Statistik Deskriptif Metode Regresi Linier Berganda Analisis Statistik Deskriptif

35

3.7 Teknik Analisis

Metode analisis data yang digunakan dalam penelitian ini adalah metode analisis statistik model analisis regresi berganda dengan menggunakan program komputer yang dibuat khusus untuk membantu pengolahan data statistik, yaitu program Eviews 7.

3.7.1 Statistik Deskriptif

Analisis yang menekankan pada pembahasan data-data dan subjek penelitian dengan menyajikan data-data secara sistematik dan tidak menyimpulkan hasil penelitian. Analisis deskriptif digunakan untuk memberikan gambar secara umum mengenai data, sehingga dapat dilihat nilai maksimum, minimum, rata-rata, serta standar deviasinya.

3.7.2 Metode Regresi Linier Berganda

Pengujian hipotesis dilakukan dengan menggunakan model analisis regresi berganda bertujuan untuk memprediksi kekuatan pengaruh variabel independen terhadap variabel dependen. Hubungan antar variabel tersebut dapat digambarkan dengan persamaan sebagai berikut : Y = α + β1PDRB + β2SiLPA + β3PAD + β4DAU + β5DAK + β6DBH + e Keterangan: Y = Belanja Modal BM α = Konstanta β = Slope atau Koefisien Regresi PDRB = Produk Domestik Regional Bruto PDRB SiLPA = Sisa Lebih Pembiayaan Anggaran. 36 PAD = Pendapatan Asli Daerah PAD DAU = Dana Alokasi Umum DAK = Dana Alokasi Khusus DBH = Dana Bagi Hasil e = error

3.7.3 Uji Asumsi Klasik

Pengujian data dilakukan dengan pengujian asumsi klasik meliputi:

3.7.3.1 Uji Normalitas

Uji normalitas bertujuan untuk mengetahui distribusi data dalam variabel yang akan digunakan dalam penelitian. Jika data normal, gunakan statistik parametrik, dan jika data tidak normal, gunakan statistik nonparametrik atau lakukan trestment agar data normal. Tujuan uji normalitas adalah ingin mengetahui apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal Erlina, 2008: 102. Seperti diketahui bahwa uji t dan uji F mengasumsikan bahwa nilai residual mengikuti distribusi normal, jika asumsi ini dilanggar maka uji statistik menjadi tidak valid untuk jumlah sampel kecil. Ada 2 cara untuk mendeteksi apakah residual berdistribusi normal atau tidak yaitu: 1. Analisis Grafik Salah satu cara untuk melihat normalitas residual adalah dengan melihat grafik histogram yang membandingkan antara data observasi dengan distribusi 37 yang mendekati distribusi normal. Metode yang lebih handal adalah dengan melihat normal probability plot yang membandingkan distribusi normal. Distribusi normal akan membentuk satu garis lurus diagonal dan plotnya data residual akan dibandingkan dengan garis diagonal. Jika distribusi data residual normal, maka garis yang menggambarkan data sesungguhnya akan mengikuti garis diagonalnya. 2. Analisis Statistik Selain melihat nilai grafik, untuk melihat apakah suatu data mempunyai distribusi normal dapat dilihat dari nilai Z-skewness. Berdasarkan uji Z-skewness ini, maka suatu data dikatakan memiliki distribusi normal jika Z hitung lebih kecil dari Z tabel. Uji statistik lain yang dapat digunakan untuk menguji normalitas residual adalah uji Jarque-bera J-B, apabila J- B hitung nilai χ2 Chi-Square tabel, maka nilai residual terdistribusi normal.

3.7.3.2 Uji Multikolinearitas

Multikolinearitas adalah uji untuk mengetahui apakah ada hubungan yang kuat kombinasi linier diantara variabel bebas. Untuk mendeteksi ada tidaknya multikolinearitas dapat di lihat dari R 2 dan F-statistik, t-statistik serta standart error. Kemungkinan adanya multikolinearitas jika R 2 dan F-statistik tinggi sedangkan t-statistik banyak yang tidak signifikan uji tanda perubahan tidak sesuai dengan yang diharapkan. 38

3.7.3.3 Uji Heterokedastisitas

Uji heterokedastisitas ini bertujuan untuk melihat apakah dalam model regresi terjadi ketidaksamaan variabel dari residual satu pengamatan ke pengamatan yang lain. Model regresi yang baik adalah tidak terjadi heterokedastisitas Erlina, 2008: 106. Heteroskedastisitas adalah keadaan dimana terjadi ketidaksamaan varian dari residual untuk semua pengamatan pada model regresi. Uji heteroskedastisitas digunakan untuk mengetahaui ada atau tidaknya ketidaksamaan varian dari residual pada model regresi. Prasyarat dalam model regresi adalah tidak adanya masalah heteroskedastisitas. Cara untuk mendeteksinya dilakukan dengan Uji White. Secara manual uji ini dilakukan dengan melakukan regresi residual μt2 dengan variable bebas kuadrat dan perkalian bebas, didapatkan nilai R2 untuk menghitung X2. Dimana: X2 = nR2 Pengujiananya adalah jika : X2-statisti X2-tabel, maka model dikatakan terbebas dari gejala heteroskedastisitas atau dengan cara melihat Probalitas Alpha α, berarti model tersebut bebas heteroskedatisitas.

3.7.3.4 Uji Autokorelasi

Autokorelasi adalah adanya korelasi antara residual satu observasi dengan residual observasi lainnya. Salah satu cara yang digunakan untuk mendeteksi autokorelasi adalah dengan uji Breusch-Godfrey BG Test. Pengujian ini dilakukan dengan meregresi variabel penganggu uii dengan menggunakan model autoregressive dengan orde sebagai berikut : 39 Ut = ρ1 Ut - 1 + ρ 2 Ut - 2 + … ρ ρ Ut- ρ + Et.. Dengan H0 adalah ρ1 = ρ2 … ρ, ρ = 0, dimana koefisien autoregressive secara keseluruhan sama dengan nol, menunjukkan tidak terdapat autokorelasi pada setiap orde. Secara manual, apabila χ2 tabel lebih kecil dibandingkan dengan ObsR-squared, maka hipotesis nol yang menyatakan bahwa tidak ada autokorelasi dalam model dapat ditolak. Nilai χ2 tabel diperoleh hasil degree of freedom df atau hasil dari n-k.

3.7.4 Uji Kesesuaian

Test of Goodness of Fit 3.7.4.1 Uji Signifikansi Simultan Uji F Statistik Sifnifikansi model regresi secara simultan diuji dengan melihat perbandingan antara F-tabel dan F-hitung. Selain itu akan dilihat nilai signifikansi sig, dimana jika nilai sig dibawah 0,05 maka variabel independen dinyatakan berpengaruh terhadap variabel dependen. Adapun hipotesis untuk uji F adalah sebagai berikut: H1: Pertumbuhan Ekonomi, SiLPA, PAD, DAU, DAK, dan DBH secara simultan berpengaruh signifikan terhadap pengalokasian anggaran belanja modal. Uji F ini dilakukan dengan membandingkan signifikansi F-hitung dengan ketentuan: • Jika F-hitung F- tabel pada α = 0,05, maka H1 ditolak, • Jika F-hitung F- tabel pada α = 0,05, maka H1 diterima. 40

3.7.4.2 Uji Signifikansi Parsial Uji t

Untuk mengetahui apakah variabel independen dalam model regresi berpengaruh secara parsial terhadap variabel dependen, maka dilakukan pengujian dengan uji t. Ada enam hipotesis yang akan di uji dengan uji t. H1: Pertumbuhan Ekonomi tidak berpengaruh signifikan terhadap Belanja Modal. H2: SiLPA berpengaruh signifikan terhadap belanja modal. H3: PAD berpengaruh signifikan terhadap belanja modal. H4: DAU berpengaruh signifikan terhadap belanja modal. H5: DAK berpengaruh signifikan terhadap belanja modal. H6: DBH berpengaruh signifikan terhadap belanja modal. Uji t ini dilakukan dengan membandingkan signifikansi t-hitung dengan ketentuan: • Jika t hitung t tabel pada α = 0,05, maka H1 ditolak, • Jika t hitung t tabel pada α = 0,05, maka H1 diterima.

3.7.4.3 Koefisien Determinasi R2

Koefisien determinasi mengukur seberapa jauh pengaruh variabel independen terhadap variabel dependen. Semakin tinggi nilai R2 maka semakin baik pengaruh variabel independen terhadap variabel dependen. Ciri-ciri dari R2: 1. Jumlah nilai R2 tidak pernah negatif. 2. Nilai R2 digunakan antara 0 – 1 0 R2 ≤ 1. 41 BAB IV HASIL PENELITIAN DAN PEMBAHASAN

4.1 Gambaran Umum

Populasi dalam penelitian ini adalah 33 kabupatenkota di Provinsi Sumatera Utara, dengan menggunakan data yang bersumber dari laporan APBD selama periode tahun 2009-2013. Setelah dilakukan pemilihan sampel dengan teknik purposive sampling, maka diperoleh sebanyak 19 kabupatenkota yang memenuhi kriteria sampel yang ditetapkan sehingga data penelitian untuk pengamatan selama 5 tahun menjadi 95 unit analisis. Metode analisis data yang digunakan untuk penelitian ini adalah metode analisis yang menggunakan persamaan regresi berganda.

4.2 Analisis Hasil Penelitian

4.2.1 Analisis Statistik Deskriptif

Analisis statistik deskriptif digunakan untuk mengetahui deskripsi suatu data yang dilihat dari nilai maksimum, nilai minimum, nilai rata-rata mean, dan nilai standar deviasi. Dalam penelitian ini, variabel yang digunakan dalam perhitungan statistik deskriptif adalah Belanja Modal BM, Pendapatan Domestik Regional Bruto PDRB, Sisa Lebih Pembiyaan Anggaran SiLPA, Pendapatan Asli Daerah PAD, Dana Alokasi Umum DAU, Dana Alokasi Khusus DAK, dan Dana Bagi Hasil DBH. Berdasarkan analisis statistik deskriptif diperoleh gambaran sampel sebagai berikut: 42 Tabel 4.1 Statistik Deskriptif BM PDRB SILPA PAD DAU DAK DBH Mean 168446.5 12531632 41825.09 88479.74 449755.3 47386.55 51926.51 Maximum 1201667. 1.20E+08 380919.0 1758788. 1270245. 95766.00 319695.0 Minimum 22739.00 290299.8 325.0000 4379.000 139981.0 10314.00 8740.000 Std. Dev. 165325.6 22613349 67307.31 252118.9 253818.0 18470.86 50100.64 Observations 95 95 95 95 95 95 95 Sumber: Hasil olahan software Eviews 7 Berdasarkan data dari tabel 4.1 dapat dilihat bahwa jumlah unit analisis N dalam penelitian ini adalah sebanyak 95 unit analisis yang terdiri dari 19 daerah dengan waktu pengamatan selama 5 tahun, yakni mulai dari tahun 2009 hingga 2013. Berdasarkan tabel 4.1 dapat dijelaskan bahwa: 1. Hasil penelitian menunjukkan bahwa nilai minimum Belanja Modal BM adalah 22739.00 terdapat di Kabupaten Padang Sidimpuan pada tahun 2010. Sedangkan nilai maksimum BM adalah 1201667 terdapat di Kota Medan pada tahun 2013. Rata-rata BM selama kurun waktu tahun 2009-2013 adalah 168446.5. BM memiliki standar deviasi 165325.6 yang menunjukkan variasi penyebaran data pada variabel pengalokasian anggaran belanja modal. 2. Hasil penelitian menunjukkan bahwa nilai minimum Pendapatan Domestik Regional Bruto PDRB adalah 290299.8 terdapat di Kabupaten Pakpak Barat pada tahun 2009. Sedangkan nilai maksimum PDRB adalah 1.20E+08 terdapat di Kota Medan pada tahun 2013. Rata-rata PDRB selama kurun waktu tahun 2009-2013 adalah 12531632. PDRB memiliki standar deviasi 22613349 yang menunjukkan variasi penyebaran data pada variabel tersebut. 43 3. Hasil penelitian menunjukkan bahwa nilai minimum Sisa Lebih Pembiayaan Anggaran SiLPA adalah 290299.8 terdapat di Kabupaten Toba Samosir pada tahun 2011. Sedangkan nilai maksimum SiLPA adalah 380919.0 terdapat di Kota Medan pada tahun 2010. Rata-rata SiLPA selama kurun waktu tahun 2009-2013 adalah 41825.09. SiLPA memiliki standar deviasi 67307.31 yang menunjukkan variasi penyebaran data pada variabel tersebut. 4. Hasil penelitian menunjukkan bahwa nilai minimum Pendapatan Asli Daerah PAD adalah 4379.000 terdapat di Kabupaten Pakpak Barat pada tahun 2010. Sedangkan nilai maksimum PAD adalah 1758788. terdapat di Kota Medan pada tahun 2013. Rata-rata PAD selama kurun waktu tahun 2009-2013 adalah 88479.74. PAD memiliki standar deviasi 252118.9 yang menunjukkan variasi penyebaran data pada variabel tersebut. 5. Hasil penelitian menunjukkan bahwa nilai minimum Dana Alokasi Umum DAU adalah 139981.0 terdapat di Kabupaten Padang Lawas pada tahun 2009. Sedangkan nilai maksimum DAU adalah 1270245. terdapat di Kota Medan pada tahun 2013. Rata-rata DAU selama kurun waktu tahun 2009- 2013 adalah 449755.3. DAU memiliki standar deviasi 253818.0 yang menunjukkan variasi penyebaran data pada variabel tersebut. 6. Hasil penelitian menunjukkan bahwa nilai minimum Dana Alokasi Khusus DAK adalah 10314.00 terdapat di Kabupaten Padang Lawas pada tahun 2009. Sedangkan nilai maksimum DAK adalah 95766.00 terdapat di 44 Kabupaten Deli Serdang pada tahun 2009. Rata-rata DAK selama kurun waktu tahun 2009-2013 adalah 47386.55. DAK memiliki standar deviasi 18470.86 yang menunjukkan variasi penyebaran data pada variabel tersebut. 7. Hasil penelitian menunjukkan bahwa nilai minimum Dana Bagi Hasil DBH adalah 8740.000 terdapat di Kabupaten Batu Bara pada tahun 2011. Sedangkan nilai maksimum DBH adalah 319695.0 terdapat di Kota Medan pada tahun 2010. Rata-rata DBH selama kurun waktu tahun 2009-2013 adalah 51926.51. DBH memiliki standar deviasi 50100.64 yang menunjukkan variasi penyebaran data pada variabel tersebut.

4.2.2 Uji Asumsi Klasik