HASIL 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. Dalam penelitian ini, variabel yang digunakan dalam perhitungan statistik deskriptif adalah Belanja Modal, Pendapatan Asli Daerah (PAD);dan pertumbuhan ekonomi tahun 2010-2012. Berdasarkan analisis statistik deskriptif diperoleh gambaran sampel sebagai berikut.
Tabel 4.1 Statistik Deskriptif dari Belanja Modal, PAD dan Pertumbuhan EkonomiTahun 2010-2012
Pertumbuhan
Ekonomi Belanja Modal PAD
Mean 0.120793 143527.3 41391.71 Median 0.121750 111357.0 25054.00 Maximum 0.164800 462650.0 291018.0 Minimum 0.091800 27682.00 10007.00 Std. Dev. 0.018660 89436.48 54464.30 Skewness 0.231500 1.675288 3.285980 Kurtosis 2.219085 5.661477 13.84209 Sum 5.073300 6028147. 1738452.
Sum Sq. Dev. 0.014276 3.28E+11 1.22E+11
Observations 42 42 42
Sumber : hasil olahan software Eviews 7
Berdasarkan Tabel 4.1, dapat dilihat bahwa jumlah populasi dalam penelitian ini adalah sebanyak 33kabupaten/kota yang terdapat sampel populasi sebanyak13kabupaten/kota yang telah memenuhi kriteria sampel yang ditentukan.. 13 kabupaten/kota yang menjadi sampel datanya dari tahun 2010-2012.
Berdasarkan Tabel 4.1, diketahui nilai belanja modal minimum adalah 27682.00 sedangkan nilai belanja modal maksimum adalah 462650.0. Nilai belanja modal minimum terjadi dikota Padangsidempuan pada tahun 2010, sedangkan nilai belanja modal maksimum terjadi dikabupaten Deli Serdang pada tahun 2012. Diketahui rata-rata (mean) belanja modal dari tahun 20110-2012 adalah 143527.3, dan standar deviasi belanja modal dari tahun 2010-2012 adalah 89436.48. Perhatikan bahwa nilai standar deviasi belanja modal yang lebih rendah dari nilai rata-rata belanja modal dapat diinterpretasikan bahwa besarnya simpangan data menunjukkan rendahnya fluktuasi dari data belanja modal pada periode tahun 2010-2012. Belanja modal merupakan belanja daerah yang dilakukan oleh pemerintah daerah diantaranya pembangunan dan perbaikan sektor pendidikan, kesehatan, transportasi, sehingga masyarakat juga menikmati manfaat dari pembangunan daerah.Tersedianya infrastruktur yang baik diharapkan dapat menciptakan efisiensi dan efektifitas di berbagai sektor, produktifitas masyarakat diharapkan menjadi semakin tinggi dan pada gilirannya terjadi peningkatan pertumbuhan ekonomi.
Berdasarkan Tabel 4.1, diketahui nilai PAD minimum adalah 10007.00, sedangkan nilai PAD maksimum adalah 291018.0. Nilai PAD minimum terjadi dikabupaten Samosir pada tahun 2010, sedangkan nilai PAD maksimum terjadi dikabupaten Deli Serdang pada tahun 2012. Diketahui rata-rata (mean) PAD dari tahun 2010-2012 adalah 41391.71, dan standar deviasi NIM dari tahun 2010-2012 adalah 54464.30. Perhatikan bahwa nilai standar deviasi PAD yang lebih rendah
dari nilai rata-rata PAD dapat diinterpretasikan bahwa besarnya simpangan data menunjukkan rendahnya fluktuasi dari data PAD pada periode tahun 2010-2012.
PAD merupakan sumber pembelanjaan daerah, jika PAD meningkat maka dana yang dimiliki oleh pemerintah daerah akan lebih tinggi dan tingkat kemandirian daerah akan meningkat pula, sehingga pemerintah daerah akan berinsisiatif untuk lebih menggali potensi-potensi daerah dan meningkatkan pertumbuhan ekonomi. Pertumbuhan PAD secara berkelanjutan akan menyebabkan peningkatan pertumbuhan ekonomi daerah itu (Tambunan, 2006).
Berdasarkan Tabel 4.1, diketahui nilai minimum pertumbuhan ekonomi adalah 0.091800, sedangkan nilai maksimum pertumbuhan ekonomi adalah 0.164800. Pertumbuhan ekonomi minimum terjadi di kabupaten Tapanuli Utara pada tahun 2011, sedangkan nilai maksimum pertumbuhan ekonomi terjadi di kabupaten Deli Serdang pada tahun 2010. Diketahui rata-rata (mean) pertumbuhan ekonomi dari tahun 2010-2012 adalah 0.120793, dan standar deviasi pertumbuhan ekonomi dari tahun 2010-2012 adalah 0.018660. Perhatikan bahwa nilai standar deviasi pertumbuhan ekonomi yang lebih tinggi dari nilai rata-rata pertumbuhan ekonomi dapat diinterpretasikan bahwa besarnya simpangan data menunjukkan tingginya fluktuasi dari data pertumbuhan ekonomi pada periode tahun 20110-2012.
4.2 Uji Asumsi Klasik
Menurut Gujarati (2003) suatu model dikatakan baik untuk alat prediksi apabila mempunyai sifat-sifat best linear unbiased estimator (BLUE).Di samping itu suatu model dikatakan cukup baik dan dapat dipakai untuk memprediksi apabila sudah lolos dari serangkaian uji asumsi ekonometrika yang melandasinya.Suatu model regresi berganda yang digunakan untuk menguji hipotesa harus memenuhi asumsi klasik. Uji asumsi klasik dilakukan juga untuk mendapatkan model regresi yang tidak bias dan efisien.
Estimasi dari parameter-parameter dengan metode ordinary least square (OLS) akan memiliki sifat ketidakbiasan (unbiasedness), varians yang minimum (minimum varians), dan sebagainya, yang disebut best linear unbiased estimator (BLUE) (Gujarati, 2003:107, Supranto, 2005:70). Dalam penggunaan regresi linear berganda, terdapat empat uji asumsi klasik, yakni uji normalitas residual, uji multikolinearitas, uji autokorelasi, dan uji heteroskedastisitas (Supranto, 2005:151).
4.2.1 Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal.Seperti diketahui bahwa uji � dan � mengasumsikan bahwa nilai residual mengikuti distribusi normal.Kalau asumsi ini dilanggar maka uji statistik menjadi tidak valid untuk jumlah sampel kecil (Ghozali, 2011:160, Gujarati, 2003:339, Field, 2009:221, Supranto, 2005:90).Dalam penelitian ini, uji normalitas terhadap residual dengan menggunakan uji
Jarque-Bera (J-B). Dalam penelitian ini, tingkat signifikansi yang digunakan �= 0,05. Dasar pengambilan keputusan adalah melihat angka probabilitas dari statistik J-B, dengan ketentuan sebagai berikut :
Jika nilai probabilitas � ≥ 0,05, maka asumsi normalitas terpenuhi. Jikanilai probabilitas< 0,05, maka asumsi normalitas tidak terpenuhi.
Gambar 4.1 Uji Normalitas dengan Uji Jarque-Bera
Sumber : hasil olahan software Eviews 7
Perhatikan bahwa berdasarkan Gambar 4.1, diketahui nilai probabilitas dari statistik J-B adalah 0,361. Karena nilai probabilitas �, yakni 0,361, lebih besar dibandingkan tingkat signifikansi, yakni 0,05. Hal ini berarti asumsi normalitas dipenuhi.
4.2.2 Uji Multikolinearitas
Pengujian ini dilakukan untuk menguji apakah dalam model regresi ditemukan adanya korelasi (yang tinggi) antar variabel bebas (Ghozali, 2011:105).Ketika terdapat korelasi antar variabel bebas yang cukup tinggi, maka permasalahan ini disebut dengan istilah multikolinearitas (Stevens, 2009:74). Jika terjadi multikolinearitas yang sempurna (perfect
0 1 2 3 4 5 6 7 -0.03 -0.02 -0.01 0.00 0.01 0.02 0.03 0.04 Series: Residuals Sample 1 42 Observations 42 Mean 2.20e-17 Median -0.001062 Maximum 0.038173 Minimum -0.029516 Std. Dev. 0.018138 Skewness 0.287862 Kurtosis 2.087497 Jarque-Bera 2.037212 Probability 0.361098
multicolinearity), maka koefisien-koefisien regresi dari variabel bebas tidak dapat ditentukan (indeterminate), jika terjadi multikolinearitas yang tinggi, koefisien-koefisien regresi dari variabel bebas dapat ditentukan, namun memiliki nilai standar error yang tinggi yang berarti bahwa koefisien-koefisien regresi tersebut tidak dapat diestimasi dengan tepat atau akurat (Gujarati, 2003:344). Field (2009:221) juga menyatakan bahwa seharusnya tidak terjadi hubungan linear yang sempurna (perfect linear relationship) dari dua atau lebih variabel bebas. Jadi, variabel-variabel bebas seharusnya tidak berkorelasi terlalu tinggi (not correlate too highly).
Dalam penelitian ini, gejala multikolinearitas dapat dilihat dari nilai korelasi antar variabel yang terdapat dalam matriks korelasi. Ghozali (2006:91) menyatakan jika antar variabel independen ada korelasi yang cukup tinggi (umumnya di atas 0,9), maka hal ini merupakan indikasi adanya multikolinearitas. Hasil uji multikolinearitas disajikan pada Gambar 4.2.
Tabel 4.2 Uji Multikolinearitas dengan Matriks Korelasi
Belanja Modal PAD
Belanja Modal 1.000000 0.534426
PAD 0.534426 1.000000
Sumber : hasil olahan software Eviews 7
Berdasarkan Gambar 4.2, dapat dilihat bahwa korelasi antara Pendapatan AsliDaerah (PAD) dan Belanja Modal sebesar 0,5344. Dari hasil pengujian multikolinearitas pada Gambar 4.2 dapat disimpulkan
bahwa tidak terdapat gejala multikolinearitas antar variabel independen. Gejala multikolinearitas terjadi apabila nilai korelasi antar variabel independen lebih besar dari 0,90 (Ghozali, 2006:91).
4.2.3 Uji Non-Autokorelasi atau Independensi Residual (Independent Errors)
Uji independensi residual (uji non-autokorelasi) merupakan suatu uji untuk memeriksa apakah untuk setiap dua pengamatan residual saling berkorelasi atau tidak (Field, 2009:220).Supranto (2005:151) mengartikan non-autokorelasi sebagai tidak terjadinya korelasi antara kesalahan pengganggu yang satu dengan yang lainnya. Meskipun terjadinya autokorelasi terhadap estimator-estimator yang dihasilkan oleh metode ordinary least square (OLS) tetap tak bias (unbiased), konsisten (consistent), dan terdistribusi normal secara asimtotis, namun estimator-estimator tersebut tidak lagi efisien. Sebagai akibatnya, pada uji t, F, dan chi kuadrat tidak lagi sah untuk digunakan (Gujarati, 2003:489). Salah satu cara yang digunakan untuk mendeteksi autokorelasi adalah dengan uji Breusch-Godfrey (BG Test). Dasar pengambilan keputusan adalah melihat angka probabilitas dari statistik BG, dengan ketentuan sebagai berikut :
Jika nilai Prob. Chi-Square dari Obs *R-squared≥ 0,05, maka tidak terjadi autokorelasi. Jika nilai Prob. Chi-Square dari Obs *R-sqaured< 0,05, maka terjadi autokorelasi.
Tabel 4.3 Uji Autokorelasi dengan Uji Breusch-Pagan-Godfrey Heteroskedasticity Test: Breusch-Pagan-Godfrey
F-statistic 0.319348 Prob. F(2,39) 0.7285
Obs*R-squared 0.676744 Prob. Chi-Square(2) 0.7129
Scaled explained SS 0.317288 Prob. Chi-Square(2) 0.8533
Test Equation:
Dependent Variable: RESID^2 Method: Least Squares Date: 03/25/15 Time: 07:25 Sample: 1 42
Included observations: 42
Variable Coefficient Std. Error t-Statistic Prob.
C 0.000376 0.000102 3.698890 0.0007
BM -5.62E-10 7.12E-10 -0.788434 0.4352
PAD 6.22E-10 1.17E-09 0.531784 0.5979
R-squared 0.016113 Mean dependent var 0.000321
Adjusted R-squared -0.034343 S.D. dependent var 0.000339
S.E. of regression 0.000345 Akaike info criterion -13.03874
Sum squared resid 4.64E-06 Schwarz criterion -12.91462
Log likelihood 276.8136 Hannan-Quinn criter. -12.99325
F-statistic 0.319348 Durbin-Watson stat 2.175498
Prob(F-statistic) 0.728504
Sumber : hasil olahan software Eviews 7
Berdasarkan Gambar 4.3, nilai Prob. Chi-Square dari Obs *R-squared = 0,7129≥ 0,05, maka asumsi non-autokorelasi terpenuhi. Dengan kata lain, tidak terjadi gejala autokorelasi yang tinggi pada residual.
Asumsi mengenai independensi terhadap residual (non-autokorelasi) juga dapat diuji dengan menggunakan uji Durbin-Watson (Field, 2009:220).Riyanto (2012:59) menyatakan jika nilai statistik Durbin-Watson -2 s/d +2, maka asumsi independensi terhadap residual (non-autokorelasi terpenuhi).Sebaliknya, bila nilai statistik Durbin-Watson < -2 atau > 2, berarti asumsi independensi terhadap residual (non-autokorelasi) tidak terpenuhi.
Tabel 4.4 Uji Autokorelasi dengan Uji Durbin-Watson Dependent Variable: PE
Method: Least Squares Date: 03/25/15 Time: 07:25 Sample: 1 42
Included observations: 42
Variable Coefficient Std. Error t-Statistic Prob.
BM 1.88E-08 3.84E-08 0.490481 0.6265
PAD 5.95E-08 6.31E-08 0.943427 0.3513
C 0.115624 0.005484 21.08434 0.0000
R-squared 0.055118 Mean dependent var 0.120793
Adjusted R-squared 0.006662 S.D. dependent var 0.018660
S.E. of regression 0.018598 Akaike info criterion -5.062822
Sum squared resid 0.013489 Schwarz criterion -4.938703
Log likelihood 109.3193 Hannan-Quinn criter. -5.017327
F-statistic 1.137489 Durbin-Watson stat 1.974238
Prob(F-statistic) 0.331029
Sumber : hasil olahan software Eviews 7
Berdasarkan Gambar 4.4, nilai dari statistik Durbin-Watson adalah 1,197. Perhatikan bahwa karena nilai statistik Durbin-Watson terletak di antara -2 dan +2, maka asumsi non-autokorelasi terpenuhi. Dengan kata lain, tidak terjadi gejala autokorelasi yang tinggi pada residual.
4.2.4 Uji Heteroskedastisitas
Menurut Ghozali (2011:139) uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varians dari residual suatu pengamatan ke pengamatan lain. Jika varians dari residual satu pengamatan ke pengamatan yang lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut heteroskedastisitas. Supranto (2005:57) mengartikan homoskedastisitas sebagai varians kesalahan pengganggu �� untuk setiap pengamatan �� adalah sama, sedangkan heteroskedastisitas adalah sebaliknya.
Model regresi yang baik adalah yang homoskesdasitas atau tidak terjadi heterokesdatisitas.Apabila terjadi heteroskedastisitas, estimator-estimator yang dihasilkan dengan metode OLS (ordinary least square) tidak lagi memiliki sifat varians yang minimum atau efisien.Dalam keadaan heteroskedastisitas, ketika tetap menggunakan metode OLS yang biasa (usual OLS formulas), maka uji t dan uji F dapat memberikan kesimpulan yang salah (Gujarati, 2003:428).Deteksi ada tidaknya heteroskedastisitas dapat dilakukan dengan Uji White. Dasar pengambilan keputusan adalah melihat angka probabilitas dari statistik uji White, dengan ketentuan sebagai berikut :
Jika nilai Prob. Chi-Square dari Obs *R-squared≥ 0,05, maka tidak terjadiheteroskedastisitas. Jika nilai Prob. Chi-Square dari Obs *R-sqaured< 0,05, maka terjadi heteroskedastisitas.
Gambar 4.5 Uji Heteroskedastisitas dengan Uji White Heteroskedasticity Test: White
F-statistic 0.529230 Prob. F(2,39) 0.5932
Obs*R-squared 1.109761 Prob. Chi-Square(2) 0.5741
Scaled explained SS 0.520305 Prob. Chi-Square(2) 0.7709
Test Equation:
Dependent Variable: RESID^2 Method: Least Squares Date: 03/25/15 Time: 07:30 Sample: 1 42
Included observations: 42
Variable Coefficient Std. Error t-Statistic Prob.
C 0.000359 6.50E-05 5.526309 0.0000
BM^2 -1.48E-15 1.48E-15 -0.998905 0.3240
PAD^2 8.95E-16 4.05E-15 0.220907 0.8263
R-squared 0.026423 Mean dependent var 0.000321
Adjusted R-squared -0.023504 S.D. dependent var 0.000339
S.E. of regression 0.000343 Akaike info criterion -13.04928
Sum squared resid 4.59E-06 Schwarz criterion -12.92516
Log likelihood 277.0348 Hannan-Quinn criter. -13.00378
F-statistic 0.529230 Durbin-Watson stat 2.242131
Prob(F-statistic) 0.593228
Berdasarkan Gambar 4.5, nilai Prob. Chi-Square dari Obs *R-squared = 0,5741≥ 0,05, maka asumsi homoskedastisitas terpenuhi. Dengan kata lain, tidak terjadi gejala heteroskedastisitas yang tinggi pada residual.