Penulis menggunakan analisis regresi berganda. Analisis berganda ini dapat digunakan untuk memperoleh gambaran yang menyeluruh mengenai hubungan antara variabel dependen dengan variabel independen serta variabel
intervening secara menyeluruh baik secar simultan atau secara parsial. Sebelum melakukan uji regresi linier berganda, metode mensyaratkan untuk melakukan uji asumsi klasik guna mendapatkan hasil terbaik. Dalam penggunaan analisis regresi berganda, pengujian hipotesis harus menghindari adanya kemungkinan penyimpangan asumsi-asumsi klasik.
3.8.1 Statistik Deskriptif
Statistik deskriptif merupakan sebuah analisis data yang digunakan untuk dapat menggambarkan obyek penelitian melalui populasi atau sampel yang digunakan. Statistik deskriptif yang digunakan dalam penelitian ini adalah nilai minimum, nilai maksimum, mean dan standar deviasi.
3.8.2 Uji Asumsi Klasik
Uji ini dilakukan untuk mengetahui bahwa data yang diolah adalah sah (tidak terdapat penyimpangan) serta distribusi normal, maka data tersebut akan diisi melalui uji asumsi klasik, yaitu:
1. Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam regresi variabel terikat dan variabel bebas keduanya mempunyai distribusi normal atau tidak. Untuk melihat normalitas adalah dengan menggunakan uji statistik non-parametrik. Kolmogorov-Smirnov (K-S). Jika nilai probabilitasnya lebih besar dari tingkat kepercayaan 5% maka model regresi memenuhi asumsi normal (Ghozali, 2011:58).
2. Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah dalam model regresi ditemukan adanya korelasi antar variabel independen. Untuk mendeteksi ada tidaknya multikolinearitas dlam regresi, dapat dilihat dari tolerance value dan
variance inflation factor (VIF).
Tolerance value mengukur variabilitas independen yang terpilih yang tidak
dapat dijelaskan oleh variabel independen lainnya. Jadi nilai tolerance yang rendah sama dengan VIF yang tinggi (karena VIF =1/tolerance). Nilai cut off yang umum dipakai untuk menunjukkan adanya multikolinearitas adalah nilai
tolerance< 0,10 atau sama dengan nilai VIF > 10 (Ghozali, 2011:105).
3. Uji Heterokedastisitas
Uji heterokedastitas bertujuan untuk menguji apakah dalam model regresi ini terjadi ketidaksamaan varians dari residual satu pengamatan ke pengamatan yang lain. Untuk mendeteksi adanya heterokedastisitas dari tingkat signifikan dapat digunakan Uji Glejser. Jika tingkat signifikan berada di atas 5% berarti tidak terjadi gejala heterokedastisitas tetapi jika dibawah 5% berarti terjadi gejala heterokedastisitas (Ghozali, 2011: 139).
4. Uji Autokorelasi
Tujuan dari dilakukan uji autokorelasi adalah untuk mengetahui apakah dalam sebuah model regresi linier terdapat korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 (sebelumnya). Jika terjadi korelasi maka dinamakan ada problem autokorelasi. Pada data crossectional (silang waktu), masalah autokorelasi relatif jarang terjadi karena
gangguan pada observasi yang berbeda berasal dari individu kelompok yang berbeda. Model regresi yang baik adalah regresi yang bebas dari autokorelasi (Ghozali, 2011).
Metode pengujian yang digunakan adalah Uji Durbin-Watson (Uji DW) dengan ketentuan sebagai berikut:
Jika DW < 1,5 maka terjadi autokorelasi
Jika 1,5 < DW < 2,5 maka tidak terjadi autokorelasi Jika DW > 2,5 maka terjadi autokorelasi
3.8.3. Analisis Jalur
Untuk menguji pengaruh variabel intervening digunakan metode analisis jalur (Path Analysis). Analisis jalur merupakan perluasan dari analisis regresi linear berganda, analisis jalur adalah penggunaan analisis regresi untuk menaksir hubungan kausalitas antar vaiabel (model casual) yang telah ditetapkan sebelumnya berdasarkan teori (Ghozali, 2011:249). Persamaan model regresi berganda dalam penelitian ini dapat diformulasikan sebagai berikut:
BM= α + β1PAD + β2DAU + β3PE + e
IPM = α + β1PAD + β2DAU + β3PE + β4BM + e
Keterangan:
a = Konstansta β = Koefisien regresi BM = Belanja Modal
IPM = Indeks Pembangunan Manusia PAD = Pendapatan Asli Daerah
DAU = Dana Alokasi Umum
PE = Pertumbuhan Ekonomi
e = Eror term
Model yang baik dalam analisis jalur adalah besarnya nilai pengaruh tidaklangsungnya suatu variabel. Pengaruh tidak langsung diperoleh dari perkalian antara nilai koefisien beta dari variabel independen ke variabel intervening dengan nilai beta variabel intervening terhadap variabel dependen. Sedangkan pengaruh langsung diperoleh dari nilai koefisien beta dari variabel dependen terhadap independen.
Jika nilai koefisien beta dari pengaruh langsung > koefisien beta pengaruh tidak langsung, maka dapat dikatakan bahwa variabel intervening tidak memediasi variabel independen terhadap variabel dependen, sebaliknya jika nilai koefisien beta dari pengaruh tidak langsung > koefisien beta pengaruh langsung, maka dapat dikatakan bahwa variabel intervening memediasi variabel independen terhadap variabel dependen.
3.8.4. Uji Ketepatan Model
1. Uji F
Uji F digunakan untuk mengetahui pengaruh antara variabel independen secara simultan terhadap variabel dependen. Selain itu, uji F dapat digunakan untuk melihat model regresi yang digunakan sudah signifikan atau belum, dengan ketentuan bahwa jika p value < (α) = 0,05 dan Fhitung>Ftabel berarti model tersebut sudah fit dan bisa digunakan untuk menguji hipotesis. Dengan tingkat kepercayaan untuk pengujian hipotesis adalah 95% atau (α) = 5% (0,05). Kriteria
pengujian dengan menggunakan uji F adalah sebagai berikut:
a. Jika nilai Fhitung>Ftabel berarti ada pengaruh secara serentak dari semua variabel independen terhadap variabel dependen, artinya model regresi yang digunakan fit of goodness.
b. Jika nilai Fhitung<Ftabel berarti tidak ada pengaruh secara serentak dari semua variabel independen terhadap variabel dependen, berarti model regresi tidak fit.
2. Koefisien determinan (R²)
Koefisien determinasi (R²) berfungsi untuk melihat sejauh mana keseluruhan variabel independen dapat menjelaskan variabel dependen. Apabila angka koefisien determinasi semakin mendekati 1, maka pengaruh variabel independen terhadap variabel dependen adalah semakin kuat, yang berarti variabel-variabel independen memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variasi dependen. Sedangkan nilai Koefisiensi Determinasi (adjusted R²) yang kecil berarti kemampuan variabel-variabel independen dalam menjelaskan variasi variabel dependen adalah terbatas (Ghozali, 2011: 97).
3.8.5. Uji Hipotesis
Uji hipotesi dilakukan untuk mengetahui pengaruh dari masing-masing variabel independen terhadap variabel dependen (Ghozali, 2011:101). Dasar pengambilan keputusan adalah:
1. Apabila thitung> ttabel, variabel independen secara individual berpengaruh terhadap variabel dependen (hipotesis diterima).
2. Apabila thitung< ttabel, variabel independen secara individual tidak berpengaruh terhadap variabel dependen (hipotesis ditolak).
Uji t dapat juga dilakukan dengan melihat signifikan masing-masing variabel pada output hasil regresi menggunakan SPSS dengan signifikasi level 0,05 (α = 5%). Apabila nilai signifikasi lebih besar dari α, hipotesis ditolak (koefisien regresi tidak signifikan), yang berarti secara individual variabel independen tidak mempunyai pengaruh yang signifikan terhadap variabel dependen. Apabila nilai signifikasi lebih kecil dari α, hipotesis diterima (koefisien regresi signifikan), berarti secara individual variabel independen mempunyai pengaruh yang signifikan terhadap variabel dependen.
3.8.6. Uji Pengaruh Tidak Langsung
Dalam penelitian ini menggunakan variabel intervening atau variabel mediasi yaitu alokasi belanja modal. Variabel intervening merupakan variabel yang mempengaruhi hubungan antara variabel independen dengan variabel dependen. Variabel intervening merupakan variabel yang berada di antara variabel independen dan variabel dependen, sehingga variabel independen tidak secara langsung mempengaruhi variabel dependen (Sugiyono, 2010: 6).
Untuk menguji signifikansi pengaruh tidak langsung dapat dilakukan dengan prosedur yang dikenal dengan uji Sobel. Uji Sobel dilakukan dengan cara menguji kekuatan pengaruh tidak langsung X ke Y1 melaui Y2. Pengaruh tidak langsung X ke Y1 melalui Y2 dihitung dengan cara mengalikan jalur X ke Y2 (a) dengan jalur M ke Y1 (b) atau (ab). Standar deviasi ab adala sebagai berikut:
Untuk menguji signifikansi pengaru tidak langsung dapat dengan menghitung nilai t dari koefisien ab dengan rumus sebagai berikut :
t = 𝑎𝑏 𝑆𝑎𝑏
Nilai thitung dibandingkan dengan nilai ttabel. Jika nilai thitung > nilai ttabel maka mengindikasikan adanya pengaruh mediasi variabel intervening pada pengujian hubungan variabel independen pada variabel dependen (Ghozali, 2011: 249).
BAB IV
PEMBAHASAN DAN ANALISIS DATA