Sumber : Lampiran diolah dari SPSS, 2015
Tabel di atas menunjukkan bahwa variabel PAD, DAU, DAK, DBH, dan BL memiliki nilai minimum dan nilai maksimum yang positif.
Berikut ini perincian data deskriptif yang telah diperoleh: a. Variabel PAD memiliki nilai minimum 958.747 dan maksimum
1.210.000.000 dengan rata-rata PAD sebesar 62.405.000 dengan jumlah sampel sebanyak 33 kabupaten dan kota.
b. Variabel DAU memiliki nilai minimum 63.068.373 dan maksimum 1.270.000.000 dengan rata-rata DAU sebesar 427.390.000 dengan jumlah
sampel sebanyak 33 kabupaten dan kota. c. Variabel DAK memiliki nilai minimum 17.807.400 dan maksimum
856.000.000 dengan rata-rata DAK sebesar 51.683.000 dengan jumlah sampel sebanyak 33 kabupaten dan kota.
d. Variabel DBH memiliki nilai minimum 653.056 dan maksimum 374.000.000 dengan rata-rata DBH sebesar 43.367.000 dengan jumlah
sampel sebanyak 33 kabupaten dan kota. e. Variabel BL memiliki nilai minimum 32.801.248 dan maksimum
1.600.000.000 dengan rata-rata BL sebesar 30.5110.000 dengan jumlah sampel sebanyak 33 kabupaten dan kota.
4.2.2. Uji Asumsi Klasik
Analisa dilakukan dengan model analisa regresi berganda. Sebelum dilakukan uji hipotesis, peneliti akan melakukan uji asumsi klasik. Pengujian
ini perlu dilakukan untuk mengetahui apakah data yang digunakan dalam
penelitian sudah normal, serta bebas dari gejala multikolinearitas,
heterokedastisitas serta autokorelasi. Uji asumsi klasik terdiri dari:
4.2.2.1. Uji Normalitas
Pengujian normalitas data dalam penelitian ini mengunakan uji statistik non parametrik Kolmogorov-Smirnov K-S dengan kriteria :
Apabila nilai signifikansinya lebih besar dari 0,05 maka data dikatakan normal. Sedangkan jika nilai signifikansinya lebih kecil dari 0,05 maka data
dikatakan tidak normal.
Tabel 4.2 Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 132
Normal Parameters
a,b
Mean .0000000
Std. Deviation 6.55302660E7
Most Extreme Differences Absolute
.088 Positive
.088 Negative
-.066 Kolmogorov-Smirnov Z
1.016 Asymp. Sig. 2-tailed
.253 a. Test distribution is Normal.
b. Calculated from data. Sumber : Lampiran diolah dari SPSS, 2015
Dari hasil pengolahan data tersebut, besarnya nilai signifikansi adalah 0,253 maka disimpulkan data terdistribusi secara normal karena 0,253 0,05.
Dengan demikian, secara keseluruhan dapat disimpulkan bahwa nilai-nilai
observasi data telah terdistribusi secara normal dan dapat dilanjutkan dengan uji asumsi klasik lainnya. Untuk lebih jelas, berikut ini turut dilampirkan
grafik histogram dan plot data yang terdistribusi normal.
Gambar 4.1 Histogram
Berdasarkan gambar 4-1 di atas, dengan cara membandingkan antara data observasi dengan distribusi yang mendekati distribusi normal, dapat
disimpulkan bahwa distribusi data normal karena grafik histogram menunjukkan distribusi data mengikuti garis diagonal yang tidak menceng
skewness ke kiri maupun ke kanan atau normal.
Gambar 4.2 Grafik Normal P-Plot
Sumber : Lampiran diloah dari SPSS, 2015
Demikian pula dengan hasil uji normalitas dengan menggunakan grafik plot. Pada gambar 4-2, terlihat titik-titik menyebar disekitar garis diagonal serta
penyebarannya agak mendekati dengan garis diagonal sehingga dapat disimpulkan bahwa data dalam model regresi terdistribusi secara normal.
4.3.2.2. Uji Multikolonieritas
Hasil uji multikolonieritas dalam penelitian ini digunakan untuk mendeteksi ada tidaknya gejala multikolonieritas dengan melihat nilai
tolerance dan variance inflation factor VIF, menganalisis matrik korelasi variabel-variabel independen, melihat nilai Condition Index CI dengan
kriteria: Besarnya tingkat kolinearitas yang masih dapat ditolerir, yaitu:
Tolerance 0.10, Variance Inflation Factor VIF 10, Condition Index 10. Berikut disajikan tabel hasil pengujian:
Tabel 4.3 Uji Multikolinearitas
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients T
Sig. Collinearity
Statistics B
Std. Error Beta
Tolerance VIF
1 Constant
6.812E7 1.441E7
4.728 .000
Pendapatan Asli Daerah 2010-2013
.908 .053
.664 17.239
.000 .401
2.495 Dana Alokasi Umum
2010-2013 .439
.039 .416
11.163 .000
.427 2.340
Dana Alokasi Khusus 2010-2013
.041 .086
.012 .473
.637 .868
1.152 Dana Bagi Hasil 2010-
2013 -.220
.197 -.045
-1.112 .268
.370 2.701
a. Dependent Variable: Belanja Langsung 2010-2013
Sumber : Lampiran diolah dari SPSS, 2015
Berdasarkan tabel diatas dapat disimpulkan penelitian ini bebas dari gejala multikolinearitas. Jika dilihat pada tabel semua variabel independen memiliki
VIF 10. Selain itu nilai toleransi untuk setiap variabel independen lebih besar dari 0,1 tolerance 0.1. Dengan demikian disimpulkan tidak ada
multikolinearitas dalam model regresi ini.
4.2.2.3. Uji Heteroskedastisitas
Uji heteroskedastisitas digunakan untuk mengetahui ada atau tidaknya penyimpangan asumsi klasik heteroskedisitas yaitu adanya ketidaksamaan
varian dari residual untuk semua pengamatan pada model regresi. Metode pengujian yang dilakukan dalam penelitian ini menggunakan Uji Park.
Uji Park dilakukan dengan cara meregresikan nilai residual Lnei2 dengan masing-masing variabel independen Lnx1 dan Lnx2. Uji Park mendeteksi
ada tidaknya gejala multikolonieritas dengan melihat nilai sig pada output yang diperoleh. Nilai sig pada setiap variabel harus lebih besar dari 0,05.
Berikut ini disajikan tabel hasil pengujian :
Tabel 4.4 Uji Heteroskedastisitas
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error
Beta 1
Constant 11.832
9.887 1.197
.234 ln_PAD
-.120 .309
-.064 -.389
.698 ln_DAU
.437 .803
.102 .544
.588 ln_DAK
.807 .454
.185 1.778
.078 ln_DBH
.116 .349
.042 .332
.740 a. Dependent Variable: ln_kuadrat_res
Berdasarkan pengujian yang telah dilakukan seluruh nilai Sig pada setiap variabel lebih besar dari 0,05. Hal ini mengidikasikan tidak terjadi
heteroskedastisitas pada model regresi sehingga model regresi layak dipakai.
4.2.2.4. Uji Autokorelasi
Uji ini bertujuan untuk melihat apakah dalam suatu model regresi linear ada korelasi antar kesalahan pengganggu pada periode t dengan
kesalahan pada periode t-1. Autokorelasi muncul karena obsevasi yang berurutan sepanjang tahun yang berkaitan satu sama lain. Hal ini sering
ditemukan pada time series. Cara yang dapat digunakan untuk mendeteksi masalah autokorelasi adalah dengan menggunakan nilai uji Durbin Watson
dengan ketentuan sebagai berikut:
1. Angka D-W dibawah -2 berarti ada autokorelasi posotif, 2. Angka D-W di antara -2 sampai +2, berarti tidak ada autokorelasi,
3. Angka diatas +2 berarti ada autokorelasi negatif.
Tabel 4.5 Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 ,962
a
,925 ,922
6,65542E7 1,386
a. Predictors: Constant, Dana Bagi Hasil 2010-2013, Dana Alokasi Khusus 2010-2013, Dana Alokasi Umum 2010-2013, Pendapatan Asli Daerah 2010-2013
b. Dependent Variable: Belanja Langsung 2010-2013 Sumber : Lampiran diolah dari SPSS, 2015
Dari tabel diatas memperlihatkan nilai statistik D-W sebesar 1,386. Angka ini terletak diantara -2 dan +2, dari pengamatan ini dapatt disimpulkan bahwa
tidak ada terjadi autokorelasi positif maupun negatif.
4.2.3. Pengujian Hipotesis
