Analisis Statistik Deskriptif Analisis Regresi Linear Berganda

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