefficients t Sig B Std. Error Beta 1 Constant belanja modal pad lagres2 -1.212 .093 .028 .096 .625 .044 .078 .098 241 .040 .096 -1.939 2.112 .355 .977 .055 .037 .723 .331 Sumber: Hasil Penelitian 2009 data diolah 68 Tampilan output menunjukkan bahwa koefisien parameter untuk residual lag 2 lagres2 memberikan probabilitas signifikan 0,331 atau lebih besar dari pada 0,05, hal ini menunjukkan indikasi tidak adanya autokorelasi.

5.1.3 Pengujian Hipotesis a. Uji Goodness of Fit

Untuk menguji hipotesis, peneliti menggunakan analisis regresi berganda. Berdasarkan hasil pengolahan data dengan program SPSS, maka diperoleh hasil sebagai berikut: Tabel 5.7. Uji Goodness of Fit Model R R Square Adjusted R Square Std. Error of the Estimate Durbin- Watson 1 .866 a .750 .745 .66817 1.736 a. Predictors: Constant, pad, belanja modal b. Dependent Variable: belanja pemeliharaan Sumber: Hasil Penelitian 2009 data diolah Pada model summary, angka R-kuadrat sebesar 0,750 menunjukkan bahwa korelasi atau hubungan antara belanja pemeliharaan dengan belanja modal dan PAD sebagai variabel independennya adalah sebesar 75. Hal ini berarti bahwa 75 variasi atau perubahan dalam belanja pemeliharaan dapat dijelaskan oleh variasi dari belanja modal dan PAD, sedangkan sisanya sebesar 25 dijelaskan oleh sebab-sebab yang lain yang tidak diteliti. 69

b. Uji t Uji Parsial