BAB IV. ANALISIS HASIL PENELITIAN
3. Pengujian Asumsi Klasik
Pengujian normalitas ini bertujuan untuk mengetahui apakah data yang digunakan telah terdistribusi secara normal. Hasil uji normalitas dengan grafik histogram yang diolah dengan SPSS, normal probability plot serta Kolmogorov-Smirnov Test ditunjukkan sebagai berikut :
Gambar 4.1 Histogram Sumber : Diolah dari SPSS, 2009
Hasil uji normalitas di atas memperlihatkan bahwa pada grafik histogram di atas distribusi data mengikuti kurva berbentuk lonceng yang tidak menceng
Regression Standardized Residual
2 1 0 -1 -2 -3 Frequency 10 8 6 4 2 0 Histogram Dependent Variable: BM Mean =3.82E-16 Std. Dev. =0.952 N =33
(skewness) kiri maupun menceng kanan atau dapat disimpulkan bahwa data tersebut normal.
Observed Cum Prob
1.0 0.8 0.6 0.4 0.2 0.0 E xpect ed C um P rob 1.0 0.8 0.6 0.4 0.2 0.0 Normal P-P Plot of Regression Standardized Residual
Dependent Variable: BM
Gambar 4.2 Normal P-P Plot Sumber : Diolah dari SPSS, 2009
Hasil uji normalitas dengan menggunakan normal probability plot, di mana terlihat bahwa titik-titik menyebar di sekitar garis diagonal serta penyebarannya mengikuti garis diagonal sehingga dapat disimpulkan bahwa data dalam model regresi terdistribusi secara normal..
Tabel 4.4
Uji Normalitas dengan One-Sample Kolmogorov-Smirnov
Sumber : Diolah dari SPSS, 2009
Nilai Kolmogrov – Smirov sebesar 0.497 dan tidak signifikan pada 0.05 (karena p= 0.966 >dari 0.05). Jadi kita tidak dapat menolak HO yang mengatakan bahwa residual terdistribusi secara normal atau dengan kata lain residual berdistribusi normal.
Semua hasil pengujian melalui analisis grafik dan statistik di atas menunjukkan hasil yang sama yaitu normal, dengan demikian telah terpenuhi asumsi normalitas dan bisa dilakukan pengujian asumsi klasik berikutnya pada data.
b. Uji Heteroskedastisitas
Uji heterokedastisitas dilakukan untuk menguji apakah dalam sebuah model regresi terjadi ketidaksamaan varians dari residual dari satu pengamatan ke
33 .0000000 23875.66402 .087 .080 -.087 .497 .966 N Mean Std. Deviation
Normal Parameters a,b
Absolute Positive Negative Most Extreme Differences Kolmogorov-Smirnov Z Asymp. Sig. (2-tailed)
Unstandardiz ed Residual
Test distribution is Normal. a.
Calculated from data. b.
pengamatan yang lain. Heteroskedastisitas ini dapat dilihat dengan grafik scatterplot dan Uji Glejser.
Hasil dari uji heteroskedastisitas dapat dilihat pada grafik scatterplot berikut ini :
Hasil Uji Heteroskedastisitas
Sebelum Transformasi dengan Logaritma Natural
Gambar 4.3 Grafik Scatterplot
Sumber : Diolah dari SPSS, 2009
Regression Standardized Predicted Value
4 3 2 1 0 -1 R egressi on S tudent iz ed R esi dual 2 1 0 -1 -2 -3 -4 Scatterplot Dependent Variable: BM
Dari gambar scatterplot di atas, terlihat bahwa titik-titik tidak menyebar secara acak di atas dan di bawah angka 0 pada sumbu Y, serta menyempit (menumpuk). Hal ini mengindikasikan telah terjadi heteroskedastisitas pada model regresi sehingga model regresi tidak layak dipakai.
Selain dengan grafik, hasil uji heteroskedastisitas dapat dilihat pada statistik uji glejser berikut ini :
Tabel 4.5
Hasil Uji Heteroskedastisitas dengan uji Glejser sebelum transformasi dengan Logaritma Natural
Sumber : Diolah dari SPSS, 2009
Berdasarkan hasil Uji Glejser, dapat dilihat bahwa pada tabel Coefficients(a) nilai probabilitas signifikansi variabel PDRB dan PAD signifikan secara statistik mempengaruhi variabel dependen.Hal ini terlihat dari probabilitas signifikansi yang lebih kecil dari 0,05 (5%), yaitu 0,014 dan 0,006. Sehingga dapat disimpulkan telah terjadi heteroskedastisitas.
Tindakan perbaikan yang dilakukan dalam penelitian ini menggunakan salah satu dari cara yang telah dikemukakan pada bab sebelumnya, yaitu dengan menggunakan transformasi seluruh variabel penelitian ke dalam fungsi logaritma
Coefficientsa 9481.032 5122.973 1.851 .074 .003 .001 1.526 2.621 .014 -.278 .093 -1.427 -2.983 .006 .001 .026 .008 .032 .975 (Constant) PDRB PAD DAU Model 1 B Std. Error Unstandardized Coefficients Beta Standardized Coefficients t Sig.
Dependent Variable: abs ut a.
natural (Ln), kemudian data diuji ulang. Hasil pengujian ulang data menghasilkan :
Hasil Uji Heteroskedastisitas
Setelah Transformasi dengan Logaritma Natural
Gambar 4.4 Grafik Scatterplot Sumber : Diolah dari SPSS, 2009
Dari gambar scatterplot di atas, terlihat bahwa titik-titik menyebar secara acak di atas dan di bawah angka 0 pada sumbu Y, serta tidak membentuk pola tertentu atau tidak teratur. Hal ini mengindikasikan tidak terjadi heteroskedastisitas pada model regresi sehingga model regresi layak dipakai.
Regression Standardized Predicted Value
3 2 1 0 -1 -2 R egressi on S tudent iz ed R esi dual 2 1 0 -1 -2 -3 Scatterplot Dependent Variable: Ln_BM
Sedangkan hasil uji heteroskedastisitas dengan statistik uji glejser setelah seluruh variabel penelitian ditransformasi ke dalam fungsi logaritma natural (Ln) dapat dilihat pada tabel berikut :
Tabel 4.6
Hasil Uji Heteroskedastisitas dengan uji Glejser setelah transformasi dengan Logaritma Natural
Sumber : Diolah dari SPSS, 2009
Berdasarkan hasil Uji Glejser di atas, dapat dilihat bahwa pada tabel Coefficients(a) nilai sig. semua variabel independen lebih besar dari 0,05 (5%). Sehingga dapat disimpulkan tidak terjadi heteroskedastisitas atau terjadi homoskedastisitas. Dengan demikian terpenuhilah asumsi klasik untuk uji heteroskedastisitas.
c. Uji Autokorelasi
Uji autokorelasi ini digunakan untuk menguji asumsi klasik regresi berkaitan dengan adanya autokorelasi. Model regresi yang baik adalah model yang tidak mengandung autokorelasi. Hasil dari uji autokorelasi dapat dilihat pada tabel berikut ini :
Coefficientsa -.380 1.327 -.286 .777 .189 .121 .757 1.565 .128 -.132 .103 -.487 -1.283 .210 -.066 .188 -.131 -.353 .727 (Constant) Ln_PDRB Ln_PAD Ln_DAU Model 1 B Std. Error Unstandardized Coefficients Beta Standardized Coefficients t Sig.
Dependent Variable: abs ut a.
Tabel 4.7
Hasil Uji Autokorelasi
Sumber : Diolah dari SPSS, 2009
Hasil uji autokorelasi di atas menunjukkan nilai statistik Durbin Watson (DW) sebesar 1,980. Nilai ini akan kita bandingkan dengan nilai tabel dengan menggunakan nilai signifikansi 0,05 (5%), jumlah sampel 33 (n) dan jumlah variabel independen 1 (k=1). Dari tabel Durbin Watson didapat nilai batas atas (du) 1,651, nilai batas bawah (dl) 1,258 dan 4-du = 2,349. Oleh karena itu, nilai DW lebih besar dari du dan lebih kecil dari 4-du (1,651 < 1,980 < 2,349), sehingga dapat disimpulkan bahwa tidak terjadi autokorelasi baik positif maupun negatif.
d. Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah dalam sebuah model regresi ditemukan adanya korelasi antarvariabel independen.
Hasil dari uji multikolinearitas dapat dilihat pada tabel berikut ini :
Model Summaryb .778a .606 .565 .45827 1.980 Model 1 R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson
Predictors: (Constant), Ln_DAU, Ln_PAD, Ln_PDRB a.
Dependent Variable: Ln_BM b.
Tabel 4.8
Hasil Uji Multikolinearitas Coefficients(a) Model Collinearity Statistics Tolerance VIF (Constant) Ln_PDRB .132 7.554 Ln_PAD .215 4.653 Ln_DAU .226 4.425 a Dependent Variable: Ln_BM Sumber : Diolah dari SPSS
Nilai tolerance yang rendah sama dengan nilai VIF tinggi (karena VIF = 1/ Tolerence). Nilai cutoff yang umum dipakai untuk menunjukkan adanya multikolinearitas adalah nilai tolerance < 0.10 atau sama dengan nilai VIF > 10.
Dari hasil pengujian di atas, dapat dilihat bahwa angka tolerance Ln PDRB (X1), Ln PAD (X2), Ln DAU (X3) > 0,10 dan VIF-nya < 10. Hasil perhitungan nilai Tolerance juga menunjukkan tidak ada variabel independen yang memiliki nilai Tolerance kurang dari 0.10. Ini mengindikasikan bahwa tidak terjadi multikolinearitas di antara variabel independen dalam penelitian.
4. Model dan Teknik Analisis Data
Dalam pengolahan data dengan menggunakan regresi linear, dilakukan beberapa tahapan untuk mencari hubungan antara variabel independen dan variabel dependen, melalui pengaruh Ln_PDRB (X1) , Ln_PAD (X2) dan Ln_DAU (X3) terhadap Ln_BM (Y). Hasil regresi dapat dilihat pada tabel berikut ini :
Tabel 4.9 Hasil Analisis Regresi
Coefficientsa 3.105 2.076 1.496 .146 -.308 .189 -.523 -1.631 .114 .132 7.554 .524 .161 .819 3.256 .003 .215 4.653 .581 .294 .484 1.975 .058 .226 4.425 (Constant) Ln_PDRB Ln_PAD Ln_DAU Model 1 B Std. Error Unstandardized Coefficients Beta Standardized Coefficients
t Sig. Tolerance VIF
Collinearity Statistics
Dependent Variable: Ln_BM a.
Sumber : Diolah dari SPSS, 2009
Berdasarkan penjelasan dari pengujian asumsi klasik sebelumnya, model regresi dalam penelitian ini telah diubah menjadi model logaritma natural, sehingga beta dan koefisien dari penelitian ini dapat disimpulkan dalam bentuk logaritma natural.
Dari nilai-nilai koefisien di atas, persamaan regresi yang dapat disusun untuk variabel PDRB, PAD dan DAU adalah (dalam jutaan rupiah) :
LnBM = 3.105 - 0.308 LnPDRB + 0.524 LnPAD + 0.581 LnDAU Keterangan :
Ln BM = Logarima Natural (LN) Realisasi Belanja Modal
Ln PDRB = Logarima Natural (LN) PDRB atas dasar harga konstan 2000 Ln PAD = Logarima Natural (LN) Realisasi Pendapatan Asli Daerah Ln DAU = Logaritma Natural (LN) Realisasi Dana Alokasi Umum
Persamaan tersebut menunjukkan angka yang signifikan pada 0,05 pada variabel Ln_PDRB (X1), Ln_PAD (X2) dan Ln_DAU (X3). Adapun interpretasi dari persamaan di atas adalah :
1) = 3,105
Nilai konstanta sebesar ini menunjukkan bahwa apabila tidak ada variabel Ln_PDRB, Ln_PAD dan Ln_DAU (X=0), maka Belanja Modal yang terbentuk adalah sebesar 3,105.
2) = - 0,308
Koefisien regresi ini menunjukkan bahwa setiap variabel Ln_PDRB menurun 1%, maka akan menurunkan Belanja Modal sebesar 0,308% dengan asumsi variabel lainnya tetap atau sama dengan nol.
3) = 0,524
Koefisien regresi ini menunjukkan bahwa setiap variabel Ln_PAD meningkat 1%, maka akan meningkatkan Belanja Modal sebesar 0,524% dengan asumsi variabel lainnya tetap atau sama dengan nol.
4) = 0,581
Koefisien regresi ini menunjukkan bahwa setiap variabel Ln_DAU meningkat 1%, maka akan meningkatkan Belanja Modal sebesar 0,581% dengan asumsi variabel lainnya tetap atau sama dengan nol.
5. Pengujian Hipotesis
a. Uji Signifikansi Parsial (Uji-t)
Untuk mengetahui apakah masing-masing variabel independen, yaitu PDRB, PAD dan DAU secara parsial (individual) berpengaruh terhadap Belanja Modal, dilakukan uji statistik t.
Tabel 4.10 Uji Statistik t Coefficients(a) Variabel Regresi t tabel t hitung Signifikansi t (Constant) 1.496 .146 Ln_PDRB -1.631 .114 2,035 (0,05;33) Ln_PAD 3.256 .003 2,035 (0,05;33) Ln_DAU 1.975 .058 2,035 (0,05;33) a Dependent Variable: Ln_BM Sumber : Diolah dari SPSS, 2009
Kesimpulan yang dapat diambil dari analisis tersebut adalah sebagai berikut:
1) PDRB (X1) mempunyai nilai signifikansi 0,114 yang berarti nilai ini lebih besar dari 0,05, sedangkan nilai t hitung -1,631 < t tabel 2,035. Berdasarkan kedua nilai tersebut disimpulkan bahwa H0 diterima (Ha ditolak) atau dijelaskan bahwa variabel PDRB secara parsial tidak berpengaruh secara signifikan terhadap Belanja Modal (Y).
2) PAD (X2) mempunyai nilai signifikansi 0,003 yang berarti nilai ini lebih kecil dari 0,05, sedangkan nilai t hitung 3,256 > t tabel 2,035. Berdasarkan kedua nilai tersebut disimpulkan bahwa Ha diterima (Ho ditolak) atau dijelaskan bahwa variabel PAD secara parsial berpengaruh secara signifikan terhadap Belanja Modal (Y).
3) DAU (X3) mempunyai nilai signifikansi 0,058 yang berarti nilai ini lebih besar dari 0,05, sedangkan nilai t hitung 1.975 < t tabel 2,035. Berdasarkan kedua nilai tersebut disimpulkan bahwa H0 diterima (Ha ditolak) atau
dijelaskan bahwa variabel DAU secara parsial tidak berpengaruh secara signifikan terhadap Belanja Modal (Y).
b. Uji Signifikansi Simultan (Uji-F)
Kemudian untuk menguji pengaruh PDRB, PAD dan DAU secara bersama-sama terhadap Belanja Modal, digunakan uji statistik F.
Hasil uji statistik F dengan program SPSS dapat dilihat pada tabel berikut : Tabel 4.11 Uji Statistik F ANOV Ab 9.356 3 3.119 14.850 .000a 6.090 29 .210 15.447 32 Regres sion Residual Total Model 1 Sum of
Squares df Mean S quare F Sig.
Predic tors: (Constant), Ln_DAU, Ln_PAD, Ln_PDRB a.
Dependent Variable: Ln_BM b.
Sumber : Diolah dari SPSS, 2009
Berdasarkan tabel di atas diperoleh nilai F hitung sebesar 14,850 dengan tingkat signifikansi 0,000, jauh lebih kecil dari 0,05. Oleh karena itu maka model regresi bisa dipakai untuk memprediksi pengalokasian Belanja Modal. Dengan kata lain, PDRB, Pendapatan Asli Daerah (PAD) dan Dana Alokasi Umum (DAU) secara simultan berpengaruh terhadap pengalokasian Belanja Modal.
Secara Quick Look, bila nili F lebih besar dari pada 4, maka Ho dapat ditolak pada derajat kepercayaan 5%. Dengan kata lain Ha diterima, yang menyatakan bahwa semua variabel independen secara serentak dan signifikan mempengaruhi variabel dependen.
c. Koefisien Determinasi (R²)
Tabel 4.12 Koefisien Determinasi
Model Summary(b)
a Predictors: (Constant), Ln_DAU, Ln_PAD, Ln_PDRB b Dependent Variable: Ln_BM
Sumber : Diolah dari SPSS,2009
Pada model summary di atas, angka R sebesar 0,778 menunjukkan bahwa korelasi atau hubungan antara Ln BM (Y) dengan Ln PDRB (X1), Ln PAD (X2) , Ln DAU (X3) cukup kuat yaitu sebesar 77,8%. Dikatakan cukup kuat karena angka tersebut berada diatas 0,5 (50%). Sedangkan nilai R square atau koefisien determinasi adalah 0,606. Nilai ini mengindikasikan bahwa 60,6% variasi atau perubahan dalam Ln BM dapat dijelaskan oleh variasi variabel Ln PDRB ,Ln PAD dan Ln DAU. Sedangkan sisanya sebesar 39,4% dijelaskan oleh sebab-sebab lain yang tidak dimasukkan dalam model penelitian.