BAB IV HASIL PENELITIAN DAN PEMBAHASAN
4.2 Statistik Deskriptif
4.1 Deskripsi Objek Penelitian
Objek penelitian yang digunakan adalah Dinas Pendapatan, Pengelolaan Keuangan dan Aset Daerah (DPPKAD). Populasi dalam penelitian ini adalah Laporan Realisai Anggaran Pendapatan dan Belanja Daerah (APBD) Pemerintah Kabupaten Sappeng dan data Produk Domestik Regional Bruto (PDRB) atas dasar harga kostan periode 2006-2012. Dinas Pendapatan, Pengelolaan Keuangan dan Aset Daerah adalah salah satu perangkat yang dalam melaksanakan tugasnya berada di bawah dan bertanggung jawab langsung kepada bupati melalui sekretaris daerah kabupaten.
Kabupaten Soppeng beribukota di Kecamatan Lalabata yang secara administratif berbatasan dengan :
1. Kabupaten Sidenreng Rappang di sebelah utara. 2. Kabupaten Wajo dan Kabupaten Bone di sebelah timur. 3. Kabupaten Bone di sebelah selatan.
4. Kabupaten Barru di sebelah barat.
4.2 Statistik Deskriptif
4.2.1 Statistik Deskriptif Variabel Penelitian
Hasil uji statistik deskriptif akan diuraikan pada bagian ini. Variabel independen yang digunakan yaitu Pendapatan Asli Daerah (X1), Dana Alokasi Umum (X2), dan Belanja Modal (X3) sedangkan variabel dependen yang
digunkan yaitu Pertumbuhan Ekonomi (Y). Data observasi dapat dilihat pada tabel berikut: Tabel 4.1 Statistik Deskriptif Descriptive Statistics Mean Std. Deviation N
Pertumbuhan Ekonomi 5.7124E5 5.16584E5 32
Pendapatan Asli Daerah
4.1096E9 2.05142E9 32
Dana Alokais Umum
7.8832E10 2.55886E10 32
Belanja Modal 2.4931E10 2.74398E10 32
Sumber: Data Sekunder.Diolah.2013.
Dari tabel diatas menunjukkan bahwa jumlah sampel yang digunakan adalah sebanyak 32 sampel. Selain itu rata-rata pertumbuhan ekonomi adalah 5.7124 dengan standar deviasi 5.16584, rata-rata pendapatan asli daerah adalah 4.1096 dengan standar deviasi 2.05142, rata-rata dana alokasi umum adalah 7.8832 dengan standar deviasi 2.74398, rata-rata belanja modal adalah 2.4931 dengan standar deviasi 2.74398.
4.2.2 Uji Asumsi Klasik
Uji asumsi klasik dilakukan untuk meyakinkan bahwa model regresi yang digunakan adalah baik, tidak bias, dan dapat digunakan untuk memperoleh hasil penelitian. Model regresi diharapkan dapat memenuhi asumsi normalitas, terbebas dari multikolinearitas, tidak ada masalah heteroskedastisitas, dan tanpa masalah autokorelasi.
4.2.2.1Uji Normalitas
Uji normalitas adalah pengujian tentang kenormalan distribusi data yang artinya data tersebut harus terdistribusi secara normal. Ada beberapa cara yang
bisa dilakukan dalam uji normalitas tetapi yang paling umum digunakan adalah Normal P-P Plot. Pada Normal P-P Plot prinsip normalitas dapat dideteksi dengan melihat penyebaran data (titik) pada sumbu diagonal grafik atau dengan melihat histogram dari residualnya. Dasar pengambilan keputusan:
a. Jika data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal atau grafik histogramnya menunjukkan pola distribusi normal, maka model regresi memenuhi asumsi normalitas.
b. Jika data menyebar jauh dari garis diagonal dan/atau tidak mengikuti arah garis diagonal atau grafik histogram tidak menunjukkan pola distribusi normal, maka model regresi tidak memenuhi asumsi normalitas.
Gambar 4.1 di bawah terlihat data (titik) menyebar di sekitar garis diagonal dan penyebarannya mengikuti arah garis diagonal sehingga dapat disimpulkan bahwa data yang diolah adalah data yang berdistribusi normal yang artinya uji normalitas terpenuhi. Untuk mendeteksi atau membuktikan uji normalitas, gambar 4.1 berikut menunjukkan hasil uji normalitas nilai residual data penelitian ini:
4.2.2.2 Uji Multikolinearitas
Uji multikolinieritas bertujuan untuk menguji apakah ada korelasi yang tinggi antar variabel bebas (independent) dalam suatu model regresi. Model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel independen. Untuk menentukan ada tidaknya multikolinieritas dapat dilihat dari nilai Inflation
Factor (VIF) dan Tolerance Value pada model regresi yang digunakan sebagai
acuan. Apabila nilai VIF > 5, terjadi multikolinieritas. Sebaliknya, jika VIF < 5, tidak terjadi multikolinearitas. Untuk analisisnya dengan SPSS, disajikan output atau hasil uji multikolinearitas pada tabel "Coefficients" seperti berikut ini:
Tabel 4.2 Hasil Uji Multikolinearitas Coefficientsa
Model
Collinearity Statistics Tolerance VIF Pendapatan Asli Daerah (X1)
Dana Alokasi Umum (x2) Belanja Modal (X3) 0,681 0,657 0.652 1,468 1,522 1,535
a. Dependent Variable: Pertumbuhan Ekonomi (Y)
Sumber: Data Sekunder.Diolah.2013.
Dengan menggunakan besaran tolerance (α) dan variance inflation factor (VIF) dapat dilihat bahwa VIF pendapatan asli daerah adalah 1,468 < 5, dana alokasi umum adalah 1,522 < 5 dan belanja modal adalah 1,535 < 5. Tolerance variabel bebas pendapatan asli daerah adalah (0,681 = 68,1%), dana alokasi umum adalah (0,657 = 65,7 %) dan belanja modal adalah (0,652 = 65,2 %). Diatas 5% sehingga dapat disimpulkan bahwa antar variabel bebas tidak terjadi multikolinieritas.
4.2.2.3 Uji Heteroskedastisitas
Metode scatterplot adalah metode yang digunakan untuk menguji heteroskedastisitas dengan melihat pola penyebaran titik-titik dalam scatterplot
tersebut. Untuk mendeteksi heteroskedastisitas, dilakukan dengan melihat grafik
plot antara nilai prediksi variabel dependen (ZPRED) dengan residualnya
(SRESID). Variance dari residual pada satu pengamatan ke pengamatan yang lain diharapkan sama (homoskedastisitas). Homoskedastisitas tampak dari pola penyebaran tik-titik yang tidak jelas. Dasar analisisnya adalah sebagai berikut:
a. Jika pada scatterplot titik-titiknya membentuk pola tertentu yang teratur (bergelombang, melebar maupun menyempit), maka mengindikasikan telah terjadi heteroskedastisitas.
b. Jika pada scatterplot titik-titiknya menyebar di atas maupun di bawah angka 0 pada sumbu Y dan tidak mempunyai pola yang teratur, maka tidak terjadi heteroskedastisitas (homoskedastisitas).
Berikut adalah hasil uji heteroskedastisitas dalam penelitian ini. Gambar 4.2
Output Pengujian Heteroskedastisitas
Sumber: Data Sekunder. Diolah.2013.
Grafik scatterplot tersebut memperlihatkan penyebaran titik-titik tidak membentuk pola tertentu yang berarti model regresi dalam penelitian ini terbebas dari masalah heteroskedastisitas atau bersifat homoskedastisitas.
4.2.2.4 Uji Autokorelasi
Model regresi yang baik adalah model regresi yang harus terbebas dari masalah autokorelasi atau tidak memiliki masalah autokorelasi karena jika terjadi maka persamaan tersebut tidak layak dipakai prediksi. Masalah ini timbul karena residual (kesalahan pengganggu) tidak bebas dari satu observasi ke observasi yang lainnya dalam observasi runtut waktu atau jika ada korelasi secara linier antara kesalahan pengganggu periode t dengan kesalahan pengganggu periode t-1 (sebelumnya).
Salah satu ukuran dalam menentukan ada tidaknya masalah autokorelasi dengan uji Durbin-Watson (DW) dengan ketentuan sebagai berikut:
a. Nilai Durbin-Watson dibawah -2 (DW < -2) berarti terjadi autokorelasi positif. b. Nilai Durbin-Watson berada diantara -2 dan 2 (-2 ≤ DW ≤ 2) berarti tidak
terjadi autokorelasi.
c. Nilai Durbin-Watson diatas 2 (DW > 2) berarti terjadi autokorelasi negatif. Pada tabel 4.3 dibawah ini akan disajikan hasil pengujian autokorelasi:
Tabel 4.3
Output Pengujian Autokorelasi Model Summaryb
Model Durbin-Watson
1 0,451a
a. Predictors: (Constant), DAU (X3), PAD (X2), PE (X1) b. Dependent Variable: Belanja Modal (Y1)
Dari hasil olah data diatas, ditemukan Durbin-Watson test yaitu 0,451 dan DW tersebut berada di antara 2 dan 2, sehingga dapat disimpulkan bahwa data tersebut tidak terjadi autokorelasi.