BAB IV ANALISIS HASIL PENELITIAN
2. Statistik Deskriptif
Data yang digunakan dalam penelitian ini adalah data sekunder yang diperoleh dari publikasi Badan Pusat Statistik Sumatera Utara serta situs Direktorat Jenderal Perimbangan Keuangan Republik Indonesia
Variabel dari penelitian ini terdiri dari Pendapatan Asli Daerah (PAD), Dana Alokasi Umum (DAU), Dana Alokasi Khusus (DAK), Dana Bagi Hasil Pajak (DBHP), dan Dana Bagi Hasil Sumber Daya Alam (DBHSDA) sebagai variabel bebas (independent variable) serta belanja modal (BM) sebagai variabel terikat (dependent variable). Berikut merupakan data statistik secara umum dari seluruh data yang digunakan:
Tabel 4.2 Statistik Deskriptif
Descriptive Statistics
N Minimum Maximum Mean Std. Deviation
PAD 60 3970,00 391515,00 36281,7667 76803,90919 DAU 60 145900,00 900206,00 363416,2000 186143,10145 DAK 60 8514,00 95766,00 46176,0333 17123,12323 DBH_Pajak 60 9208,00 324292,00 45210,6000 61282,91959 DBH_SDA 60 500,00 6393,00 1455,5000 1186,35374 BM 60 27610,00 394279,00 141470,3667 73836,68934 Valid N (listwise) 60
Catatan: Angka-angka tersebut dinyatakan dalam jutaan rupiah (Rp. 000.000) Sumber: Hasil olah data SPSS, 2011
Berdasarkan tabel 4.2 di atas, dapat dijelaskan bahwa (dalam jutaan rupiah): 1. Rata-rata dari pendapatan asli daerah (X1) adalah 36281,7667 dengan
standard deviasi 76803,90919 dan jumlah data yang ada adalah 60. Nilai pendapatan asli daerah (X1) tertinggi adalah 391515,00, dan nilai pendapatan asli daerah (X1) yang terendah adalah 3970,00,
2. Rata-rata dari dana alokasi umum (X2) adalah 363416,2000 dengan standard deviasi 186143,10145 dan jumlah data yang ada adalah 60. Nilai dana alokasi umum (X2) tertinggi adalah 900206,00, dan nilai dana alokasi umum (X2) yang terendah adalah 145900,00,
3. Rata-rata dari dana alokasi khusus (X3) adalah 46176,0333 dengan standard deviasi 17123,12323 dan jumlah data yang ada adalah 60. Nilai dana alokasi khusus (X3) tertinggi adalah 95766,00, dan nilai dana alokasi khusus (X3) yang terendah adalah 8514,00,
4. Rata-rata dari dana bagi hasil pajak (X4) adalah 45210,6000 dengan standard deviasi 61282,91959 dan jumlah data yang ada adalah 60. Nilai
dana bagi hasil pajak (X4) tertinggi adalah 324292,00, dan nilai dana bagi hasil pajak (X4) yang terendah adalah 9208,00,
5. Rata-rata dari dana bagi sumber daya alam (X5) adalah 1455,5000 dengan standard deviasi 1186,35374 dan jumlah data yang ada adalah 60. Nilai dana bagi hasil sumber daya alam (X5) tertinggi adalah 6393,00, dan nilai dana bagi hasil sumber daya alam (X5) yang terendah adalah 500,00,
6. Rata-rata dari belanja modal (Y) adalah 141470,3667 dengan standard deviasi 73836,68934 dan jumlah data yang ada adalah 60. Nilai belanja modal (Y) tertinggi adalah 394279,00, dan nilai belanja modal (Y) yang terendah adalah 27610,00.
3. Pengujian Asumsi Klasik a. Uji Normalitas
Pengujian normalitas data dalam penelitian ini menggunakan uji statistik non parametrik Kolmogorov-Smirnov (K-S) dengan membuat hipotesis:
H0: Data residual berdistribusi normal H1: Data residual tidak berdistribusi normal
H0 diterima apabila nilai signifikansinya lebih besar dari 0,05, sedangkan H0 ditolak jika nilai signifikansinya lebih kecil dari 0,05.
Tabel 4.3 Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 60
Normal Parametersa,b Mean ,0000000
Std. Deviation 32342,85555902
Most Extreme Differences Absolute ,078
Positive ,072
Negative -,078
Kolmogorov-Smirnov Z ,604
Asymp. Sig. (2-tailed) ,859
a. Test distribution is Normal. b. Calculated from data.
Sumber: Hasil olah data SPSS, 2011
Hasil analisis metode One Sample Kolmogorov-Smirnov, menunjukkan bahwa nilai Kolmogorov-Smirnov sebesar 0,604 dan tidak signifikan pada 0,05 (karena Asymp. Sig. (2-tailed) 0,859 > 0,05), jadi kita tidak dapat menolak H0 yang mengatakan bahwa residual terdistribusi secara normal atau dengan kata lain variabel residual berdistribusi normal.
Uji normalitas juga dapat dilihat dalam grafik histogram. Hasil uji normalitas memperlihatkan bahwa pada grafik histogram di atas distribusi data mengikuti kurva berbentuk lonceng yang tidak condong (skewness) ke kiri maupun condong ke kanan atau bisa disimpulkan bahwa data tersebut normal (gambar terdapat dalam lampiran).
Hasil uji normalitas dengan menggunakan grafik normal plot, terlihat titik-titik menyebar di sekitar garis diagonal serta penyebarannya agak mendekati dengan garis diagonal sehingga dapat disimpulkan bahwa data
dalam model regresi terdistribusi secara normal. Semua hasil pengujian memlaui analisis grafik dan statistik di atas menunjukkan hasil yang sama yaitu normal (gambar terdapat dalam lampiran).
b. Uji Multikolinearitas
Mendeteksi ada tidaknya gejala multikolinearitas dalam penelitian ini adalah dengan melihat besaran korelasi antar variabel independen dan besarnya tingkat kolinearitas yang masih dapat ditolerir, yaitu Tol > 0,10 dan Variance Inflation Factor (VIF) < 10. Berikut disajikan tabel hasil pengujian: Tabel 4.4 Uji Multikolinearitas Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 24501,955 13613,167 1,800 ,077 PAD ,821 ,149 ,854 5,514 ,000 ,148 6,757 DAU ,118 ,057 ,297 2,051 ,045 ,169 5,907 DAK 1,381 ,411 ,320 3,361 ,001 ,391 2,557 DBH_Pajak -,359 ,179 -,298 -2,000 ,051 ,160 6,239 DBH_SDA -2,216 3,791 -,036 -,585 ,561 ,958 1,044 a. Dependent Variable: BM
Berdasarkan hasil pengujian di atas, dapat dilihat bahwa angka tolerance Pendapatan Asli Daerah (X1), Dana Alokasi Umum (X2), Dana Alokasi Khusus (X3), Dana Bagi Hasil Pajak (X4), Dana Bagi Hasil Sumber Daya Alam (X5) > 0,10 dan Variance Inflation Factor (VIF) nya < 10. Hasil pengujian ini mengindikasikan bahwa tidak terjadi multikolinearitas di antara variabel independen dalam penelitian.
c. Uji Heteroskedastisitas
Grafik Scatterplot digunakan dalam penelitian ini untuk mengetahui apakah dalam penelitian terjadi heteroskedastisitas. Hasil dari uji heteroskedastisitas dapat dilihat pada grafik scatterplot berikut ini:
Grafik Scatterplot Sumber: Diolah dari SPSS, 2011
Grafik scatterplot diatas memperlihatkan bahwa titik-titik menyebar secara acak serta tidak membentuk sebuah pola tertentu atau tidak teratur, serta titik-titik menyebar secara jelas di atas dan di bawah angka 0 pada sumbu Y. Gambar scatterplot ini mengindikasikan tidak terjadi heteroskedastisitas pada model regresi sehingga model regresi layak dipakai untuk memprediksi variabel dependen (belanja modal) berdasarkan masukan variabel indepeden, pendapatan asil daerah, dana alokasi umum, dana alokasi khusus, dana bagi hasil pajak, dan dana bagi hasil sumber daya alam.
d. Uji Autokorelasi
Cara yang digunakan untuk mendeteksi ada tidaknya autokorelasi adalah dengan melakukan pengujian Durbin-Watson (DW). Nilai d tersebut selanjutnya dibandingkan dengan nilai dtabel dengan tingkat signifikansi 5% dengan df = n-k-1. Untuk mengetahui adanya autokorelasi digunakan uji Durbin-Watson, dengan kriteria menurut Santoso (2005: 242) dengan cara melihat besaran Durbin-Watson sebagai berikut:
1) Angka D-W dibawah -2 berarti ada autokorelasi positif,
2) Angka D-W di antara -2 sampai +2 berarti tidak ada autokorelasi, 3) Angka D-W di atas +2 berarti ada autokorelasi negatif.
Dari hasil pengujian terlihat Bahwa nilai DW sebesar 1,552, berarti data tidak terkena autokorelasi. Adapun nilai DW terdapat pada tabel 4.5 berikut:
Tabel 4.5 Uji Autokorelasi Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 ,899a ,808 ,790 33807,06644 1,552
a. Predictors: (Constant), DBH_SDA, DBH_Pajak, DAK, DAU, PAD b. Dependent Variable: BM
Sumber: Hasil olah data SPSS, 2011
Hasil uji autokorelasi di atas menunjukkan nilai statistik Durbin- Watson (D-W) sebesar +1,552 atau (-2<1,552<+2). Karena angka D-W diantara -2 sampai +2, maka dapat disimpulkan bahwa tidak terjadi autokorelasi baik positif maupun negatif.
4. Model dan Teknik Analisis Data