BAB III METODE PENELITIAN
E. Metode Analisis Data
Alat analisis statistik yang digunakan dalam penelitian ini adalah regresi sederhana dan berganda (multiple regression). Regresi sederhana dilakukan tanpa
lag maupun dengan lag 1 tahun sampai 3 tahun. Regresi berganda digunakan untuk melihat pengaruh seluruh variabel independen yang ada (DAU dan PAD) terhadap belanja daerah secara bersama. Data diolah dengan bantuan software
SPSS (Statistical Product and Service Sollution) version 11.5 for Windows. Model regresi dalam penelitian ini adalah sebagai berikut.
Untuk menjawab Hipotesis 1a sampai dengan 1d
Belanja Daerah = a + b Dana Alokasi Umum + ε
Untuk menjawab Hipotesis 2a sampai dengan 2d
Belanja Daerah = a + b Pendapatan Asli Daerah + ε
Untuk menjawab Hipotesis 3
Belanja Daerah = a + b Dana Alokasi Umum + c Pendapatan Asli Daerah + ε
Model penelitian untuk melihat pengaruh Dana Alokasi Umum terhadap belanja daerah dapat digambarkan sebagai berikut.
Gambar 1
Model Penelitian Pengujian Hipotesis Pengaruh DAU terhadap Belanja Daerah
Model penelitian untuk melihat pengaruh Pendapatan Asli Daerah terhadap belanja daerah dapat digambarkan sebagai berikut.
Gambar 2
Model Penelitian Pengujian Pengaruh PAD terhadap Belanja Daerah
Model penelitian untuk melihat pengaruh Dana Alokasi Umum dan Pendapatan Asli Daerah terhadap belanja daerah dapat digambarkan sebagai berikut.
Gambar 3
Model Penelitian Pengujian Hipotesis Pengaruh DAU lebih besar daripada pengaruh PAD terhadap Belanja Daerah
Tahap analisis data adalah sebagai berikut ini. 1. Analisis Deskriptif Statistik
Penggambaran data untuk mengetahui N (banyaknya data yang diolah), nilai minimum dan maksimum data, nilai tengah atau rerata, dan deviasi standar masing-masing variable penelitian.
Belanja Daerah
Pendapatan asli Daerah Dana Alokasi Umum
Belanja Daerah Pendapatan asli Daerah
2. Uji Asumsi Klasik a. Uji Normalitas
Uji Normalitas (Ghozali, 2006: 110) bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal. Seperti diketahui bahwa uji t dan F mengasumsikan bahwa nilai residual mengikuti distribusi normal. Kalau asumsi ini dilanggar maka uji statistik menjadi tidak valid untuk jumlah sampel kecil. Ada dua cara untuk mendeteksi apakah residual berdistribusi normal atau tidak, yaitu dengan analisis sebagai berikut.
i. Analisis grafik.
Dilakukan dengan cara melihat grafik histogram yang membandingkan antara data observasi dengan distribusi yang mendekati distribusi normal. Cara lain untuk uji normalitas dengan analisis grafik adalah dengan melihat normal probability plot yang membandingkan distribusi kumulatif dari distribusi normal. Dasar pengambilan keputusan adalah sebagai berikut.
• Jika data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal atau grafik histogramnya menunjukkan pola distribusi normal, maka model regresi memenuhi asumsi normalitas.
• Jika data menyebar jauh dari diagonal dan atau tidak mengikuti arah garis diagonal atau grafik histogramnya tidak menunjukkan
pola distribusi normal, maka model regresi tidak memenuhi asumsi normalitas.
ii. Analisis statistik
Menurut Ghozali (2006: 112), uji normalitas dengan grafik dapat menyesatkan kalau tidak hati-hati secara visual kelihatan normal, padahal secara statistik bisa sebaliknya. Maka perlu didukung dengan adanya uji statistik sederhana dengan cara melihat nilai kurtosis dan skewness dari residual ataupun dengan menggunakan uji Kolmogorov-Smirnov. Data dikatakan berdistribusi normal apabila kurtosis dan skewness mendekati nol. Dalam uji Kolmogorov-Smirnov, data dikatakan berdistribusi normal apabila lebih besar daripada angka signifikansi 0,05 begitu pula sebaliknya.
b. Uji Multikolonieritas
Uji Multikolonieritas (Ghozali, 2006: 91) bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas (independen). Model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel independen. Jika variabel independen saling berkorelasi, maka variabel-variabel ini tidak ortogonal. Variabel ortogonal adalah variabel independen yang nilai korelasi antar sesama variabel independen sama dengan nol. Cara untuk mendeteksi ada atau tidaknya multikolinieritas di dalam model regresi adalah sebagai berikut ini.
i. Nilai R2 yang dihasilkan oleh suatu estimasi model regresi empiris sangat tinggi, tetapi secara individual variabel-variabel independen banyak yang tidak signifikan mempengaruhi variabel dependen.
ii. Menganalisis matrik korelasi variabel-variabel independent. Jika antar variabel independen ada korelasi yang cukup tinggi (umumnya di atas 0.90), maka hal ini merupakan indikasi adanya multikolinieritas. Tidak adanya korelasi yang tinggi antar variabel independen tidak berarti bebas dari multikolinieritas. Multikolinieritas dapat disebabkan karena adanya efek kombinasi dua atau lebih variabel independen.
iii. Multikolinieritas dapat juga dilihat dari hal-hal berikut ini. • Nilai tolerance dan lawannya.
• Variance inflation factor (VIF)
Nilai cutoff yang umum dipakai untuk menunjukkan adanya multikolinieritas adalah nilai tolerance < 0.10. atau sama dengan nilai VIF > 10.
c. Uji Autokorelasi
Uji autokorelasi (Ghozali, 2006: 95) bertujuan menguji apakah dalam model regresi liniear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 (sebelumnya). Jika terjadi korelasi, maka dinamakan ada problem autokorelasi. Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lainnya. Masalah ini timbul karena residual (kesalahan pengganggu) tidak bebas dari suatu observasi ke observasi lainnya. Untuk
mendeteksi ada tidaknya autokorelasi dapat digunakan uji Runs-Test. Dalam uji Runs-Test data dikatakan bebas autokorelasi kalau signifikansinya lebih dari 0.05.
d. Uji Heteroskedastisitas
Uji Heteroskedastisitas (Ghozali, 2006: 105) bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan varian dari residual satu pengamatan ke pengamatan yang lain. Jika varian dari residual satu pengamatan ke pengamatan lain berbeda maka disebut Heteroskedastisitas. Model regresi yang baik adalah tidak terjadi Heteroskesdatisitas. Terjadi tidaknya heteroskedastisitas dapat dilihat dari grafik scatterplot. Dasar pengambilan keputusan adalah sebagai berikut.
• Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur (bergelombang, melebar kemudian menyempit), maka mengindikasikan telah terjadi heteroskedastisitas.
• Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.
