Statistik deskriptif digunakan untuk mengetahui gambaran atau informasi data yang sedang diteliti melalui populasi dan sampel. Teknik statistik deskriptif ini digunakan untuk mendapatkan informasi deskriptif tentang data yang dimiliki dan tidak bermaksud untuk menguji hipotesis. Analisis ini digunakan untuk menyajikan dan menganalisis data dengan perhitungan untuk mengklarifikasi keadaan atau karakteristik data yang dimaksud. Penjelasan kelompok dalam statistik deskriptif dapat dilihat dari nilai minimum, nilai tengah (median), nilai maksimum, nilai terpopuler (modus), nilai rata-rata (mean) dan standar deviasi.
Dalam penelitian ini variabel yang digunakan dalam perhitungan statistik deskriptif adalah Belanja Modal, Produk Domestik Regional Bruto, Dana
Otonomi Khusus, dan Dana Perimbangan. Berdasarkan analisis statistik deskriptif diperoleh gambaran sampel sebagai berikut :
Tabel 4.1 Statistik Deskriptif Descriptive Statistics
N Minimum Maximum Mean Std. Deviation Produk Domestik Regional Bruto 92 13,81 16,81 15,3160 ,75942
Dana Otonomi Khusus 92 22,33 27,31 25,4199 1,01035
Dana Perimbangan 92 26,51 28,09 27,2679 ,30684
Belanja Modal 92 25,33 26,80 26,2976 ,32959
Valid N (listwise) 92
Sumber : data olahan SPSS,2019
Berdasarkan tabel 4.1 di atas dapat dilihat bahwa jumlah unit analisis (N) dalam penelitian ini adalah sebanyak 92 unit analisis yang terdiri dari 18 Kabupaten dan 5 Kota di Provinsi Aceh melaporkan Produk Domestik Regional Bruto pada website (http://bps.go.id) dan yang melaporkan Laporan Realisasi APBD pada website (http://www.djpk.kemenkeu.go.id) pada periode tahun 2014-2017. Tabel 4.1 menjelaskan bahwa :
1. Nilai minimum Produk Domestik Regioonal Bruto adalah 13,81, nilai maksimum 16,81, nilai rata-rata (mean) 15,3160 dan standar deviasi 0,75942 dengan jumlah sampel sebanyak 92. Nilai minimum dimiliki oleh Kota Sabang dan maksimum oleh Kabupaten Aceh Utara. Nilai Std. Deviasi < Mean berarti tidak terjadi penyimpangan data. Dan nilai Mean dapat digunakan sebagai representsi dari keseluruhan data.
2. Nilai minimum Dana Otonomi Khusus adalah 22,33, nilai maksimum 27,31, nilai rata-rata (mean) 25,4199 dan standar deviasi 1,01035 dengan jumlah sampel sebanyak 92. Nilai minimum dimiliki oleh
Kabupaten Aceh Timur dan maksimum oleh Kabupaten Aceh Utara.
Nilai Std. Deviasi < Mean berarti tidak terjadi penyimpangan data. Dan nilai Mean dapat digunakan sebagai representsi dari keseluruhan data.
3. Nilai minimum Dana Perimbangan adalah 26,51, nilai maksimum 28,09, nilai rata-rata (mean) 27,2679 dan standar deviasi 0,30684 dengan jumlah sampel sebanyak 92. Nilai minimum dimiliki oleh Kota Subulussalam dan maksimum oleh Kabupaten Aceh Utara. Nilai Std.
Deviasi < Mean berarti tidak terjadi penyimpangan data. Dan nilai Mean dapat digunakan sebagai representsi dari keseluruhan data.
4. Nilai minimum Belanja Modal adalah 25,33, nilai maksimum 26,80, nilai rata-rata (mean) 26,2976 dan standar deviasi 0,32959 dengan jumlah sampel sebanyak 92. Nilai minimum dimiliki oleh Kota Sabang dan maksimum oleh Kabupaten Aceh Utara. Nilai Std. Deviasi < Mean berarti tidak terjadi penyimpangan data. Dan nilai Mean dapat digunakan sebagai representsi dari keseluruhan data.
4.3 Uji Asumsi Klasik
Pengujian asumsi klasik bertujuan untuk mengetahui dan menguji kelayakan atas model regresi yang digunakan pada penelitian ini. Tujuan lainnya untuk memastikan bahwa dalam model regresi yang digunakan mempunyai data yang terdistribusikan secara normal, bebas dari multikolinieritas dan heterokedastisitas.
Uji-uji yang dilakukan dalam uji asumsi klasik terbagi menjadi:
4.3.1 Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel residual dapat terdistribusi secara normal. Uji normalitas dapat dilakukan dengan uji histogram, uji Kolmogorov Smirnov, dan uji normal P Plot, dimana distribusi data dapat dilihat dengan kriteria sebagai berikut :
H0 : data residual berdistribusi normal Ha : data residual tidak berdistribusi normal
Apabila nilai signifikasi lebih besar dari 0,05 maka H0 diterima dan sebaliknya jika nilai signifikasi lebih kecil dari 0,05 maka H0 ditolak atau Ha diterima. Hasil uji normalitas dengan menggunakan grafik histogram yang diolah dengan SPSS adalah sebagai berikut :
Sumber: data olahan SPSS, 2019 Gambar 4.1
Grafik Histogram
Grafik histogram pada Gambar 4.1 menunjukkan bahwa data berdistribusi normal karena dapat dilihat di grafik bahwa grafik tidak
menceng kiri maupun menceng kanan dan juga porsi garis sebelah kiri titik 0 dan sebelah kanan titik 0 besarnya sama. Dengan demikian dapat disimpulkan bahwa model regresi telah memenuhi asumsi normalitas.
Hasil uji normalitas dengan menggunakan uji non parametric Kolmogorov-smirnov menunjukkan hasil sebagai berikut :
Tabel 4.2
Kolmogorov-Smirnov Test One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 92
Normal Parametersa,b Mean ,0000000
Std. Deviation ,21340414
Most Extreme Differences Absolute ,048
Positive ,048
Negative -,039
Test Statistic ,048
Asymp. Sig. (2-tailed) ,200c,d
a. Test distribution is Normal.
b. Calculated from data.
c. Lilliefors Significance Correction.
d. This is a lower bound of the true significance.
Sumber: data olahan SPSS, 2019
Untuk melihat variabel terdistribusi normal yaitu dengan cara melihat pada bagian Asymp.Sig. tailed). Jikalau Asymp.Sig. (2-Tailed) diatas nilai signifikan (0,05) berarti variabel terdistribusi normal.
Tabel 4.2 di atas menunjukkan nilai Asymp.Sig. (2-tailed) adalah 0,200 dan di atas nilai signifikan (0,05) yang berarti variabel residual berdistribusi normal.
Hasil uji normalitas dengan menggunakan grafik normal p-plot adalah sebagai berikut:
Sumber : data olahan SPSS, 2019
Gambar 4.2 Grafik Normal P-Plot
Pada grafik normal probability plot di atas terlihat bahwa titik-titik atau data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal tersebut, maka dapat disimpulkan bahwa berdistribusi secara normal.
4.3.2 Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas (independen).
Pengujian multikolinearitas dilakukan dengan menggunakan Variance Inflation Factor (VIF). Data dikatakan tidak mengalami multikolinearitas apabila nilai Tolerance > 0,10 dan nilai VIF < 10. Hasil uji multikolinearitas dapat dilihat pada Tabel 4.3 sebagai berikut :
Tabel 4.3
a. Dependent Variable: Belanja Modal
Sumber: data olahan SPSS, 2019
Dari data pada Tabel 4.3, dapat disimpulkan bahwa tidak terjadi gejala multikolinearitas antara variabel independen yang diindikasikan dari nilai Tolerance setiap variabel independen lebih besar dari 0,1 dan nilai VIF lebih kecil dari 10.
4.3.3 Uji Heteroskedastisitas
Uji Heteroskedastisitas adalah uji yang menilai apakah ada ketidaksamaan varian dari residual untuk semua pengamatan pada model regresi linear. Uji ini merupakan salah satu dari uji asumsi klasik yang harus dilakukan pada regresi linear. Apabila asumsi heteroskedastisitas tidak terpenuhi, maka model regresi dinyatakan tidak valid sebagai alat peramalan. Prasyarat yang harus terpenuhi dalam model regresi adalah tidak adanya gejala heteroskedastisitas agar data sesuai. Uji heteroskedastisitas dilakukan dengan cara melihat grafik scattter plot
model tersebut. Dasar analisisnya yaitu:
1) Jika ada pola-pola tertentu, seperti titik-titik yang membentuk pola tertentu yang teratur, maka terjadi heteroskedastisitas,
2) Jika tidak ada pola yang jelas atau titik-titik menyebar di atas dan di bawah angka nol pada sumbu Y, maka tidak terjadi heteroskedastisitas atau terjadi homokedastisitas.
Sumber: data olahan SPSS, 2019
Gambar 4.3
Uji Heteroskedastisitas (Scatterplot)
Hasil uji heteroskedastisitas dari Gambar 4.3 menunjukkan bahwa grafik scatterplot menunjukkan pola penyebaran, dimana titik-titik menyebar diatas dan dibawah 0 pada sumbu Y. Hal ini menunjukkan bahwa tidak terjadi heteroskedastisitas pada data yang digunakan.
4.3.4 Uji Autokorelasi
Pengujian autokorelasi bertujuan untuk menguji apakah terdapat korelasi antara kesalahan pengganggu pada suatu periode dengan kesalahan pengganggu periode sebelumnya dalam model regresi. Jika
terjadi autokorelasi dalam model regresi berarti koefisien korelasi yang diperoleh menjadi tidak akurat, sehingga model regresi yang baik adalah model regresi yang bebas dari autokorelasi. Cara untuk mendeteksi ada tidaknya autokorelasi adalah dengan melakukan pengujian Durbin Watson (DW), tidak terjadi autokorelasi apabila :
1. Angka D – W di bawah -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 Tabel 4.4
a. Predictors: (Constant), Dana Perimbangan, Dana Otonomi Khusus, Produk Domestik Regional Bruto
b. Dependent Variable: Belanja Modal
Sumber: data olahan SPSS, 2019
Tabel 4.4 menyajikan hasil uji autokorelasi yang menunjukkan nilai statistik Durbin Watson (dw) sebesar 1,224. Nilai ini di antara -2 sampai +2. Dengan demikian dapat disimpulkan tidak terdapat autokorelasi baik positif maupun negatif.