BAB III METODE PENELITIAN
B. Analisis Hasil Penelitian
1. Analisis Statistik Deskriptif
Statistik deskriptif digunakan untuk menganalisa data dengan cara mendeskripsikan atau menggambarkan data yang telah terkumpul sebagaimana adanya tanpa bermaksud membuat kesimpulan yang berlaku umum atau generalisasi. Berdasarkan data penelitian yang diperoleh selama 4 tahun pengamatan, maka diperoleh deskriptif statistik data penelitian. Dari data deskriptif statistik data penelitian diperoleh data hasil yang mencakup n (banyaknya data yang diperoleh), rata-rata (mean), nilai tengah (median), standar deviasi, variance, range, nilai minimum dan nilai maksimum atas variabel-variabel penelitian
Tabel 4.1. Deskriptif Statistik
Descriptive Statistics
N Minimum Maximum Mean Std. Deviation
Pendapatan Asli Daerah 68 .30 3.09 1.3537 .64471
Dana Alokasi Umum 68 1.28 5.99 2.8943 .94504
Dana Alokasi Khusus 68 .12 .77 .4168 .15338
Belanja Daerah 68 2.41 9.22 4.6304 1.27789
Valid N (listwise) 68
Berdasarkan tabel 4.1. di atas dapat diketahui: 1. Jumlah sampel (N) sebanyak 68
2. Pendapatan Asli Daerah terendah adalah 0,30 (puluh milyar rupiah), Pendapatan Asli Daerah tertinggi adalah 3,09 (puluh milyar rupiah) dengan rata-rata 1,3537 (puluh milyar rupiah).
3. Dana Alokasi Umum terendah adalah 1,28 (ratus milyar rupiah), Dana Alokasi Umum tertinggi adalah 5,99 (ratus milyar rupiah) dengan rata-rata 2.8943 (ratus milyar rupiah).
4. Dana Alokasi Khusus terendah adalah 0,12 (ratus milyar rupiah), Dana Alokasi Khusus tertinggi adalah 0,77 (ratus milyar rupiah) dengan rata-rata 0.4168 (ratus milyar rupiah).
5. Belanja Daerah terendah adalah 2.41 (ratus milyar rupiah), Belanja Daerah tertinggi adalah 9,22 (ratus milyar rupiah) dengan rata-rata 4.6304 (ratus milyar rupiah).
2. Uji Asumsi Klasik
Pengujian asumsi klasik diperlukan untuk mengetahui apakah hasil estimasi regresi yang dilakukan benar-benar bebas dari adanya gejala heterokedastisitas, gejala multikolinieritas dan gejala autokorelasi. Model regresi akan dapat dijadikan alat estimasi yang tidak bias jika telah memenuhi persyaratan BLUE (Blue Linear Unbiased Estimator) yakni tidak terdapat heterokedastisitas, tidak terdapat multikolinieritas dan tidak terdapat autokorelasi, yang dapat diuraikan sebagai berikut:
a. Uji Normalitas
Uji normalitas bertujuan menguji apakah dalam model regresi variabel pengganggu atau residual memiliki distribusi normal (Erlina, 2008). Untuk menguji apakah data penelitian ini terdistribusi normal
atau tidak dapat dideteksi melului dua cara yaitu analisis grafik dan analisis statistik :
1) Analisis Grafik
Analisis grafik dapat digunakan dengan dua alat, yaitu grafik histogram dan grafik P-P Plot. Data yang baik adalah data yang memiliki pola distribusi normal. Pada grafik histogram, data yang mengikuti atau mendekati distribusi normal adalah distribusi data dengan bentuk lonceng. Pada grafik P-P Plot, sebuah data dikatakan berdistribusi normal apabila titik-titik datanya tidak menceng ke kiri atau ke kanan, melainkan menyebar di sekitar garis diagonal.
Gambar 4.1. Histogram
Gambar 4.2.
Normal P-Plot of Regresion Standarized Residual
Berdasarkan grafik histogram maupun grafik normal plot dapat disimpulkan bahwa model regresi pada penelitian ini berdistribusi secara normal hal ini tergambar pada grafik histogram, dimana grafik tidak menceng ke kiri atau ke kanan (grafik seimbang antara kiri dan kanan) dan pada grafik normal plot tampak bahwa data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal.
2) Analisis Statistik
Uji statistik yang dapat digunakan untuk menguji normalitas residual antara lain adalah uji statistik non-parametik Kolmogorov-Smirnov (K-S). Uji K-S dapat dilakukan dengan membuat hipotesis:
Ha : Data residual tidak berdistribusi normal Untuk menentukannnya maka kriterianya adalah:
• Ho diterima apabila nilai signifikansi > 0,05
• Ha ditolak apabila nilai signifikansin < 0,05 Tabel 4.2.
Kosmogorov – Smirnov Test One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 68
Normal Parametersa,b Mean .0000000
Std. Deviation .67898455
Most Extreme Differences Absolute .118
Positive .118
Negative -.108
Kolmogorov-Smirnov Z .970
Asymp. Sig. (2-tailed) .303
Dari hasil uji statistik terlihat pada Tabel 4.2. nilai Kosmogorov-Smirnov Z sebesar 0,97 dan signifikansinya pada
0,303 dan nilainya di atas α = 0,05 (Asymp. Sig = 0,303 > 0,05)
sehingga hipotesis Ho diterima, yang berarti data residual berdistribusi normal.
b. Uji Multikolinieritas
Uji multikolinieritas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antara variabel independen (Erlina, 2008). Nilai yang umum digunakan untuk menunjukkan tidak adanya
multikolinieritas apabila nilai Tolerance > 0,10 atau sama dengan nilai VIF < 10. Tabel 4.3. Collinearity Statistics Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 1.159 .293 3.957 .000
PAD (puluh milyar) .486 .168 .245 2.891 .005 .612 1.634
DAU (ratus milyar) .747 .128 .553 5.826 .000 .490 2.039
DAK (ratus milyar) 1.561 .665 .187 2.347 .022 .693 1.444
Hasil uji statistik pada Tabel 4.3. nilai Tolerance menunjukkan tidak adanya variabel independen yang memiliki nilai Tolerance kurang dari 0,10 demikian juga dengan hasil perhitungan Variance
Inflation Factor (VIF) yang menunjukkan nilai VIF lebih kecil dari
10.
Tabel 4.4. Covariance Matrix Coefficient Correlationsa
Model DAK PAD DAU
Correlations DAK (ratus milyar) 1.000 -.034 -.447
PAD (puluh milyar) -.034 1.000 -.541
DAU (ratus milyar) -.447 -.541 1.000
Covariances DAK (ratus milyar) .442 -.004 -.038
PAD (puluh milyar) -.004 .028 -.012
DAU (ratus milyar) -.038 -.012 .016
Berdasarkan Tabel 4.4 maka kita dapat melihat hasil besaran korelasi antar variabel dependen tampak bahwa hanya variabel PAD
yang mempunyai korelasi cukup tinggi dengan variabel DAU dengan tingkat korelasi -0,541 atau sekitar 54,1 %, selanjutnya terhadap variabel DAK -0,447 atau sekitar 44,7%. Selain itu korelasi antara variabel PAD terhadap DAK -0,034 atau sekitar 3,4%. Oleh karena korelasi ini masih dibawah 95 %, maka dapat dikatakan tidak terjadi multikolinearitas.
c. Uji Autokorelasi
Uji autokorelasi bertujuan menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 (sebelumnya). Untuk mendeteksi ada tidaknya autokorelasi maka dilakukan pengujian Durbin-Watson (DW) dengan kriteria:
Tabel 4.5.
Kriteria Pengambilan Keputusan Hipotesis Nol Keputusan Jika Tidak ada autokorelasi positif
Tidak ada autokorelasi positif Tidak ada korelasi negatif Tidak ada korelasi negatif Tidak ada autokorelasi positif atau negatif Tolak No decision Tolak No decision Tidak ditolak 0 < dw <dl dl ≤ dw ≤ du 4 – dl < dw < 4 -dl 4 – du ≤ dw ≤ 4 – dl du < dw < 4 – du Sumber : Situmorang, dkk (2008:104) Keterangan = dw = durbin watson
dl = batas bawah
Tabel 4.6. Uji Autokorelasi Mo d el S umm a ryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .847 .718 .704 .69472 2.024
Hasil uji autokorelasi di atas menunjukkan nilai statistik Durbin-Watson (DW) sebesar 2.024, yang menyatakan du < DW < 4 – du (1,700 < 2,024 < 4 – 1,700). Dari uji statistik ini dapat disimpulkan tidak ada autokorelasi positif atau negatif pada model regresi.
d. Uji Heteroskedastisitas
Uji heterokedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Untuk mendeteksi ada atau tidaknya heteroskedastisitas dapat dilakukan dengan grafik scatterplots dan uji Glesjer :
1). Grafik Scatterplots
Gambar 4.3. Scatterplot
Dari grafik scatterplot dalam Gambar 4.3. menunjukkan bahwa titik-titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y dan tidak membentuk pola tertentu yang teratur, hal ini dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi.
2) Uji Glesjer
Uji Glesjer mengusulkan untuk meregres nilai absolut residual terhadap variabel independen. Adapun hasil uji glesjer terdapat pada Tabel 4.7. berikut:
Tabel 4.7. Uji Glesjer Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) -.068 .203 -.335 .739
PAD (puluh milyar) .059 .116 .077 .510 .612
DAU (ratus milyar) .139 .089 .263 1.562 .123
DAK (ratus milyar) .105 .460 .032 .229 .820
Hasil yang terlihat menunjukkan koefisien parameter untuk
variabel independen tidak ada yang signifikan yaitu PAD = 0.612 > α = 0,05, DAU = 0,123 > α = 0,05, DAK = 0,82 > α = 0,05. Maka dapat
disimpulkan model regresi tidak terdapat heteroskedastisitas.