BAB III METODE PENELITIAN
3.7 Metode Analisis Data
Penelitian ini menggunakan metode analisis data dengan menggunakan model analisis regresi linear berganda dengan bantuan software SPSS versi 18.0. Sebelum data dianalisis, peneliti terlebih dahulu melakukan uji asumsi klasik sebelum melakukan pengujian hipotesis.
3.7.1 Pengujian Asumsi Klasik
Menurut Situmorang dan Lufti (2012 : 100), uji asumsi klasik adalah persyaratan statistik yang harus dipenuhi pada analisis regresi linear berganda yang berbasis ordinary least square (OLS). Asumsi klasik tersebut antara lain
kebutuhan daerah dalam rangka pelaksanaan desentralisasi. Kusnandar (2012 ). (DAU) Tahun 2009 - 2013. DAK (X4)
DAK adalah Dana yang bersumber dari pendapatan APBN yang dialokasikan ke daerah tertentu untuk membantu mendanai kegiatan khusus yang merupakan urusan daerah dan bagian dari program yang menjadi prioritas nasional. Nordiawan, et al (2007 : 58) Total Penerimaan Dana Alokasi Khusus (DAK) Tahun 2009 - 2013. Rasio SiLPA (X5)
SiLPA adalah penerimaan daerah yang bersumber dari sisa kas tahun anggaran sebelumnya. tahun sebelumnya merupakan penerimaan pembiayaan yang digunakan untuk menutupi defisit anggaran apabila realisasi pendapatan lebih kecil daripada realisasi belanja, mendanai pelaksanaan kegiatan lanjutan atas beban belanja langsung dan mendanai kewajiban lainnya yang sampai dengan akhir tahun anggaran belum diselesaikan. Abdullah (2013)
Total Penerimaan SiLPA Tahun Ajaran Sebelumnya. Rasio
uji normalitas, uji multikolinieritas, uji heterokedastisitas dan uji autokorelasi. Secara teoritis model OLS akan menghasilkan estimasi nilai parameter model penduga yang sahih bila dipenuhi asumsi normalitas, tidak ada multikolinearitas, tidak ada heteroskedastisitas dan tidak ada autokorelasi.
3.7.1.1 Uji Normalitas
Uji normalitas bertujuan untuk mengetahui apakah dalam model regresi variabel penganggu atau residual memiliki distribusi normal (Erlina 2011 : 101). Melalui uji ini diharapkan didapatnya kepastian dipenuhinya syarat normalitas yang akan menjamin dapat dipertanggungjawabkannya langkah - langkah analisis statistik sehingga kesimpulan yang diambil dapat dipertanggungjawabkan. Uji normalitas dalam penelitian ini dilakukan dengan menguji Kolmogorov-Smirnov, dimana apabila nilai signifikan atau probabilitas > 0,05 maka distribusi data tersebut normal. Selain itu kita juga akan melihat grafik histogram dan grafik PP.Plots dari data yang dimaksud untuk menguji kenormalan data. Apabila data terdistribusi tidak normal, maka akan dilakukan transformasi agar data normal. Ada dua cara untuk mendeteksi apakah residual berdistribusi normal atau tidak yaitu dengan analisis grafik dan uji analisis statistik.
1. Analisis Grafik.
Pada prinsipnya normalitas dapat dideteksi dengan melihat penyebaran data (titik) pada sumbu diagonal dari grafik atau
dengan melihat histogram dari residualnya. Dasar dalam pengambilan kesimpulan sebagaimana dikemukakan oleh Ghozali (2005 : 149):
a. Jika data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal atau grafik histogramnya menunjukkan pola distribusi normal, maka model regresi memenuhi asumsi normalitas. b. Jika data menyebar menjauh dari diagonal dan atau
tidak mengikuti arah garis diagonal atau garis histogram tidak menunjukkan pola pada distribusi normal, maka model regresi tidak memenuhi asumsi normalitas.
2. Analisis Statistik ( uji One Sample Kolmogorof Smirnof ). Uji normalitas dengan grafik dapat menyesatkan kalau tidak hati - hati, secara visual kelihatan normal padahal secara statistik bisa saja sebaliknya. Ghozali (2006 : 149). Oleh sebab itu, dianjurkan disamping uji grafik dilengkapi juga dengan uji statistik. Uji statistik ini dapat digunakan melalui uji statistik kolmogorov-smirnov (K-S). Pedoman untuk pengambilan keputusan didasarkan sebagaimana diungkapkan Ghozali (2006 : 151) “Apabila nilai signifikan atau nilai probabilitas > 0,05, maka distribusi data normal. Apabila nilai signifikan atau probabilitas < 0,05 maka distribusi data tidak normal”.
3.7.1.2 Uji Multikolinieritas
Uji multikolinieritas berhubungan dengan adanya korelasi antara variabel independen. Sebuah persamaan regresi dikatakan baik bila persamaan tersebut memiliki variabel independen yang saling tidak berkorelasi. Semakin rendah korelasi antar variabel independen maka persamaan tersebut akan semakin baik. Uji ini harus dilakukan bila kita ingin mendapatkan hasil yang baik dan menggunakan persamaan regresi tersebut sebagai penduga (estimator) (Erlina 2011 : 103).
Pengambilan keputusan multikolinearitas dilakukan dengan melihat:
1. VIF atau CI > 10 maka diduga mempunyai persoalan multikolonieritas.
2. VIF atau CI < 10 maka tidak terdapat persoalan multikolonieritas.
3. Tolerance < 0,1 maka diduga mempunyai persoalan multikolonieritas.
4. Tolerance > 0,1 maka tidak terdapat persoalan multikolonieritas.
3.7.1.3 Uji Heteroskedastisitas
Uji heterokedastisitas bertujuan untuk menguji apakah dalam model regresi tidak terjadi kesamaan regresi terjadi ketidaksamaan varian dari residual suatu pengamatan ke pengamatan lain (Erlina 2011 : 106), Jika varian dari residual suatu pengamatan ke pengamatan lainnya tetap maka disebut homokedastisitas dan jika berbeda maka disebut heteroskedastisitas. Model regresi yang baik adalah regresi yang bebas dari heteroskedastisitas.
3.7.1.4 Uji Autokorelasi
Uji Autokorelasi bertujuan untuk menguji apakah dalam model regresi linear ada korelasi antar kesalahan pengganggu pada periode saat ini dengan kesalahan pengganggu pada periode sebelumnya (Erlina, 2011 : 107), Autokorelasi sering terjadi pada sampel dengan data time series. Run test digunakan untuk menguji ada tidaknya gejala autokorelasi pada penelitian yang dilakukan. Hasil output SPSS dengan model probabilitas signifikansi dibawah 0,05 menyimpulkan terdapat gejala autokorelasi pada model regresi yang digunakan (Ghozali, 2005:108).
Pengambilan keputusan ada tidaknya autokorelasi dengan cara melihat besaran durbin-watson (D-W) sebagai berikut:
1. Angka D-W dibawah -2, berarti ada autokorelasi positif. 2. Angka D-W diantara -2 sampai +2 berarti tidak ada
autokorelasi.
3. Angka D-W diatas +2, berarti ada autokorelasi negatif. Jika asumsi telah terpenuhi dapat dilakukan model persamaan linear berganda dari data yang tersedia.
3.7.2 Persamaan Regresi Linear Berganda
Metode ini merupakan metode pengamatan yang memiliki banyak data yang terjadi sebagai akibat lebih dari dua variabel disebut X1, X2, X3, dan seterusnya yang dapat mempengaruhi hasil pengamatan dari variabel terikat
yang disebut Y (Sudjana, 2005 : 347). Hubungan fungsional antara variabel terikat dan variabel bebas dibuat sebagai berikut:
Dimana :
Y = Variabel Dependen
= Konstanta
= Koefisien regresi berganda
X = Variabel Independen
e = Variabel pengganggu (error)
Jika e diasumsikan = 0, maka diperoleh persamaan regresi linear berganda dari suatu populasi sebagai berikut:
̂
Sedangkan persamaan linear berganda untuk sampel, satu variabel dependen dan lima variabel independen dapat dinyatakan sebagai berikut:
̂ + + Dimana:
̂ = Belanja Modal (BM)
= Konstanta
b = Koefisien regresi berganda X = Pendapatan Asli Daerah (PAD) X2 = Dana Bagi Hasil (DBH)
X4 = Dana Alokasi Khusus (DAK)
X5 = Sisa Lebih Pembiayaan Anggaran (SiLPA)
3.7.3 Koefisien Determinasi
Koefisien determinasi ( pada intinya mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel dependen. Nilai koefisien determinasi adalah antara nol dan satu. Nilai yang mendekati satu berarti variable - variabel independen memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen. Kelemahan mendasar dari penggunaan koefisien determinasi adalah bias terhadap jumlah variabel independen yang dimasukkan kedalam model. Setiap tambahan satu variabel independen, maka pasti meningkat tidak peduli apakah variabel tersebut berpengaruh secara signifikan terhadap variabel dependen. Oleh karena itu banyak peneliti menganjurkan untuk menggunakan nilai Adjusted
pada saat mengevaluasi mana model regresi terbaik. Secara matematis jika nilai =1, maka Adjusted sedangkan jika nilai , maka Adjusted
jika k > 1, maka adjusted akan bernilai negatif. Nilai R Square dikatakan baik jika di atas 0,5 karena nilai R Square berkisar antara 0 sampai 1. Pada umumnya sampel dengan data Time Series memiliki R Square maupun Adjusted R Square cukup tinggi atau > 0,5. Sedangkan sampel dengan data silang (Crossection) pada umumnya memiliki RSquare Square maupun AdjustedR Square agak rendah yaitu < 0,5, namun
tidak menutup kemungkinan nilai R Square maupun AdjustedR Square cukup tinggi.
3.7.4 Pengujian Hipotesis
Mengingat dalam banyak penelitian sering ingin mengetahui apakah antara dua variabel terdapat hubungan yang independen atau tidak, maka kita perlu melakukan uji independensi. Secara statistik, setidaknya ini dapat diukur dengan pengujian hipotesis parsial (uji signifikan T ) dan pengujian hipotesis simultan (uji signifikan F).
3.7.4.1 Pengujian Hipotesis Parsial (Uji Signifikan T)
Uji signifikan T digunakan untuk membuktikan apakah variabel independen secara parsial mempengaruhi variabel dependen. Untuk mengetahui apakah Pendapatan Asli Daerah, Dana Bagi Hasil, Dana Alokasi Umum, Dana Alokasi Khusus, dan Sisa Lebih Pembiayaan Anggaran secara parsial berpengaruh signifikan terhadap Belanja Modal pada Kabupaten/Kota di Provinsi Sumatera Utara pada periode tahun 2009 - 2013. Menurut Sudjana (2012 : 227), “ untuk menguji
apakah hipotesis yang diajukan diterima atau ditolak digunakan uji t”.
Jika t hitung < t tabel, maka Ho diterima dan Ha ditolak, sedangkan jika t hitung > t tabel, maka Ho ditolak dan Ha diterima. Jika tingkat signifikan dibawah 0,05 maka Ho ditolak dan Ha diterima.
3.7.4.2 Pengujian Hipotesis Simultan (Uji Signifikan F)
Uji signifikan F digunakan untuk membuktikan apakah variabel independen secara simultan mempengaruhi variabel dependen. Untuk mengetahui apakah Pendapatan Asli Daerah, Dana Bagi Hasil, Dana Alokasi Umum, Dana Alokasi Khusus, dan Sisa Lebih Pembiayaan anggaran secara bersamaan (simultan) berpengaruh signifikan terhadap Belanja Modal pada Kabupaten/Kota di Provinsi Sumatera Utara pada periode tahun 2009 - 2013. Menurut Sudjana (2012 : 249), “ untuk menguji apakah hipotesis yang diajukan diterima atau ditolak
digunakan uji F”. Jika f hitung < f tabel, maka Ho diterima dan Ha ditolak, sedangkan jika f hitung > f tabel, maka Ho ditolak dan Ha diterima. Jika tingkat signifikan dibawah 0,05 maka Ho ditolak dan Ha diterima.