BAB IV HASIL DAN PEMBAHASAN
4.2 Statistik Deskriptif
Menurut (Sugiyono : 2007) statistik deskriptif adalah proses pengumpulan dan peringkasan data, serta upaya untuk menggambarkan berbagai karakteristik data yang telah terorganisasi tersebut. 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.
Peneliti menggunakan statistik deskriptif apabila hanya ingin mendeskripsikan data sampel, dan tidak ingin membuat kesimpulan yang berlaku untuk populasi di mana sampel diambil. Berdasarkan data cross section sebanyak 14 SKPD dan time series sebanyak 4 tahun pengamatan, maka diperoleh deskriptif statistik data penelitian sebagai berikut:
Tabel 4.1 Statistik Deskriptif Descriptive Statistics
N Minimum Maximum Mean Std. Deviation
Belanja Modal 56 8900000.00 36700000000.00 2772300000.00 6862450000.00 Realisasi PAD 56 10000000.00 35300000000.00 2699900000.00 6592850000.00
Valid N (listwise) 56 Diolah oleh Penulis (2012)
Berdasarkan tabel 4.1 di atas dapat diketahui: 1. Jumlah sampel (N) sebanyak 56.
2. Belanja Modal memiliki nilai minimum sebesar 8.900.000 , nilai maksimum sebesar 36.700.000.000, nilai rata-rata sebesar 2.772.300.000dengan standar deviasi 6.862.450.000.
3. Pendapatan Asli Daerah (PAD) memiliki nilai minimum sebesar 10.000.000, nilai maksimum sebesar 35.300.000.000, nilai rata-rata sebesar2.699.900.000 dengan standar deviasi 6.592.850.000.
4.3 Uji Asumsi Klasik 4.3.1 Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki memiliki distribusi normal. Seperti diketahui bahwa uji t dan F mengasumsikan bahwa nilai residual mengikuti distribusi normal. Jika asumsi ini dilanggar maka uji statistik menjadi tidak valid untuk jumlah sampel kecil.
MenurutGhozali (2005:115) memberikan pedoman pengambilan keputusan rentang data mendekati atau merupakan distribusi normal berdasarkan uji Kolmogorov Smirnov yang dapat dilihat dari:
a) nilai sig. atau signifikan atau probabilitas <0,05, maka distribusi data adalah tidak normal.
b) nilai sig. atau signifikan atau probabilitas > 0,05, maka distribusi data adalah normal.
Hasil uji normalitas dengan menggunakan model Kolmogorov-Smirnov dapat dilihat pada Tabel 4.2 berikut ini:
Tabel 4.2 Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 56
Normal Parametersa,,b Mean .0000002
Std. Deviation .6555519430
Most Extreme Differences Absolute .376
Positive .376
Negative -.326
Kolmogorov-Smirnov Z 2.812
Asymp. Sig. (2-tailed) .000
Berdasarkan hasil uji statistik pada One-Sample Kolgomorov-Smirnov nilai signifikansinya ( Asymp. Sig. (2-tailed))pada tabel tersebut adalah 0,000. Karena p = 0,000< 0,05 maka dapat disimpulkan data tidak terdistribusi normal. Oleh karena itu, peneliti akan melakukan treatment atau perbaikan pada data tersebut agar dapat memenuhi Uji Normalitas.
Menurut Syafrizal et.all (2008 : 62) Ada beberapa cara mengubah model regresi menjadi normal yaitu:
1. Lakukan transformasi data, misalnya mengubah data menjadi bentuk logaritma (Log) atau natural (LN).
2. Menambah jumlah data.
3. Menghilangkan data yang dianggap sebagai penyebab tidak normalnya data.
4. Menerima data apa adanya.
Guna memenuhi uji normalitas maka peneliti akan mentransformasikan data penelitian ini kedalam bentuk Logaritma Natural (LN), kemudian data diuji ulang dengan menggunakan uji normalitas. Hasil Uji Normalitas pada data yang telah ditransformasi dapat dilihat pada tabel 4.3 berikut.
Tabel 4.3 Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 56
Normal Parametersa,,b Mean .0000000
Std. Deviation .80816814
Most Extreme Differences Absolute .158
Positive .101
Negative -.158
Kolmogorov-Smirnov Z .774
Asymp. Sig. (2-tailed) .586
Diolah oleh Penulis (2012)
Bedasarkan hasil Uji Normalitas tabel 4.3 dengan data yang telah ditransformasi ke dalam bentuk Logaritma Natural (LN), maka hasil yang di dapatkan adalah data telah terdistribusi secara normalkarena dari hasil pengolahan data tersebut, besarnya nilai Kolmogorov-Smirnov adalah 0,774 dan signifikansinya pada 0,586. Maka dapat disimpulkan bahwa data terdistribusi normal, karena p = 0,586 > 0,05 dan dapat dilanjutkan dengan uji asumsi klasik lainnya.
Untuk lebih jelas, berikut ini turut dilampirkan grafik histogram, dan normal probability plot yang terdistribusi normal.
Gambar 4.1 Uji Normalitas
Uji Normalitas
Gambar 4.2 Uji Normalitas
Data yang telah terdistribusi normal dapat kita ketahui dengan melihat Histogram pada gambar 4.1, grafik histogram pada uji normalitas di atas dapat terlihat bahwa data terdistribusi mengikuti garis diagonal yang tidak menceng (Skewness) ke kiri maupun ke kanan. Data yang telah terdistribusi normal juga bisa diketahui dengan melihat grafik plot yang ditunjukkan pada gambar 4.2. Menurut Ghozali (2005:112) pendeteksian normalitas dapat dilakukan dengan melihat penyebaran data (titik) pada sumbu diagonal dari grafik, yaitu jika data (titik) menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal, hal ini menunjukkan data yang telah terdistribusi normal.
Pada gambar 4.2 dapat terlihat bahwa penyebaran data (titik) menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal, oleh sebab itu dapat diketahui bahwa data telah terdistribusi dengan normal.
4.3.2 Uji Autokorelasi
Untuk mengetahui terjadi atau tidak terjadinya suatu autokorelasi dapat diketahui dengan melihat nilai Durbin-Watson (DW).Menurut Sugiyono (2001:76) mengemukakan bahwa terjadinya Autokorelasi jika nilai Durbin-Watson (DW) memiliki nilai lebih dari 5, atau Durbin-Watson (DW) > 5.
Berikut ini peneliti menampilkan hasil Uji Autokorelasi pada Tabel 4.5 dibawah ini:
Tabel 4.4 Uji Autokorelasi Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .330a .109 .068 .82633 2.267
Diolah oleh Penulis (2012)
Berdasarkan Tabel 4.4 tentang Uji Autokorelasi memperlihatkan bahwa nilai Durbin-Watson (DW) adalah 2,267 < 5.Oleh karena itu, dapat dikemukakan bahwa tidak terjadi Autokorelasi dalam penelitian ini.
4.3.3 Uji Heteroskedastisitas
Menurut Ghozali (2005:105) Uji Heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varians dari residual satu pengamatan ke pengamatan yang lain.Model regresi yang baik adalah model regresi yang tidak terjadi heterokedastisitas.Cara untuk menentukan ada atau tidaknya heterokedastisitas adalah dengan melihat grafik scatterplot pada gambar 4.3.Dasar pengambilan keputusannya menurut Ghozali (2005:105) adalah sebagai berikut:
1. Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur maka mengindikasikan telah terjadi heterokedasitas. 2. Jika tidak ada pola yang jelas, serta titik menyebar dibawah angka 0 dan
Berikut ini peneliti menampilkan grafik scatterplot untuk melihat hasil uji heterokedastisitas dalam penelitian ini pada gambar 4.3.
Gambar 4.3 Uji Heteroskedastisitas
Pada gambar 4.3 pada grafik Scatterplot diatas dapat terlihat bahwa titik (data) menyebar secara acak dan tidak terlihat suatu pola tertentu, dan pada grafik scatterplot diatas juga dapat terlihat bahwa tidak tersebar diatas maupun dibawah sumbu y dan angka 0. Oleh karena itu dapat disimpulkan bahwa tidak terjadi heterokedastisitas di dalam penelitian ini, dan model regresi ini layak dipakai dalam penelitian.