Statistik deskriptif merupakan analisis yang berfungsi mendeskripsikan atau memberi

gambaran mengenai data-data yang dikumpulkan dan digolongkan secara obyektif. Gambaran
atau deskripsi yang dilihat berdasakan data nilai minimum (terendah), nilai maksimum
(tertinggi), rata–rata (mean), dan standar deviasi dari masing-masing variabel serta jumlah data
(N) yang digunakan dalam penelitian.

Pengukuran statistik deskriptif dilakukan terhadap variabel-variabel penelitian yang

terdiri dari IPM, belanja modal, rasio efektifitas, dan total pendapatan. Hasil analisis deskriptif
dari variabel yang digunakan dalam penelitian ini adalah sebagai berikut:

Hasil Analisis Statistik Deskriptif

Descriptive Statistics

N Minimum Maximum Mean Std. Deviation

IPM 763 57,41 85,07 69,4062 4,74799

Belanja_modal 763 11,10 14,41 12,4011 ,45662
Rasio_efektifitas 763 465951,00 4409065,00 1206210,6815 585937,49280
Total_pendapatan 763 -1,81 2,06 -,0896 ,25108
Valid N (listwise) 763

Sumber : Data penelitian diolah,2021

IPM

Hasil pengujian statistic deskriptif pada table menujukan bahwa nilai minimum
(terendah) IPM sebesar 57.41, nilai maksimum (tertinggi) 86.07 dan rata-rata (mean) sebesar
69.4062 serta standar deviasi sebesar 4.74799.

Belanja modal

Hasil pengujian statistic deskriptif pada table menujukan bahwa nilai minimum
(terendah) Belanja modal sebesar 11.10, nilai maksimum (tertinggi) 14.41 dan rata-rata (mean)
sebesar 12.4011 serta standar deviasi sebesar 0.45662.

Rasio efektifitas
 Hasil pengujian statistic deskriptif pada table \ menujukan bahwa nilai minimum
(terendah) Rasio efektifitas sebesar 465951.0, nilai maksimum (tertinggi) 4409065.00 dan rata-
rata (mean) sebesar 1206210.682 serta standar deviasi sebesar 585937.4928.

Total pendapatan

Hasil pengujian statistic deskriptif pada table menujukan bahwa nilai minimum
(terendah) Total pendapatan sebesar -1.81, nilai maksimum (tertinggi) 2.06 dan rata-rata
(mean) sebesar -0.0896 serta standar deviasi sebesar 0.25108.

ASUMSI REGRESI LINEAR BERGANDA

 Normalitas variabel dependen

Tests of Normality

Kolmogorov-Smirnova Shapiro-Wilk

Statistic df Sig. Statistic df Sig.

IPM ,078 763 ,000 ,978 763 ,000

a. Lilliefors Significance Correction

1. H0 : Data tidak berdistribusi normal

H1 : Data berdistribusi normal
2. Tingkat signifikansi
α = 0,05
3. Statistik uji
Kolmogorov-Smirnov = 0.000
4. Daerah kritik
H0 ditolak jika Kolmogorov-Smirnov < α
5. Kesimpulan
Karena Kolmogorov-Smirnov = 0.000 < α = 0.05.
Maka H0 ditolak, sehingga dapat disimpulkan bahwa data dependen berdistribusi
normal.
Interpretasi :
Sebelum melakukan analisis regresi, langkah pertama yang dilakukan ialah memenuhi uji
asumsi. Uji asumsi yang pertama yaitu uji kenormalan data. Namun, untuk uji normalitas
data hanya dilakukan untuk variabel dependen. Dengan menggunakan H 0 : data berdistribusi
normal, H1 : data tidak berdistribusi normal tingkat signifikansi α sebesar 0.05, maka didapat
nilai Kolmogorov-Smirnov sebesar 0.000. H0 akan ditolak jika nilai Kolmogorov-Smirnov <
α = 0.05. Diatas sudah dilakukan ujinya, karena Kolmogorov-Smirnov = 0.000 < α = 0.05.
Maka H0 ditolak, sehingga dapat disimpulkan bahwa data dependen (data inflasi)
berdistribusi normal.

 Linearitas

Hubungan linearitas antara variabel IPM dengan Belanja Modal, Rasio Efektifitas, Total
Pendapatan memiliki hubungan linear baik positif maupun negatif yang artinya, semakin
besar nilai IPM maka nilai Belanja Modal, Rasio Efektifitas, Total Pendapatan juga
semakin besar.
Asumsi regresi linear berganda terpenuhi, maka bisa dilanjutkan dengan anlisis regresi
linear berganda
ANALISIS REGRESI LINEAR BERGANDA
 Model 1

Model Summaryb

Adjusted R Std. Error of the

Model R R Square Square Estimate

1 ,708a ,502 ,500 3,35762

a. Predictors: (Constant), kota_kab, Rasio_efektifitas, Belanja_modal

b. Dependent Variable: IPM

ANOVAa
Model Sum of Squares df Mean Square F Sig.

1 Regression 8621,429 3 2873,810 254,915 ,000b

Residual 8556,657 759 11,274

Total 17178,087 762

a. Dependent Variable: IPM

b. Predictors: (Constant), kota_kab, Rasio_efektifitas, Belanja_modal

- Uji Overall
1. Hipotesis
H0 : βi = 0, i = 0,1,2,3,4 (model tidak layak pakai)
H1 : βi ≠ 0, i = 0,1,2,3,4 (model layak pakai)
2. Tingkat Signifikansi
α = 0.05
3. Statistik Uji
P-Value = 0.000
4. Daerah Kritik
H0 ditolak jika P-value < α
5. Kesimpulan
Karena P-value = 0.000 < α = 0.05.
Maka H0 ditolak, sehingga disimpulkan model layak pakai.
Interpretasi:
Karena data sudah berdistribusi normal dan diuji linearitasnya, maka dilanjutkan dengan
 uji overall. Uji overall dilakukan untuk mengetahui apakah model layak digunakan atau
tidak. Berdasarkan uji diatas, dengan H0 model tidak layak pakai dan H1 model layak
pakai serta tingkat signifikansi α sebesar 0.05, maka didapat P-Value sebesar 0.000. H 0
akan ditolak jika P-Value < α. Diatas sudah dilakukan ujinya, maka didapat kesimpulan
bahwa model layak digunakan sehingga dilanjutkan dengan uji parsial.

Coefficientsa

Standardized
Unstandardized Coefficients Coefficients

Model B Std. Error Beta t Sig.

1 (Constant) 85,326 4,613 18,496 ,000

Belanja_modal -1,732 ,392 -,167 -4,422 ,000

Rasio_efektifitas 3,289E-6 ,000 ,406 10,892 ,000

kota_kab 7,461 ,301 ,644 24,761 ,000

a. Dependent Variable: IPM

- Uji Parsial
1. Hipotesis
H0 : βi = 0 (Variabel tidak signifikan)
H1 : βi ≠ 0 (Variabel signifikan)
2. Tingkat Signifikansi
α = 0.05
3. Daerah Kritik
H0 ditolak jika P-value < α
4. Statistik Uji dan Kesimpulan
Variabel p-value Kesimpulan

C Konstan signifikan
0.000
Belanja Modal Koefsien signifikan
0.000
Rasio Efektifitas Koefsien signifikan
0.000
Kota Kabupaten Koefsien signifikan
0.000
 Interpretasi:
Uji parsial untuk koefisien ini dilakukan untuk mengetahui apakah koefisien signifikan
atau tidak. Setalah dilakukan ujinya diatas, dengan H 0 koefisien tidak signifikan dan H 1
koefisien signifikan serta tingkat signifikansi α sebesar 0.05, maka disimpulkan bahwa
semua koefisien signifikan karena P-Value yang dihasilkan kurang dari dari α. Dengan
itu, model 1 merupakan model regresi yang semua koefisien didalamnya signifikan
masuk model.

 Model 2

ANOVAa

Model Sum of Squares df Mean Square F Sig.

1 Regression 8847,410 4 2211,853 201,254 ,000b

Residual 8330,677 758 10,990

Total 17178,087 762

a. Dependent Variable: IPM

b. Predictors: (Constant), Total_pendapatan, kota_kab, Rasio_efektifitas, Belanja_modal

ANOVAa

Model Sum of Squares df Mean Square F Sig.

1 Regression 8847,410 4 2211,853 201,254 ,000b

Residual 8330,677 758 10,990

Total 17178,087 762

a. Dependent Variable: IPM

b. Predictors: (Constant), Total_pendapatan, kota_kab, Rasio_efektifitas, Belanja_modal

- Uji Overall
1. Hipotesis
H0 : βi = 0, i = 0,1,2,3,4 (model tidak layak pakai)
H1 : βi ≠ 0, i = 0,1,2,3,4 (model layak pakai)
2. Tingkat Signifikansi
α = 0.05
3. Statistik Uji
 P-Value = 0.000
4. Daerah Kritik
H0 ditolak jika P-value < α
5. Kesimpulan
Karena P-value = 0.000 < α = 0.05.
Maka H0 ditolak, sehingga disimpulkan model layak pakai.
Interpretasi:
Karena data sudah berdistribusi normal dan diuji linearitasnya, maka dilanjutkan dengan
uji overall. Uji overall dilakukan untuk mengetahui apakah model layak digunakan atau
tidak. Berdasarkan uji diatas, dengan H0 model tidak layak pakai dan H1 model layak
pakai serta tingkat signifikansi α sebesar 0.05, maka didapat P-Value sebesar 0.000. H 0
akan ditolak jika P-Value < α. Diatas sudah dilakukan ujinya, maka didapat kesimpulan
bahwa model layak digunakan sehingga dilanjutkan dengan uji parsial.

Coefficientsa

Standardized
Unstandardized Coefficients Coefficients

Model B Std. Error Beta t Sig.

1 (Constant) 84,243 4,561 18,470 ,000

Belanja_modal -1,635 ,387 -,157 -4,222 ,000

Rasio_efektifitas 3,336E-6 ,000 ,412 11,182 ,000

kota_kab 7,556 ,298 ,653 25,334 ,000

Total_pendapatan 2,188 ,483 ,116 4,535 ,000

a. Dependent Variable: IPM

- Uji Parsial
1. Hipotesis
H0 : βi = 0 (Variabel tidak signifikan)
H1 : βi ≠ 0 (Variabel signifikan)
2. Tingkat Signifikansi
α = 0.05
3. Daerah Kritik
 H0 ditolak jika P-value < α
4. Statistik Uji dan Kesimpulan
Variabel p-value Kesimpulan

C Konstan signifikan
0.000
Belanja Modal Koefsien signifikan
0.000
Rasio Efektifitas Koefsien signifikan
0.000
Kota Kabupaten Koefsien signifikan
0.000
Total Pendapatan Koefsien signifikan
0.000

Interpretasi:
Uji parsial untuk koefisien ini dilakukan untuk mengetahui apakah koefisien signifikan
atau tidak. Setalah dilakukan ujinya diatas, dengan H 0 koefisien tidak signifikan dan H 1
koefisien signifikan serta tingkat signifikansi α sebesar 0.05, maka disimpulkan bahwa
semua koefisien signifikan karena P-Value yang dihasilkan kurang dari dari α. Dengan
itu, model 2 merupakan model regresi yang semua koefisien didalamnya signifikan
masuk model.
KRITERIA MODEL TERBAIK
Untuk menentukan model mana yang terbaik dari ketiga model tersebut, dapat dilakukan
pengecekan terhadap kriteria kebaikan model dari masing-masing model tersebut, pengecekan
tersebut dapat dilihat dari tabel berikut :

Adjusted SE
Model SSR
R-square Regression

1
0.500 3.35762 8621.429
2
0.512 3.31517 8847.410
Warna kuning menunjukkan pilihan model terbaik dari masing-masing kriteria tersebut.
Maka dapat disimpukan bahwa model 2 merupakan model terbaik.
Interpretasi model terbaik
 Coefficientsa

Standardized
Unstandardized Coefficients Coefficients

Model B Std. Error Beta t Sig.

1 (Constant) 84,243 4,561 18,470 ,000

Belanja_modal -1,635 ,387 -,157 -4,222 ,000

Rasio_efektifitas 3,336E-6 ,000 ,412 11,182 ,000

kota_kab 7,556 ,298 ,653 25,334 ,000

Total_pendapatan 2,188 ,483 ,116 4,535 ,000

a. Dependent Variable: IPM

−6
IPM =84.243−1.635∗Belanja modal+ 3.336∗10 ∗Rasio efektifitas+7.556∗kotakab+ 2.188∗Total pendapatan
Setiap penambahan 1 (satu) satuan variabel Belanja modal, maka nilai variabel IPM (Y) akan
berkurang sebesar 1.635, jika variabel-variabel lain diabaikan. Setiap penambahan 1 (satu)
satuan variabel Rasio efektifitas, maka nilai variabel IPM (Y) akan bertambah sebesar
−6
3.336 x 10 , jika variabel-variabel lain diabaikan. Setiap penambahan 1 (satu) satuan variabel
Kota Kab, maka nilai variabel IPM (Y) akan bertambah sebesar 7.556 , jika variabel-variabel
lain diabaikan. Setiap penambahan 1 (satu) satuan variabel Total pendapatan, maka nilai variabel
IPM (Y) akan bertambah sebesar 2.188, jika variabel-variabel lain diabaikan.

DIAGNOSTIC CHECK
 Homoskedastisitas
 Dari output scatterplot di atas diketahui bahwa data tidak berkumpul pada satu titik saja
atau bisa disebut menyebar dan tidak membentuk pola tertentu. Sehingga dapat
disimpulkan bahwa data bersifat homoskedastisitas

 Normalitas Galat/Residual
- Hipotesis
H0: residual berdistribusi normal
H1: residual tidak berdistribusi normal
- Tingkat Signifikansi
α = 0.05
- Statistik Uji
 One-Sample Kolmogorov-Smirnov Test

Unstandardized
Residual

N 763
a,b
Normal Parameters Mean ,0000000
Std. Deviation 3,30645530
Most Extreme Differences Absolute ,038
Positive ,021
Negative -,038
Test Statistic ,038
Asymp. Sig. (2-tailed) ,010c

a. Test distribution is Normal.

b. Calculated from data.
c. Lilliefors Significance Correction.

P-value = 0.010
- Daerah Kritik
H0 ditolak jika P-value < α
- Kesimpulan
Karena P-value = 0.010 < α = 0,05 maka H 0 ditolak. Jadi dapat disimpulkan bahwa
residual tidak berdistribusi normal. Sehingga dilakukan penanganan untuk normalitas
galat
Penanganan normalitas galat
Yaitu dengan cara transformasi akar residual, yang didapatkan output sebagai berikut
- Hipotesis
H0: residual berdistribusi normal
H1: residual tidak berdistribusi normal
- Tingkat Signifikansi
α = 0.05
- Statistik Uji
One-Sample Kolmogorov-Smirnov Test

transformasi

N 395
a,b
Normal Parameters Mean 1,4512
Std. Deviation ,62077
Most Extreme Differences Absolute ,036
Positive ,036
Negative -,035
Test Statistic ,036
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.

P-value = 0.200
- Daerah Kritik
H0 ditolak jika P-value < α
- Kesimpulan
Karena P-value = 0.200 > α = 0,05 maka H0 tidak ditolak. Jadi dapat disimpulkan bahwa
residual berdistribusi normal.

Interpretasi:
Uji ini dilakukan untuk mengetahui apakah residual berdistribusi normal atau tidak. Pada
uji ini, terdapat 2 hipotesis, yaitu residual berdistribusi normal, sebagai hipotesis utama
(H0), dan residual tidak berdistribusi normal, sebagai hipotesis alternatif (H 1). Digunakan
alpha (α) sebesar 0.05 pada tingkat signifikansi. Hipotesis utama (H 0) akan ditolak jika
nilai p-value lebih kecil dari nilai α. Dari output yang dihasilkan, kita perhatikan p-value
(Probability). Diperoleh p-value = 0.200. Nilai p-value lebih besar dari α, sehingga H 0
tidak ditolak, maka dapat disimpulkan bahwa residual berdistribusi normal. Maka
asumsi galat berdistribusi normal terpenuhi.
 No Multikolinearitas
 Suatu variabel prediktor dikatakan memiliki multikolinearitas jika nilai VIF yang
dihasilkan > 10 dan TOL < 0.1.
Didapatkan nilai VIF dan TOL sebagai berikut:

Variabel VIF TOL

Belanja Modal 2.169 0.461

Rasio Efektifitas 2.119 0.472
Kota Kabupaten 1.037 0.964
Total Pendapatan 1.018 0.983
Dari tabel di atas dapat dilihat bahwa tidak terdapat prediktor dengan nilai VIF > 10 dan TOL
< 0.1. Sehingga dapat diketahui bahwa tidak terdapat multikolinearitas antar variabel.
 No Autokorelasi

Model Summaryb

Adjusted R Std. Error of the

Model R R Square Square Estimate Durbin-Watson

1 ,718a ,515 ,512 3,31517 1,440

a. Predictors: (Constant), Total_pendapatan, kota_kab, Rasio_efektifitas, Belanja_modal

b. Dependent Variable: IPM

Diketahui bahwa:
n = banyak sampel = 763
k = banyak prediktor di model terbaik = 4
Aturan keputusan Uji Durbin Watson
H0 Keputusan Jika H0 ada pada kesimpulan
Tidak ada autokorelasi (+) Menolak H0 0≤d≤dL Autokorelasi (+)
 Tidak ada autokorelasi (+) Tidak ada keputusan dL≤d≤dU -
Tidak ada autokorelasi (+)
Tidak menolak H0 dU≤d≤4-dU No autokorelasi
maupun (-)
Tidak ada autokorelasi (-) Menolak H0 4-dL≤d≤4 Autokorelasi (-)
Tidak ada autokorelasi (-) Tidak ada keputusan 4-dU≤d≤4-dL -

(1)
(2) (3) (5) (4)
D = 1.440

dU763,4 =
0 dL763,4= 1.8720 2 4 – dU763,4 = 2.1120 4 – dL763,4 = 2.1280 4
1.8880

Nilai Durbin Watson berada di daerah 1, diperoleh kesimpulan terdapat autokorelasi.

Maka dilakukan penanganan untuk menghilangkan autokorelasi.
Penanganan autokorelasi
Untuk menangani masalah autokorelasi digunakan uji iterasi Cochrane Orcutt, berikut
merupakan hasil dari iterasi saat β=032

Model Summaryc,d

Adjusted R Std. Error of the

b
Model R R Square Square Estimate Durbin-Watson

1 ,997a ,994 ,994 3,76990 2,026

a. Predictors: lagx44, lagx33, lagx22, lagx11

b. For regression through the origin (the no-intercept model), R Square measures the
proportion of the variability in the dependent variable about the origin explained by
regression. This CANNOT be compared to R Square for models which include an intercept.
c. Dependent Variable: lagyy
d. Linear Regression through the Origin

(3)
(1) (2) (5) (4)
D = 2.026

dU763,4 =
0 dL763,4= 1.8720 2 4 – dU763,4 = 2.1120 4 – dL763,4 = 2.1280 4
1.8880
Nilai Durbin Watson berada di daerah 3, diperoleh kesimpulan bahwa tidak terdapat
autokorelasi.
Dengan begini semua asumsi regresi klasik terpenuhi.
Kesimpulan
Pada analisis regresi didapat model terbaik
−6
IPM =84.243−1.635∗Belanja modal+ 3.336∗10 ∗Rasio efektifitas+7.556∗kotakab+ 2.188∗Total penda
Selanjutnya model terbaik digunakan untuk analisis selanjutnya, yaitu diagnostic check.
Setelah dilakukan analisis diperoleh bahwa model tersebut memenuhi asumsi
homoskedastisitas dan no multikolinearitas, akan tetapi asumsi normalitas galat tidak
terpenuhi. Sehingga dilakukan penanganan terhadap kasus normalitas galat dengan
menggunakan transformasi akar kuadrat, sehingga asumsi normalitas galat terpenuhi.
Kemudian untuk menangani asumsi no autokorelasi menggunakan Uji Iterasi Cochrane
Orcutt, sehingga asumsi no autokorelasi terpenuhi.
Model tersebut sudah tidak mengandung multikolinearitas, memenuhi asumsi no
autokorelasi, serta memenuhi asumsi heteroskedastisitas dan normalitas.