BAB IV HASIL PENELITIAN DAN PEMBAHASAN
4.1. 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, dari variabel Pertumbuhan Ekonomi, Pendapatan Asli Daerah, Dana Alokasi Umum, Dana Alokasi Khusus, Dana Bagi Hasil dan Belanja Modal. Berikut ini adalah hasil analisis statistik deskriptif dari variabel yang digunakan dalam penelitian ini.
Tabel 4.1 Statistik Deskriptif
Sumber: diolah peneliti, 2018
Diketahui bahwa nilai Belanja Modal minimum adalah 24,86 dan nilai Belanja Modal maksimum adalah 26,96. Sementara rata-rata dan standar deviasi dari Belanja Modal adalah 26,0783 dan 0,50350. Diketahui bahwa nilai Pertumbuhan Ekonomi minimum adalah -17,82 dan nilai Pertumbuhan Ekonomi maksimum adalah 6,31. Sementara rata-rata dan standar deviasi dari Pertumbuhan Ekonomi adalah 3,0329 dan 3,57561. Diketahui bahwa nilai Pendapatan Asli
Daerah minimum adalah 22,84 dan nilai Pendapatan Asli Daerah maksimum adalah 26,68. Sementara rata-rata dan standar deviasi dari Pendapatan Asli Daerah adalah 24,9133 dan 0,73912. Diketahui bahwa nilai Dana Alokasi Umum minimum adalah 26,25 dan nilai Dana Alokasi Umum maksimum adalah 27,46.
Sementara rata-rata dan standar deviasi dari Dana Alokasi Umum adalah 26,9226 dan 0,28147. Diketahui bahwa nilai Dana Alokasi Khusus minimum adalah 24,03 dan nilai Dana Alokasi Khusus maksimum adalah 26,67. Sementara rata-rata dan standar deviasi dari Dana Alokasi Khusus adalah 25,2440 dan 0,71362. Diketahui bahwa nilai Dana Bagi Hasil minimum adalah 23,25 dan nilai Dana Bagi Hasil maksimum adalah 26,96. Sementara rata-rata dan standar deviasi dari Dana Bagi Hasil adalah 24,1786 dan 0,72023.
4. 2. Uji Asumsi Klasik 4.2.1. Uji Normalitas
Dalam penelitian ini, uji normalitas terhadap residual dengan menggunakan uji Kolmogorov-Smirnov. Tingkat signifikansi yang digunakan dan dilakukan sebuah transformasi data untuk beberapa variabel dengan memberikan logaritma natural dalam pengolahan data.
Dasar pengambilan keputusan adalah melihat angka probabilitas dengan ketentuan sebagai berikut :
Jika nilai probabilitas 0,05, maka asumsi normalitas terpenuhi.
Jika nilai probabilitas ≤ 0,05, maka asumsi normalitas tidak terpenuhi.
Berikut ini adalah tabel hasil uji normalitas dari variabel yang digunakan dalam penelitian ini.
Tabel 4.2 Uji Normalitas
Sumber: diolah peneliti, 2018
Berdasarkan tabel 4.2, diketahui bahwa nilai probabilitas atau Asymp. Sig. (2-tailed) sebesar 0,200. Karena nilai probabilitas yakni 0,200 lebih besar dibandingkan tingkat signifikansi yakni 0,05, berarti asumsi normalitas telah terpenuhi. Selain dari uji normalitas melalui pendekatan statistik Kolmogrov-Smirnov, data yang terdistribusi normal tersebut juga dapat dilihat melalui grafik histogram dan grafik normal probability plot berikut ini:
Sumber: diolah peneliti, 2018
Gambar 4. 1 Grafik Histogram
Pada grafik histogram diatas terlihat bahwa variabel Belanja Modal berdistribusi normal. Dikatakan normal, dikarenakan bentuk pada grafik tersebut berbentuk lonceng, tidak menceng ke sudut kiri (skewness) atau menceng ke sudut kanan.
Sumber: diolah peneliti, 2018
Gambar 4. 2
Uji Normalitas (Normal Probability Plot)
Berdasarkan hasil uji normalitas dengan normal probability plot (Gambar 4. 2) titik-titik cenderung menyebar dekat dengan garis diagonal.
Hal ini berarti data telah memenuhi asumsi normalitas.
4.2.2. Uji Multikolinearitas
Terjadinya atau tidaknya multikolinearitas pada variabel yang diteliti, dapat dilihat dari nilai variance inflation factor (VIF). Nilai VIF yang melebihi 10, dapat mengindikasikan bahwa ada suatu variabel bebas yang mengalami multikolinearitas. Hasil uji multikolinearitas dalam penelitian ini dapat dilihat pada tabel 4.3 :
Tabel 4.3 Uji Multikolinearitas
Model
Collinearity Statistics
Tolerance VIF
1 (Constant)
PE ,623 1,604
PAD ,313 3,193
DAU ,267 3,746
DAK ,646 1,548
DBH , 460 2,172
a. Dependent variable : BM Sumber: diolah peneliti, 2018
Berdasarkan Tabel 4. 3, dapat diketahui bahwa :
1. Nilai VIF dari variabel Pertumbuhan Ekonomi adalah 1,604 ≤ 10, maka diindikasikan tidak terjadi multikolinearitas.
2. Nilai VIF dari variabel Pendapatan Asli Daerah adalah 3,193 ≤ 10, maka diindikasikan tidak terjadi multikolinearitas.
3. Nilai VIF dari variabel Dana Alokasi Umum adalah 3,746 ≤ 10, maka diindikasikan tidak terjadi multikolinearitas.
4. Nilai VIF dari variabel Dana Alokasi Khusus adalah 1,548 ≤ 10, maka diindikasikan tidak terjadi multikolinearitas.
5. Nilai VIF dari variabel Dana Bagi Hasil adalah 2,172 ≤ 10, maka diindikasikan tidak terjadi multikolinearitas.
Karena seluruh nilai VIF pada variabel tidak melebihi 10, maka diindikasikan tidak terjadi multikolinearitas pada penelitian ini
4. 2. 3. Uji Heteroskedastisitas
Mendeteksi ada tidaknya suatu heteroskedastisitas dalam variabel, dapat dilakukan dengan melihat ada tidaknya pola tertentu pada grafik scatter plot antara SRESID pada sumbu Y, dan ZPRED pada sumbu X.
Dasar analisis adalah jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur, maka mengindikasikan telah terjadi heteroskedastisitas. Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.
Hasil uji heteroskedasitas dalam penelitian ini dapat dilihat pada Gambar 4.3 :
Sumber: diolah peneliti, 2018
Gambar 4. 3 Uji Heteroskedastisitas
Berdasarkan Gambar 4. 3, tidak terdapat pola yang begitu jelas serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y. Oleh sebab itu, dapat disimpulkan bahwa tidak terjadi heteroskedasitas.
4. 2. 4. Uji Autokorelasi
Uji autokorelasi dalam penelitian ini digunakan uji Durbin-Watson.
Berikut ini adalah hasil autokorelasi berdasarkan uji Durbin-Watson.
Tabel 4. 4 Uji Autokorelasi
Model Summaryb
Model Durbin-Watson
1 1,721
a. Predictors: (Constant), DBH, PAD, DAK, PE, DAU b. Dependent Variable: BM
Sumber: diolah peneliti, 2018
Nilai statistik dari uji Durbin-Watson yang lebih kecil dari 1 atau
Discovering Statistics using SPSS Third Edition mengemukakan bahwa “As very conservative rule of thumb, values less then 1 or greater than 3 are definitely cause for concern; however, values closer to 2 may stil be problematic depending on your sample and model”.
Berdasarkan Tabel 4. 4, nilai dari statistik Durbin-Watson adalah 1,721. Oleh karena nilai DW 1,721 lebih besar dari batas atas (du) 1. 571 dan kurang dari 4, kemudian nilai statistik DW terletak di antara 1 dan 3, yakni 1 ≤ 1,721 ≤ 3, maka asumsi non-autokorelasi terpenuhi. Dengan kata lain, tidak terjadi gejala autokorelasi yang tinggi pada residual.