BAB III METODE PENELITIAN
3.6 Metode Analisis Data
Analisis data dalam penelitian ini dilakukan dengan melakukan uji asumsi klasik dan pengujian hipotesis.
1. Statistik Deskriptif
Statistik deskriptif memberikan gambaran atau deskripsi suatu data yang
dilihat dari nilai rata- rata (mean), standar deviasi, varian, maksimum, minimum, sum, range, kurtosis dan skewness (kemencengan distribusi).
2. Uji Asumsi Klasik
Metode analisis data yang digunakan dalam penelitian ini adalah metode analisis statistik dengan menggunakan SPSS. Pengujian regresi linier berganda dapat dilakukan setelah model dari penelitian ini memenuhi syarat-syarat yaitu lolos dari asumsi klasik. Syarat-syarat tersebut adalah harus terdistribusi secara normal, artinya bebas dari adanya gejala multikolonieritas, gejala autokorelasi, dan gejala heterokedastisitas. Untuk itu sebelum melakukan pengujian regresi linier berganda perlu dilakukan terlebih dahulu pengujian asumsi klasik. Uji asumsi klasik yang dilakukan peneliti meliputi uji normalitas, uji multikolinearitas, uji autokorelasi dan uji heteroskedastisitas.
a. Uji Normalitas
Menurut Erlina (2011),”tujuan uji normalitas adalah ingin mengetahui apakah
dalam model regresi variable pengganggu atau residual memiliki distribusi normal. Pengujian ini diperlukan karena untuk melakukan uji t dan uji F mengasumsikan bahwa nilai residual mengikuti distribusi normal. Jika asumsi ini dilanggar atau tidak
dipenuhi maka uji statistic menjadi tidak valid untuk jumlah sampel kecil. “
Ada beberapa cara untuk menguji normalitas distribusi data dengan menggunakan alat bantu SPSS yaitu:
a. Analisisi Grafik
Salah satu cara termudah untuk melihat normalitas residual adalah dengan melihat grafik histogram yang membandingkan antara data observasi dengan distribusi yang mendekati distribusi normal. Namun demikian hanya dengan melihat histogram hal ini dapat menyesatkan khususnya untuk jumlah sampel yang kecil. Metode yang lebih handal adalah dengan melihat normal probability plot yang membandingkan distribusi kumulatif dari distribusi normal. Distribusi normal akan membentuk satu garis lurus diagonal, dan ploting data residual akan dibandingkan dengan garis diagonal. Jika distribusi data residual normal, maka garis yang menggambarkan data sesungguhnya akan mengikuti garis diagonalnya.
b. Uji statistic nonparametric- Kolmogorov-Smirnov
Distribusi data dapat dilihat dengan kriteria sebagai berikut :
1) Jika angka signifikan > taraf signifikan (α) 0,05 maka distribusi data dikatakan normal.
2) Jika angka signifikan < taraf signifikan (α) 0,05 maka distribusi data dikatakan
tidak normal.
b. Uji Multikolinieritas
Uji multikolinearitas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi di antara variable independen. Model regresi yang baik seharusnya tidk terjadi korelasi di antara variable independen.
Menurut Ghozali (2013), untuk mendeteksi ada atau tidaknya multikolinearitas di dalam model regresi dijelaskan berikut ini.
1) Nilai R2 yang dihasilkan oleh suatu estimasi model regresi empiris sangat tinggi, tetapi secara individual variabel-variabel independennya banyak yang tidak signifikan mempengaruhi variabel dependen.
2) Menganalisis matrik korelasi variabel-variabel independen. Jika antar variabel independen ada korelasi yang cukup tinggi (umumnya di atas 0.90), maka hal ini merupakan indikasi adanya multikolinearitas. Tidak adanya korelasi yang tinggi antar variabel independen tidak berarti bebas dari multikolinearitas. Multikolinearitas dapat disebabkan karena adanya efek kombinasi dua atau lebih variabel independen.
3) Multikolinearitas dapat juga dilihat dari (a) nilai tolerance dan lawannya (b) variance inflation factor (VIF). Kedua ukuran ini menunjukkan setiap variabel independen manakah yang dijelaskan oleh variabel independen lainnya. Dalam pengertian sederhana setiap variabel independen menjadi variabel dependen (terikat) dan diregres terhadap variabel independen lainnya. Tolerance mengukur variabilitas variabel independen yang terpilih yang tidak dijelaskan oleh variabel independen lainnya. Jadi nilai tolerance yang rendah sama dengan nilai VIF tinggi (karena VIF = 1/ Tolerance). Nilai cutoff yang umum dipakai untuk menunjukkan adanya multikolinearitas adalah nilai tolerance < 0.10 atau sama dengan nilai VIF > 10.
c. Uji Heteroskedasititas
Salah satu asumsi yang penting dari modelregresi linear adalah varian residual bersifat homokedastisitas atau bersifat konstan.Umumnya hetereokedastisitas sering terjadi pada model yang menggunakan data cross section (silang waktu) daripada data time series.
Uji heterokedasititas dilakukan untuk menguji apakah dalam sebuah model regresi telah terjadi ketidaksamaan varian dari residual suatu pengamatan ke pengamatan yang lainnya. Model regresi yang baik adalah model regresi yang memiliki persamaan variance residual atau homokedastisitas.
Uji heteroskedastisitas dilakukan dengan cara melihat grafik scattter plot antara variabel dependen yaitu ZPRED dengan residualnya SRESID. Dasar analisisnya:
1) Jika ada pola-pola tertentu, seperti titik-titik yang membentuk pola tertentu yang teratur, maka terjadi heteroskedastisitas,
2) Jika tidak ada pola yang jelas atau titik-titik menyebar di atas dan di bawah angka nol pada sumbu Y, maka tidak terjadi heteroskedastisitas atau terjadi homoskedastisitas.
d. Uji Autokorelasi
Uji autokorelasi bertujuan untuk melihat apakah dalam suatu model regresi linear ada korelasi antar kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1. Auto korelasi muncul karena observasi yang berurutan sepanjang tahun yang berkaitan dengan lainnya.
Pengujian autokorelasi dapat dilakukan dengan menggunakan uji Durbin- Watson. Panduan mengenai angka D-W untuk mendeteksi autokorelasi bisa dilihat pada tabel D-W, yang bisa dilihat pada buku statistik yang relevan. Namun demikian secara umum bisa diambil patokan:
1) Angka D-W di bawah -2 berarti ada autokorelasi positif,
2) Angka D-W di antara -2 sampai +2 berarti tidak ada autokorelasi, 3) Angka D-W di atas +2 berarti autokorelasi negatif.
3. Pengujian Hipotesis a. Analisis Regresi
Model regresi linier berganda adalah model regresi yang memiliki lebih dari satu variabel independen. Pada penelitian ini terdapat dua variabel independen, yakni pajak daerah dan retribusi daerah. Model regresi linier berganda dikatakan model yang baik jika model tersebut memiliki asumsi normalitas data dan terbebas dari asumsi-asumsi klasik statistik baik multikolinieritas, autokorelasi dan heterokedastisitas.
Persamaan regresi linier berganda yaitu : Y = α + β1X1 + β2X2 + β3X3+ β4X4+ ε
Keterangan :
Y = Indeks Pengungkapan, X1 = Pajak Daerah,
X2 = Retribusi Daerah, X3 = Dana Alokasi Umum X4 = Dana Alokasi Khusus
α = Konstanta, ε = error,
β1, β2, β3, β4 = koefisien regresi yang menunjukkan perubahan variabel dependen berdasarkan pada variabel independen.
b. Uji Parsial (t-test)
Uji parsial (t-test) bertujuan untuk mengetahui apakah masing-masing variabel independen mempengaruhi variabel dependen secara signifikan. Untuk pengujian secara parsial ini digunakan uji-t. Hipotesis statistik yang diajukan adalah :
H1 : bi ≠ 0 : ada pengaruh
Kriteria yang digunakan dalam menerima atau menolak hipotesis adalah: 1) H1 diterima apabila nilai probabilitas < level of significant sebesar 0,05, 2) H1 ditolak apabila nilai probabilitas > level of significant sebesar 0,05.
c. Uji Simultan (F-test)
Pengujian ini bertujuan untuk mengetahui apakah variabel-variabel independen secara bersama-sama mempengaruhi variabel dependen secara signifikan. Pengujian simultan ini menggunakan uji F, yaitu dengan membandingkan antara nilai signifikansi F dengan nilai signifikasi yang digunakan yaitu 0,05.
Hipotesis yang akan diuji adalah sebagai berikut :
H1 : b0 = b1 = b2 ≠ 0 : semua variabel independen berpengaruh secara bersama- sama.
Kriteria yang digunakan dalam menerima atau menolak hipotesis adalah : 1) H1 diterima apabila pada α = 5% dan nilai probabilitas < level of significant
sebesar 0,05,
2) H1 ditolak apabila pada α = 5% dan nilai probabilitas > level of significant sebesar 0,05
d. Analisis Koefisien Korelasi dan Determinasi
Nilai koefisien korelasi (R) menunjukkan seberapa besar korelasi atau hubungan antara variabel-variabel independen dengan variabel dependen. Koefisian korelasi dikatakan kuat apabila niali R lebih besar dari 0,5 atau mendekati 1. Koefisian determinasi (R Square) menunjukkan seberapa besar variabel dependen menjelaskan variabel dependennya. Nilai R square adalah 0 sampai 1. Apabila R square mendekati satu maka variabel-variabel independen memberikan semua informasi yang dibutuhkan untuk mendeteksi variasi variabel dependennya. Sebaliknya semakin kecil R square maka kemampuan variabel independennya untuk menjelaskan variabel dependen semakin terbatas.