METODE PENELITIAN
4.6. Metode Analisis Data
Hipotesis penelitian diuji dengan menggunakan metode Ordinary Least Square (OLS). Teknik analisis data menggunakan alat bantu perangkat lunak Statistical Program for social Scien (SPSS). Data dianalisis dengan metode regresi linier berganda (Multiple Regression Analysis) dan uji residual. Regresi linier berganda adalah regresi dimana variabek terikatnya (Y) dibutuhkan/dijelaskan lebih dari satu variabel, mungkin dua, tiga, dan seterusnya variabel bebas (X1, X2, X3, …, Xn) namun masih menunjukkan diagram hubungan yang linier (Hasan, 2008). Persamaan regresi linier berganda sebagai berikut :
Log Y = a + b1 log X1 + b2 logX2 + b3 logX3 + b4 logX4 + b5 log Z + e Keterangan :
Y : Pertumbuhan Ekonomi X1 : PAD
X2 : Dana Perimbangan X3 : Belanja Daerah
Z : Konsumsi a : Konstanta
b1-b4 : Koefisien regresi linier berganda e : Error
Dan untuk menguji variabel moderating digunakan uji residual. Menurut Ghozali (2009) analisis residual menguji pengaruh deviasi (penyimpanan) dari suatu model. Ketidakcocokan (lack of fit) ditunjukkan oleh nilai residual di dalam regresi. Persamaan regresi (2) menggambarkan apakah variabel moderating bisa menjadi moderator dilihat dari nilai sig < α0,05 dan nilai koefisiennya negatif (yang berarti adanya lack of fit antara variabel independen dan variabel moderating) (Ghozali, 2009). Persamaan regresi uji residual adalah sebagai berikut :
Log Z = a + b1 log X1 + b2 logX2 + b3 logX3 + b4 log X4 + e (1)
[e] = a + b1 log Y (2)
Keterangan :
Y : Pertumbuhan Ekonomi X1 : PAD
X2 : Dana Perimbangan X3 : Belanja Daerah X4 : PMDN
Z : Konsumsi (Moderating) a : Konstanta
b1-b4 : Koefisien regresi linier berganda e : Error
4.6.1. Pengujian Asumsi Klasik
Menurut Hasan (2008), “Dalam penggunaan regresi, terdapat beberapa asumsi dasar yang dapat menghasilkan estimator linier tidak bias yang terbaik dari model regresi yang diperoleh dari metode kuadrat terkecil biasa.” Asumsi dasar ini dikenal dengan asumsi klasik. Dengan terpenuhinya asumsi klasik ini, maka hasil yang diperoleh dapat lebih akurat dan mendekati atau sama dengan kenyataan. Asumsi klasik terdiri dari :
1. Uji Linearitas
Uji ini diigunakan untuk melihat apakah spesifikasi model yang digunakan sudah benar atau tidak. Tujuan dari uji linearitas adalah unuk mengetahui apakah data yang kita miliki sesuai dengan garis linier atau tidak. Jadi peningkatan atau penurunan kuantitas disalah satu variabel akan diikuti secara linier oleh peningkatan atau penurunan kuantitas di variabel lainnya. Dasar pengambil keputusan pada uji linearitas adalah jika sig atau signifikansi pada Deviation from Linearity > 0,05 maka hubungan antar variabel adalah linear (Sarjono, 2011).
2. Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal. Seperti diketahui bahwa uji t dan F mengangsumsikan bahwa nilai residual mengikuti distribusi normal. Kalau asumsi ini dilanggar maka uji statistik menjadi tidak valid untuk jumlah sampel kecil. Untuk menguji normalitas digunakan uji statistik non-parametrik Kolmogorov-Smirnov (Ghozali, 2009). Kriteria pengujiannya adalah angka signifikansi uji Kolmogorov-Smirnov Sig > 0,05 menunjukkan data berdistribusi normal (Sarjono, 2011).
3. Uji Multikolonieritas
Uji multikolonieritas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel 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. Untuk mendeteksi ada atau tidaknya multikolonieritas di dalam model regresi dapat dilihat dari variance inflation factor (VIF) (Ghozali, 2009). Kriteria pengujiannya adalah jika nilai VIF < 10 maka tidak terjadi gejala multikolinearitas di antara variabel bebas (Sarjono, 2011).
4. Uji Autokorelasi
Uji autokorelasi bertujuan menguji apakah dalam model regresi linier ada korelasi antara 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 penganggu) tidak bebas dari satu observasi ke observasi lainnya. Hal ini sering ditemukan pada data runtun waktu (time series) karena “gangguan” pada seseorang individu/kelompok cenderung mempengaruhi “gangguan” pada individu/kelompok yang sama pada periode berikutnya. Mendeteksi autokorelasi dapat menggunakan uji Run Test. Jika nilai signifikansi Run Test ( asymp.sig) > 0,05 maka tidak terjadi gejala autokorelasi (Ghozali, 2009).
4.6.2. Pengujian Hipotesis
Secara statistik, hipotesis dapat diukur dari nilai koefisien determinasi, nilai statistic F, nilai statistik t dan nilai uji residual. Perhitungan statistik disebut signifikan apabila nilai sig < α (hipotesis diterima). Sebaliknya disebut tidak signifikan apabila nilai sig > α (hipotesis ditolak) (Ghozali, 2009). Berikut ini dijabarkan pengujian hipotesis :
1. Koefisien Determinasi (R2)
Koefisien determinasi (R2) bertujuan untuk mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel dependen. Nilai koefisien determinasi adalah antara nol dan satu. Nilai R2 yang kecil berarti kemampuan variabel-variabel independen dalam menjelaskan variabel-variabel dependen sangat terbatas. Nilai yang mendekati satu berarti variabel-variabel independen memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variabel dependen (Ghozali, 2009).
Kelemahan mendasar penggunaan koefisien determinasi adalah bias terhadap jumlah variabel independen yang dimasukkan ke dalam model. Setiap tambahan satu variabel independen, maka nilai R2 pasti meningkat tidak peduli apakah variabel tersebut berpengaruh secara signifikan terhadap variabel dependen (Ghozali, 2009).
2. Uji Statistik t
Uji statistik t pada dasarnya menunjukkan seberapa jauh pengaruh satu variable penjelas/independen secara individual (parsial) dalam menerangkan variabel dependen (Ghozali, 2009). Apabila nilai t-hitung > t-tabel dapat disimpulkan bahwa suatu variabel independen secara parsial mempengaruhi
variabel dependen. Uji t juga dapat dilihat dengan nilai signifikan, jika nilai sig setiap < α0,05 maka dapat disimpulkan variabel independen secara parsial berpengaruh signifikan terhadap variabel dependen atau hipotesis diterima (Ghozali, 2009).
3. Uji Statistik F
Uji F untuk mengetahui bagaimanakah pengaruh dari variabel independen terhadap variabel dependen bersama-sama. Uji statistik F pada dasarnya menunjukkan apakah semua variabel independen atau bebas yang dimasukkan dalam model mempunyai pengaruh secara bersama-sama terhadap variabel dependen/terikat (Ghozali, 2009). Uji ini dapat dilakukan dengan membandingkan nilai F-hitung dengan nilai F-tabel, jika nilai F-hitung > nilai F-tabel dapat dinyatakan bahwa semua variabel independen berpengaruh signifikan terhadap variabel dependen. Uji F juga dapat dilihat dengan nilai signifikan, jika nilai sig < α0,05 maka dapat disimpulkan seluruh variabel independen secara simultan berpengaruh signifikan terhadap variabel dependent (Ghozali, 2009).
4. Uji residual
Uji residual dilakukan untuk menguji variabel moderating. Jika nilai koefisien parameter variabel tersebut bernilai negatif dan nilai signifikansi (sig) <
α0,05 maka variabel tersebut adalah variabel moderating (Ghozali, 2009).