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.
Descriptive Statistics
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.
Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
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
ANOVAa
Model Sum of Squares df Mean Square F Sig.
- 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
- 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
ANOVAa
- 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
- 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
−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
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
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:
Model Summaryb
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
Model Summaryc,d
(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.