• Tidak ada hasil yang ditemukan

HASIL DAN PEMBAHASAN A. Gambaran Umum Objek Penelitian

B. Temuan Hasil Penelitian

2. Hasil Uji Asumsi Klasik

Pada proses proses uji asumsi klasik dilakukan dengan beberapa proses transform data. Jika uji asumsi klasik tidak terpenuhi, hal tersebut akan menyebabkan bias pada hasil penelitian. Uji asumsi klasik yang akan diuji adalah Uji Normalitas, Uji Multikolinearitas, Uji Heterokedastisitas, dan Uji Autokorelasi. a. Uji Normalitas

Uji normalitas dilakukan untuk mengetahui apakah data suatu penelitian terdistribusi normal. Model regresi akan dikatakan baik apabila datanya berdistribusi normal atau mendekati normal. Uji normalitas dalam penelitian ini dilakukan dengan menggunakan uji One Sample Kolmogorov

Smirnov (K-S), grafik histogram, dan normal Probability (P-P) Plot. Berikut ini adalah hasil uji One Sample Kolmogorov Smirnov (K-S).

57 Tabel 4.3

Hasil Uji One Sample Kolmogorov Smirnov (K-S)

Sumber: Output PLS yang diolah

Berdasarkan tabel 4.3 di atas dapat dilihat bahwa hasil uji One

Sample Kolmogorov Smirnov (K-S) diketahui nilai Asymp. Sig.

(2-tailed) sebesar 0,200. Nilai tersebut lebih besar dari nilai signifikannya yaitu sebesar 0,05. Maka dari itu, dapat disimpulkan bahwa data penelitian ini berdistribusi normal.

Adapun uji normalitas yang dilakukan melalui analisis grafik

Normal Probability (P-P) Plot dan Histogram, melalui grafik-grafik

tersebut akan terlihat penyebaran titik-titik data pada sumbu diagonal grafik Normal Probability (P-P) Plot serta pada grafik kurva yang ada pada Histogram. Jika titik data menyebar di sekitar garis diagonal dan kurva mengikuti arah garis diagonal dan kurva, maka hal tersebut menunjukkan bahwa pola data terdistribusi normal. Berikut adalah hasil uji Histogram.

One-Sample Kolmogorov-Smirnov Test

Unstandardized Residual

N 136

Normal Parametersa,b Mean .0000000

Std. Deviation 12.67511277

Most Extreme Differences Absolute .053

Positive .053

Negative -.038

Test Statistic .053

Asymp. Sig. (2-tailed) .200c,d

a. Test distribution is Normal. b. Calculated from data.

c. Lilliefors Significance Correction.

58 Gambar 4.1

Hasil Uji Grafik Histogram

Sumber: Output SPSS yang diolah

Pada gambar 4.1 di atas dapat dilihat bahwa grafik histogram menggambarkan bentuk yang simetris, maka grafik pada penelitian ini merupakan data yang terdistribusi normal. Selain grafik histogram. Berikut adalah grafik Normal Probability (P-P) Plot.

Gambar 4.2

59 Pada gambar 4.2 di atas, dapat dilihat bahwa titik-titik menyebar dan berhimpit di sekitar garis diagonal. Hal tersebut menunjukkan hasil bahwa grafik Normal Probability (P-P) Plot di atas data terdistribusi normal.

b. Hasil Uji Multikolinearitas

Uji multikolinearitas dilakukan untuk menguji model regresi apakah ditemukan adanya korelasi antar variabel bebas (independen). Metode yang digunakan untuk mendeteksi uji multikolinearitas antar variabel bebas (independen) adalah dengan menggunakan Variance Inflation Factor (VIF) dan Tolerance. Multikolinearitas terjadi apabila nilai Tolerance < 0,10 dan nilai VIF > 10, hal tersebut menunjukkan bahwa tidak terdapat adanya gejala multikolinearitas. Berikut ini adalah hasil uji multikolinearitas.

Tabel 4.4

Hasil Uji Multikolinearitas

Sumber: Output SPSS yang diolah

Berdasarkan 4.4 di atas hasil uji multikolinearitas pada setiap variabel bebas (independen) yang digunakan pada penelitian ini yaitu Ukuran Daerah, Pajak Daerah, dan Belanja Modal terhadap variabel dependen yaitu Kinerja Keuangan Pemerintah Daerah menunjukkan nilai Tolerance > 0,10 dan nilai VIF < 10. Hal ini

Coefficientsa Model Collinearity Statistics Tolerance VIF 1 Ukuran Daerah .974 1.027 Pajak Daerah .931 1.074 Belanja Modal .909 1.101

60 menunjukkan bahwa tidak ada gejala multikolinearitas dalam kedua model regresi.

c. Hasil Uji Autokorelasi

Uji autokorelasi dilakukan untuk melihat apakah dalam model regresi linear terdapat adanya korelasi antar periode waktu yang saling berhubungan. Penelitian ini menggunakan statistic Durbin Watson untuk menuji autokorelasi. Berikut hasil uji autokorelasi Durbin Watson.

Tabel 4.5.

Hasil Uji Autokorelasi Durbin Watson

Sumber: Output SPSS yang diolah

Berdasarkan tabel di atas, dapat dilihat bahwa nilai uji autokorelasi dengan menggunakan Durbin Watson sebesar 1,906. Hasil tersebut dibandingkan dengan nilai tabel signifikansi sebesar 5%, dengan jumlah sampel sebanyak 136 (n=136), dan jumlah variabel independen sebanyak 3 variabel yakni Ukuran Daerah, Pajak Daerah, dan Belanja Modal (k=4). Suatu model akan dikatakan bebas dari autokorelasi jika nilai DW masuk dalam kriteria DU < DW < 4-DU.

a. Hasil Uji Heteroskedastisitas

Uji heteroskedastisitas dilakukan dengan tujuan untuk menguji gejala heteroskedastisitas yang menunjukkan apakah terdapat ketidakseragaman di antara varian dari residual satu pengamatan ke pengamatan lain. Dalam penelitian ini, uji heteroskedastisitas

Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .320a .103 .082 12.81833892 1.906

a. Predictors: (Constant), Belanja Modal, Ukuran Daerah, Pajak Daerah b. Dependent Variable: Kinerja

61 dilakukan dengan menggunakan grafik scatterplot. Berikut hasil uji heteroskedastisitas grafik scatterplot.

Gambar 4.3

Hasil Uji Heteroskedastisitas Grafik Scatterplot

Sumber: Output SPSS yang diolah

Berdasarkan gambar 4.3 di atas, menunjukkan bahwa hasil uji heteroskedastisitas dengan menggunakan grafik scatterplot dapat dilihat bahwa tidak terdapat pola yang jelas, kemudian titik-titiknya menyebar di atas dan di bawah angka 0 pada sumbu Y. Maka hal ini menunjukkan bahwa model regresi tidak terjadi heteroskedastisitas. 3. Hasil Uji Hipotesis

a. Uji Koefisien Determinasi (R²)

Uji koefisien determinasi pada penelitian ini digunakan untuk melihat sebesarapa pengaruh variabel independen (Ukuran Daerah, Pajak Daerah, dan Belanja Modal) terhadap variabel dependen (Kinerja Keuangan Pemerintah Daerah). Berikut adalah hasil uji koefisien determinasi.

62 Tabel 4.6.

Hasil Uji Koefisien Determinasi

u

Sumber: Output SPSS yang diolah

Hasil pengujian koefisien determinasi pada tabel 4.6 di atas menunjukkan bahwa nilai Adjusted R² diperoleh sebesar 0,082. Hal ini dapat disimpulkan bahwa kinerja keuangan pemerintah daerah dapat dijelaskan oleh variabel bebasnya (independen), yakni: Ukuran Daerah, Pajak Daerah, dan Belanja Modal yang diharapkan sebesar 8,2%. Maka sisanya sebesar 91,8% ditentukan oleh variabel lain yang tidak dianalisis dalam penelitian ini. Variabel tersebut misalnya, variabel Pendapatan Asli Daerah (PAD), Belanja Daerah, dan Dana Perimbangan.

b. Uji Signifikan Simultan (Uji F)

Uji signifikan simultan (Uji F) dilakukan untuk mengetahui apakah semua variabel independen yang digunakan dalam model regresi memiliki pengaruh secara bersama-sama (simultan) terhadap variabel. Apabila nilai signifikansi < 0,05 maka Ha diterima. Untuk mengetahui hal tersebut maka dapat dilihat besaran nilai yang terdapat pada output pada bagian kolom F dan kolom sig. Berikut hasil uji signifikan simultan (uji F).

Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate 1 .320a .103 .082 12.81833892

a. Predictors: (Constant), Belanja Modal, Ukuran Daerah, Pajak Daerah b. Dependent Variable: Kinerja

63 Tabel 4.7

Hasil Uji Signifikan Simultan (Uji F)

ANOVAa

Model Sum of Squares df Mean Square F Sig.

1 Regression 2481.609 3 827.203 5.034 .002b

Residual 21688.895 132 164.310

Total 24170.504 135

a. Dependent Variable: Kinerja

b. Predictors: (Constant), Belanja Modal, Ukuran Daerah, Pajak Daerah

Sumber: Output SPSS yang diolah

Berdasarkan tabel 4.7 di atas menunjukkan bahwa nilai F hitung sebesar 5,034 dengan nilai sig sebesar 0,002. Hal ini menunjukkan bahwa nilai signifikansi < alpha (α=0,05). Maka dapat disimpulkan terdapat pengaruh yang signifikan secara simultan antara Ukuran Daerah, Pajak Daerah, dan Belanja Modal terhadap Kinerja Keuangan Pemerintah Daerah.

c. Uji Signifikan Parsial (Uji t)

Uji signifikan parsial dilakukan untuk mengetahui hubungan signifikansi dari masing-masing variabel independen terhadap variabel dependen. Uji t juga dilakukan untuk memeriksa lebih lanjut manakah diantara ketiga variabel independen (Ukuran Daerah, Pajak Daerah, dan Belanja Modal) yang berpengaruh signifikan terhadap variabel dependen (Kinerja Keuangan Pemerintah Daerah). Berikut hasil uji signifikan parsial (uji t).

64 Tabel 4.8

Hasil Uji Signifikan Parsial (Uji t)

Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) 213.945 34.431 6.214 .000 Ukuran Daerah -4.098 1.088 -.315 -3.767 .000 Pajak Daerah -.047 .087 -.046 -.541 .590 Belanja Modal -.224 .145 -.133 -1.541 .126

a. Dependent Variable: Kinerja

Sumber: Output SPSS yang diolah

Berdasarkan hasil pada tabel 4.8 di atas maka dapat disimpulkan regresi linear berganda sebagai berikut:

Kinerja = 213,945 – 4,098 Ukuran Daerah – 0,047 Pajak Daerah – 0,224 Belanja Modal

Dari model di atas dapat dilihat bahwa nilai konstanta sebesar 213,945 yang berarti: dengan adanya penambahan pada ukuran daerah, pajak daerah, dan belanja modal, maka kinerja keuangan pemerintah daerah meningkat sebesar 213,945 pada tahun 2015-2018.

Nilai koefisien Ukuran Daerah adalah sebesar -4,098 yang menunjukkan hasil negatif. Hasil ini menunjukkan bahwa ketika terjadi setiap penambahan 1% variabel ukuran daerah dengan asumsi variabel lain tetap, maka akan menurunkan kinerja keuangan daerah sebesar -4,098 pada periode 2015-2018 dengan asumsi variabel lain dalam regresi linear berganda.

Nilai koefisien Pajak Daerah adalah sebesar -0,047 yang menunjukkan hasil negatif. Hasil ini menunjukkan bahwa ketika terjadi setiap penambahan 1% variabel pajak daerah dengan asumsi

65 variabel lain tetap, maka akan menurunkan kinerja keuangan daerah sebesar -0,047 pada periode 2015-2018 dengan asumsi variabel lain dalam regresi linear berganda.

Nilai koefisien Belanja Modal adalah sebesar -0,224 yang menunjukkan hasil negatif. Hasil ini menunjukkan bahwa ketika terjadi setiap penambahan 1% variabel belanja modal dengan asumsi variabel lain tetap, maka akan menurunkan kinerja keuangan daerah sebesar -0,224 pada periode 2015-2018 dengan asumsi variabel lain dalam regresi linear berganda.

C. Pembahasan

1. Pengaruh Ukuran Daerah terhadap Kinerja Keuangan

Dokumen terkait