34
BAB IV HASIL PENELITIAN DAN PEMBAHASAN
4.1 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 dari variabel Belanja Modal, Pendapatan Asli Daerah, Dana Alokasi Umum dalam jutaan rupiah dan Luas Wilayah dalam km
2
. Berdasarkan analisis statistik deskriptif diperoleh gambaran sampel sebagai
berikut :
Tabel 4.1 Statistik Deskriptif
Descriptive Statistics
N Minimum
Maximum Mean
Std. Deviation Belanja Modal
66 34,243.00
352,334.00 161,562.4545 75,714.77589 Pendapatan Asli Daerah
66 5,805.00
328,348.00 45,995.9545 56,230.82056 Dana Alokasi Umum
66 198,239.00 1,260,755.00 473,552.6364 2.21972E5
Luas Wilayah 66
41.31 6,262.00
2,543.3500 1,952.87981 Valid N listwise
66 Sumber: hasil olahan software SPSS
Berdasarkan Tabel 4.1, diketahui nilai Belanja Modal minimum adalah Rp 34.243.000,- sedangkan nilai Belanja Modal maksimum adalah Rp 352.334.000,-.
Rata-rata mean Belanja Modal adalah Rp 161.562.454,5,- dan standar deviasinya sebesar Rp 75.714.775,89,-. Diketahui nilai Pendapatan Asli Daerah
minimum adalah Rp 5.805.000,- sedangkan nilai Pendapatan Asli Daerah maksimum adalah Rp 328.348.000,-. Rata-rata mean Pendapatan Asli Daerah
adalah Rp 45.995.954,5,- dan standar deviasinya sebesar Rp 56.230.820,56,-.
Universitas Sumatera Utara
35
Nilai Dana Alokasi Umum minimum adalah Rp 198.239.000,- sedangkan nilai Dana Alokasi Umum maksimum adalah Rp 1.260.755,-. Rata-rata mean Dana
Alokasi Umum adalah Rp 473.552.636,4,- dan standar deviasinya sebesar Rp 221.972,-. Nilai Luas Wilayah minimum adalah 41,31 km
2
sedangkan nilai Luas Wilayah maksimum adalah 6,262 km
2
. Rata-rata mean Luas Wilayah adalah 2,543.3500 km
2
, dan standar deviasinya sebesar 1,952.87981 km
2
.
4.2 Uji Asumsi Klasik
4.2.1 Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal. Uji
dan � mengasumsikan bahwa nilai residual mengikuti distribusi normal.
Kalau asumsi ini dilanggar maka uji statistik menjadi tidak valid untuk jumlah sampel kecil Ghozali, 2011. Dalam penelitian ini, uji normalitas
terhadap residual dengan menggunakan uji Kolmogorov-Smirnov. Tingkat signifikansi yang digunakan
� = , . Dasar pengambilan keputusan adalah melihat angka probabilitas , dengan ketentuan sebagai berikut :
1. Jika nilai probabilitas Asymp. Sig. 2-tailed 0,05, maka asumsi
normalitas terpenuhi. 2.
Jika probabilitas Asymp. Sig. 2-tailed 0,05, maka asumsi normalitas tidak terpenuhi.
Universitas Sumatera Utara
36
Tabel 4.2 Uji Normalitas dengan Kolmogorov-Smirnov
One-Sample Kolmogorov-Smirnov Test
Unstandardize d Residual
N 66
Kolmogorov-Smirnov Z .969
Asymp. Sig. 2-tailed .304
a. Test distribution is Normal. b. Calculated from data.
Sumber: hasil olahan software SPSS Berdasarkan Tabel 4.2, diketahui nilai probabilitas
p atau Asymp. Sig. 2-tailed sebesar 0,304. Karena nilai probabilitas
p, yakni 0,304, lebih besar dibandingkan tingkat signifikansi, yakni 0,05. Hal ini berarti
asumsi normalitas terpenuhi. Pengujian asumsi normalitas dapat juga digunakan pendekatan
analisis grafik, histogram. Pada pendekatan histogram, jika kurva berbentuk kurva normal, maka asumsi normalitas dipenuhi. Pada
pendekatan normal probability plot, jika titik-titik dots menyebar jauh menyebar berliku-liku pada garis diagonal seperti ular dari garis
diagonal, maka diindikasi asumsi normalitas error tidak dipenuhi. Jika titik-titik menyebar sangat dekat pada garis diagonal, maka asumsi
normalitas dipenuhi. Gambar 4.1 dan Gambar 4.2 merupakan output dari SPSS.
Perhatikan bahwa kurva pada histogram berbentuk kurva normal, sehingga disimpulkan bahwa asumsi normalitas error dipenuhi. Di samping itu pada
normal probability plot Gambar 4.2, titik-titik menyebar cukup dekat pada garis diagonal, maka disimpulkan bahwa asumsi normalitas dipenuhi.
Universitas Sumatera Utara
37
Gambar 4.1 Histogram untuk Uji Normalitas
Sumber: hasil olahan software SPSS
Gambar 4.2 Uji Normalitas dengan
Normal Probability Plot
Sumber: hasil olahan software SPSS
4.2.2 Uji Multikolinearitas
Untuk memeriksa apakah terjadi multikolinearitas atau tidak dapat dilihat dari nilai variance inflation factor VIF. Jika nilai VIF lebih dari
10, maka suatu variabel bebas terjadi multikolinearitas.
Universitas Sumatera Utara
38
Tabel 4.3 Uji Multikolinearitas
Model Collinearity
Statistics Tolerance
VIF 1 Constant
Pendapatan Asli Daerah
.311 3.211
Dana Alokasi Umum .270
3.698 Luas Wilayah
.737 1.358
Sumber: hasil olahan software SPSS Berdasarkan Tabel 4.3, nilai VIF dari variabel Pendapatan Asli
Daerah adalah 3,211, nilai VIF dari variabel Dana Alokasi Umum adalah 3,698 dan nilai VIF dari variabel Luas Wilayah adalah 1,358. Karena
masing-masing nilai VIF tidak lebih besar dari 10, maka tidak terdapat gejala multikolinearitas yang berat.
4.2.3 Uji Heteroskedastisitas
Deteksi ada tidaknya heteroskedastisitas dapat dilakukan dengan melihat ada tidaknya pola tertentu pada grafik scatter plot antara SRESID
pada sumbu Y, dan ZPRED pada sumbu X. Ghozali 2011 menyatakan dasar analisis adalah jika ada pola tertentu, seperti titik-titik yang ada
membentuk pola tertentu yang teratur bergelombang, melebar, kemudian menyempit, maka mengindikasikan telah terjadi heteroskedastisitas. Jika
tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.
Universitas Sumatera Utara
39
Gambar 4.3 Uji Heteroskedastisitas
Sumber: hasil olahan software SPSS Perhatikan bahwa berdasarkan Gambar 4.3, tidak terdapat pola
yang begitu jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.
4.2.4 Uji Autokorelasi
Asumsi mengenai
independensi terhadap
residual non-
autokorelasi dapat diuji dengan menggunakan uji Durbin-Watson Field dalam Gio, 2015. Field 2009 : 220 menyatakan bahwa
“Specifically, it Durbin-Watson tests whether adjacent residuals are correlated. The test
statistic can vary between 0 dan 4 with a value 2 meaning that the residuals are uncorrelated yang artinya nilai statistik dari uji Durbin-
Watson berkisar di antara 0 dan 4.
Universitas Sumatera Utara
40
Nilai statistik dari uji Durbin-Watson yang lebih kecil dari 1 atau lebih besar dari 3 diindikasi terjadi autokorelasi Field dalam Gio, 2015.
Field 2009 : 220-221 menyatakan bahwa The size of the Durbin-Watson statistic depends upon the number
of predictors in the model and the number of observations. For accuracy, you should look up the exact acceptable values in Durbin
and Watsons 1951 original paper. As very conservative rule of thumb, values less then 1 or greater than 3 are definitely cause for
concern; however, values closer to 2 may stil be problematic depending on your sample and model.
Uji autokorelasi ini bertujuan untuk menguji ada tidaknya
hubungan antara variabel yang satu dengan variabel yang lain. Model regresi yang baik adalah model yang tidak mengandung autokorelasi.
Hasil dari uji autokorelasi dapat dilihat pada table berikut ini :
Tabel 4.4 Uji Autokorelasi
Model Durbin-
Watson 1
1.791 Sumber : hasil olahan software SPSS
Berdasarkan Tabel 4.4, nilai dari statistik Durbin-Watson adalah 1,791. Perhatikan bahwa karena nilai statistik Durbin-Watson terletak di
antara 1 dan 3, maka asumsi non-autokorelasi terpenuhi. Dengan kata lain, tidak terjadi gejala autokorelasi yang tinggi pada residual.
Universitas Sumatera Utara
41
4.3 Analisis Regresi Linear Berganda
Tabel 4.5 Analisis Regresi Linear Berganda
Model Unstandardized
Coefficients Standardized
Coefficients B
Std. Error Beta
1 Constant 49953.115
17534.919 Pendapatan Asli
Daerah .271
.202 .201
Dana Alokasi Umum .179
.055 .524
Luas Wilayah 5.710
3.777 .147
Sumber: hasil olahan software SPSS Berdasarkan Tabel 4.7, diperoleh persamaan regresi linear berganda
sebagai berikut : Belanja Modal = 49953,115 + 0,271X
1
+ 0,179X
2
+ 5,710X
3
+ e
Berdasarkan Tabel 4.7, diketahui nilai koefisien regresi dari variabel Pendapatan Asli Daerah adalah 0,271. Nilai koefisien regresi dari variabel
Pendapatan Asli Daerah yang bernilai positif berarti pengaruh yang terjadi antara Pendapatan Asli Daerah dan Belanja Modal bersifat positif. Hal ini berarti
semakin tinggi Pendapatan Asli Daerah, maka terdapat kecenderungan Belanja Modal suatu daerah akan meningkat. Nilai koefisien regresi dari variabel Dana
Alokasi Umum adalah 0,179. Nilai koefisien regresi dari variabel Dana Alokasi Umum yang bernilai positif berarti pengaruh yang terjadi antara Dana Alokasi
Umum dan Belanja Modal bersifat positif. Hal ini berarti semakin tinggi Dana Alokasi Umum, maka terdapat kecenderungan Belanja Modal akan meningkat.
Nilai koefisien regresi dari variabel Luas Wilayah adalah 0,571. Nilai koefisien
Universitas Sumatera Utara
42
regresi dari variabel Luas Wilayah yang bernilai positif berarti pengaruh yang terjadi antara Luas Wilayah dan Belanja Modal bersifat positif. Hal ini berarti
semakin luas suatu wilayah, maka terdapat kecenderungan Belanja Modal akan meningkat.
4.4 Pengujian Hipotesis