3. Statistik Deskriptif
Statistik Deskriptif adalah ilmu statistik yang mempelajari cara-cara pengumpulan, penyusunan dan penyajian data suatu penelitian. Tujuannya adalah
untuk memudahkan orang untuk membaca data serta memahami maksudnya. Berikut ini merupakan output SPSS yang merupakan keseluruhan data yang
digunakan dalam penelitian ini.
Tabel 4.8
Sumber : Diolah dari SPSS, 2011 Berikut ini data deskriptif yang telah diolah :
a. variabel Tingkat Kemandirian memiliki nilai minimum 2,07, nilai maksimum 26,49, rata-rata Tingkat Kemandirian 5,0190 dan standar deviasi sebesar
4,77833 dengan jumlah amatan sebanyak 40, b. variabel Rasio Pendapatan Asli Daerah memiliki nilai minimum 1,97, nilai
maksimum 21,67, rata-rata PAD 4,7313 dan standar deviasi sebesar 3,90688 dengan jumlah amatan sebanyak 40,
c. variabel Rasio Dana Bagi Hasil memiliki nilai minimum 2,99, nilai maksimum 17,71, rata-rata Dana Bagi Hasil 7,8667 dan standar deviasi
sebesar 3,11686 dengan jumlah amatan sebanyak 40. d. variabel Rasio Dana Alokasi Umum memiliki nilai minimum 45,21, nilai
maksimum 76,71, rata-rata Dana Alokasi Umum 0,697612 dan standar deviasi sebesar 6,27879 dengan jumlah amatan sebanyak 40.
Descriptive Statistics
40 1.97
21.67 4.7313
3.90688 40
2.99 17.71
7.8667 3.11686
40 45.21
76.71 69.7613
6.27879 40
.52 17.01
9.2083 3.80193
40 2.07
26.49 5.0190
4.77833 40
Rasio PAD Rasio DBH
Rasio DAU Rasio DAK
Tingkat Kemandirian Valid N listwise
N Minimum
Maximum Mean
Std. Deviation
Universitas Sumatera Utara
e. variabel Rasio Dana Alokasi Khusus memiliki nilai minimum 0,52, nilai maksimum 17,01, rata-rata Dana Alokasi Khusus 9,2083 dan standar deviasi
sebesar 3,80193 dengan jumlah amatan sebanyak 40.
4. Pengujian Asumsi Klasik
a. Uji Normalitas
Pengujian normalitas ini bertujuan untuk mengetahui apakah data yang digunakan telah terdistribusi secara normal. Hasil uji normalitas dengan grafik
histogram yang diolah dengan SPSS, normal probability plot serta Kolmogorov- Smirnov Test ditunjukkan sebagai berikut :
Gambar 4.1 Histogram sebelum tranformasi
Sumber : Diolah dari SPSS, 2011
Hasil uji normalitas di atas memperlihatkan bahwa pada grafik histogram di atas distribusi data mengikuti kurva berbentuk lonceng yang tidak menceng
skewness kiri maupun menceng kanan atau dapat disimpulkan bahwa data tersebut normal.
Regression Standardized Residual
2.00 1.50
1.00 .50
0.00 -.50
-1.00 -1.50
-2.00
Histogram Dependent Variable: Tingkat Kemandirian
F reque
nc y
12 10
8 6
4 2
Std. Dev = .95 Mean = 0.00
N = 4 0.00
Universitas Sumatera Utara
Gambar 4.2 Normal P-P Plot sebelum transformasi
Sumber : Diolah dari SPSS, 2011 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.
Tabel 4.9 Uji Normalitas dengan One-Sample Kolmogorov-Smirnov
Sumber : Diolah dari SPSS, 2011 Normal P-P Plot of Regression Stand
Dependent Variable: Tingkat Kemand
Observed Cum Prob
1.00 .75
.50 .25
0.00
Ex pec
ted C
um P
rob
1.00 .75
.50 .25
0.00
One-Sample Kolmogorov-Smirnov Test
40 .0000000
.38879723 .059
.059 -.053
.371 .999
N Mean
Std. Deviation Normal Parameters
a,b
Absolute Positive
Negative Most Extreme
Differences
Kolmogorov-Smirnov Z Asymp. Sig. 2-tailed
Unstandardiz ed Residual
Test distribution is Normal. a.
Calculated from data. b.
Universitas Sumatera Utara
Nilai Kolmogrov – Smirov sebesar 0.371 dan tidak signifikan pada 0.05 karena p = 0.999 0.05. Hal ini berarti Ho diterima yang berarti bahwa residual
terdistribusi secara normal atau dengan kata lain residual berdistribusi normal. Namun, pada saat melakukan pengujian heteroskedastisitas, hasilnya
mengindikasikan telah terjadi heteroskedastisitas pada model regresi sehingga dilakukan tindakan perbaikan yaitu dengan menggunakan transformasi seluruh
variabel penelitian ke dalam fungsi logaritma natural Ln. Hasil pengujian ulang data menghasilkan:
Gambar 4.3 Histogram setelah transformasi
Sumber : Diolah dari SPSS, 2011 Hasil uji normalitas di atas memperlihatkan bahwa pada grafik histogram
di atas distribusi data mengikuti kurva berbentuk lonceng yang tidak menceng skewness kiri maupun menceng kanan atau dapat disimpulkan bahwa data
tersebut normal.
Regression Standardized Residual
3.50 3.00
2.50 2.00
1.50 1.00
.50 0.00
-.50 -1.00
-1.50
Histogram Dependent Variable: LN_KMDRN
F reque
nc y
20
10 Std. Dev = .95
Mean = 0.00 N = 4 0.00
Universitas Sumatera Utara
Gambar 4.4 Normal P-P Plot setelah transformasi
Sumber : Diolah dari SPSS, 2011 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.
Tabel 4.10 Uji Normalitas dengan One-Sample Kolmogorov-Smirnov setelah
transformasi
Sumber : Diolah dari SPSS, 2011 Normal P-P Plot of Regression Stand
Dependent Variable: LN_KMDRN
Observed Cum Prob
1.00 .75
.50 .25
0.00
E xpec
ted C
um P
rob
1.00 .75
.50 .25
0.00
One-Sample Kolmogorov-Smirnov Test
40 .0000000
.06832523 .217
.217 -.109
1.372 .046
N Mean
Std. Deviation Normal Parameters
a,b
Absolute Positive
Negative Most Extreme
Differences
Kolmogorov-Smirnov Z Asymp. Sig. 2-tailed
Unstandardiz ed Residual
Test distribution is Normal. a.
Calculated from data. b.
Universitas Sumatera Utara
Nilai Kolmogrov – Smirov sebesar 1.372 dan tidak signifikan pada 0.05 karena p = 0.046 0.05. Hal ini berarti Ho diterima yang berarti 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.
b. Uji Heteroskedastisitas
Uji heteroskedastisitas dilakukan untuk menguji apakah dalam sebuah model regresi terjadi ketidaksamaan varians dari residual dari satu pengamatan ke
pengamatan yang lain. Heteroskedastisitas ini dapat dilihat dengan grafik scatterplot dan Uji Glejser.
Hasil dari uji heteroskedastisitas dapat dilihat pada grafik scatterplot berikut ini :
Hasil Uji Heteroskedastisitas Sebelum Transformasi dengan Logaritma Natural
Gambar 4.5 Grafik Scatterplot
Sumber : Diolah dari SPSS, 2011
Scatterplot Dependent Variable: Tingkat Kemandirian
Regression Standardized Predicted Value
5 4
3 2
1 -1
R egr
es si
on S tude
nt iz
ed R es
id ual
3 2
1
-1 -2
-3
Universitas Sumatera Utara
Dari gambar scatterplot di atas, terlihat bahwa titik-titik tidak terlalu menyebar secara acak di atas dan di bawah angka 0 pada sumbu Y, serta sedikit
menyempit menumpuk. Hal ini mengindikasikan telah terjadi heteroskedastisitas pada model regresi sehingga model regresi tidak layak dipakai.
Selain dengan grafik, hasil uji heteroskedastisitas dapat dilihat pada statistik uji glejser berikut ini:
Tabel 4.11 Hasil Uji Heteroskedastisitas dengan uji Glejser sebelum transformasi
dengan Logaritma Natural
Sumber : Diolah dari SPSS, 2011 Berdasarkan hasil Uji Glejser, dapat dilihat bahwa pada tabel
Coefficients
a
nilai probabilitas signifikansi variabel Rasio PAD signifikan secara statistik mempengaruhi variabel dependen. Hal ini terlihat dari probabilitas
signifikansi yang lebih kecil dari 0,05 5, yaitu 0,000, sehingga dapat disimpulkan telah terjadi heteroskedastisitas.
Tindakan perbaikan yang dilakukan dalam penelitian ini menggunakan salah satu dari cara yang telah dikemukakan pada bab sebelumnya, yaitu dengan
menggunakan transformasi seluruh variabel penelitian ke dalam fungsi logaritma natural Ln, kemudian data diuji ulang. Hasil pengujian ulang data
menghasilkan:
Coefficients
a
1.145 1.884
.608 .547
1.184 .038
.968 31.233
.000 .024
.035 .015
.680 .501
-.032 .022
-.042 -1.489
.145 .037
.029 .029
1.248 .220
Constant Rasio PAD
Rasio DBH Rasio DAU
Rasio DAK Model
1 B
Std. Error Unstandardized
Coefficients Beta
Standardized Coefficients
t Sig.
Dependent Variable: Tingkat Kemandirian a.
Universitas Sumatera Utara
Hasil Uji Heteroskedastisitas Setelah Transformasi dengan Logaritma Natural
Gambar 4.6 Grafik Scatterplot
Sumber : Diolah dari SPSS, 2011
Dari gambar scatterplot di atas, terlihat bahwa titik-titik menyebar secara acak di atas dan di bawah angka 0 pada sumbu Y, serta tidak membentuk pola
tertentu atau tidak teratur. Hal ini mengindikasikan tidak terjadi heteroskedastisitas pada model regresi sehingga model regresi layak dipakai.
Sedangkan hasil uji heteroskedastisitas dengan statistik uji glejser setelah seluruh variabel penelitian ditransformasi ke dalam fungsi logaritma natural Ln
dapat dilihat pada tabel berikut:
Scatterplot Dependent Variable: LN_KMDRN
Regression Standardized Predicted Value
4 3
2 1
-1 -2
R egr
es s
ion S tude
nt iz
ed R es
id ual
4 3
2 1
-1 -2
Universitas Sumatera Utara
Tabel 4.12 Hasil Uji Heteroskedastisitas dengan uji Glejser setelah transformasi
dengan Logaritma Natural
Sumber : Diolah dari SPSS, 2011 Berdasarkan hasil Uji Glejser di atas, dapat dilihat bahwa pada tabel
Coefficients
a
nilai sig. semua variabel independen lebih besar dari 0,05 5. Sehingga dapat disimpulkan tidak terjadi heteroskedastisitas atau terjadi
homoskedastisitas. Dengan demikian terpenuhilah asumsi klasik untuk uji heteroskedastisitas.
c. Uji Autokorelasi
Uji autokorelasi ini digunakan untuk menguji asumsi klasik regresi berkaitan dengan adanya autokorelasi. Model regresi yang baik adalah model
yang tidak mengandung autokorelasi. Hasil dari uji autokorelasi dapat dilihat pada
tabel berikut ini : Tabel 4.13
Hasil Uji Autokorelasi
Sumber : Diolah dari SPSS, 2011
Coefficients
a
.785 .733
1.072 .291
1.015 .037
.955 27.793
.092 -.040
.049 -.027
-.824 .416
-.151 .169
-.029 -.889
.380 -.030
.035 -.038
-.860 .396
Constant LN_RPAD
LN_RDBH LN_RDAU
LN_RDAK Model
1 B
Std. Error Unstandardized
Coefficients Beta
Standardized Coefficients
t Sig.
Dependent Variable: LN_KMDRN a.
Model Summary
b
.992
a
.984 .982
.07212 1.847
Model 1
R R Square
Adjusted R Square
Std. Error of the Estimate
Durbin-W atson
Predictors: Constant, LN_RDAK, LN_RDAU, LN_RDBH, LN_RPAD a.
Dependent Variable: LN_KMDRN b.
Universitas Sumatera Utara
Hasil uji autokorelasi di atas menunjukkan nilai statistik Durbin Watson DW sebesar 1,847. Maka Ho diterima, yang artinya dalam model regresi tidak
terdapat autokorelasi atau kesalahan pengganggu, sebab DW terletak diantara -2 sampai +2 yang berarti tidak ada autokorelasi.
d. Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah dalam sebuah model regresi ditemukan adanya korelasi antarvariabel independen. Hasil dari uji
multikolinearitas dapat dilihat pada tabel berikut ini : Tabel 4.14
Hasil Uji Multikolinearitas Coefficientsa
Sumber : Diolah dari SPSS, 2011 Nilai tolerance yang rendah sama dengan nilai VIF tinggi
karena VIF = 1 Tolerence. Nilai cutoff yang umum dipakai untuk menunjukkan adanya multikolinearitas adalah nilai tolerance 0.10 atau sama dengan nilai VIF
10. Dari hasil pengujian di atas, dapat dilihat bahwa angka tolerance LN_RPAD, LN_RDBH, LN_RDAU, LN_RDAK 0.10 dan VIF-nya 10. Hasil
perhitungan nilai Tolerance juga menunjukkan tidak ada variabel independen
Coefficients
a
.380 2.629
.429 2.331
.415 2.411
.225 4.447
LN_RPAD LN_RDBH
LN_RDAU LN_RDAK
Model 1
Tolerance VIF
Collinearity Statistics
Dependent Variable: LN_KMDRN a.
Universitas Sumatera Utara
yang memiliki nilai Tolerance kurang dari 0.10. Ini mengindikasikan bahwa tidak terjadi multikolinearitas di antara variabel independen dalam penelitian.
5. Model dan Teknik Analisis Data