BAB III METODE PENELITIAN
F. Metode Analisis Data
Dalam penelitian ini, data dianalisis statistik dengan menggunakan SPSS 16. Pengujian hipotesis pada penelitian dilakukan setelah melakukan pengujian asumsi klasik.
1. Pengujian Asumsi Klasik
Sebelum dilakukan pengujian hipotesis dengan menggunakan analisis regresi, maka diperlukan pengujian asumsi klasik yang meliputi pengujian: (1) normalitas, (2) multikolinearitas, (3) heterokedastisitas, dan (4) autokorelasi.
a. Uji Normalitas
Menurut central limit theorem, asumsi normalitas akan terpenuhi apabila jumlah sampel yang digunakan lebih dari atau sama dengan 25 (Mendenhall dan Beaver, 1992). Metode uji ini dilakukan untuk mengetahui apakah dalam model regresi variabel pengganggu atau residual memiliki distribusi normal. Cara yang digunakan untuk mendeteksi apakah residual berdistribusi normal atau tidak adalah dengan analisis grafik. 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, demikian sebaliknya.
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal (Ghozali, 2005 : 110). Jika terdapat normalitas, maka residual akan terdistribusi secara normal dan independen yaitu perbedaan antara nilai prediksi dengan skor yang sesungguhnya atau error akan terdistribusi secara simetri di sekitar nilai means sama dengan nol. Pengujian normalitas dilakukan dengan uji non-parametrik Kolmogorov-Smirnov, dimana data yang berdistribusi normal akan memiliki nilai yang lebih besar dari 0,05. Selain itu, uji normalitas dapat juga dilihat melaui grafik histogram dan grafik normal plot. Jika uji normalitas data tidak dapat terpenuhi, maka analisis regresi yang menggunakan uji F dan t tidak dapat diteruskan karena pengambilan keputusan akan bias (menyimpang) dari keadaan yang sebenarnya.
b. Uji Multikolinieritas
Uji ini bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi di antara variabel independen. Model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel bebas (independen). Model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel independen (Ghozali, 2005 : 91).
Multikolinieritas adalah situasi adanya korelasi variabel-variabel independen antara yang satu dengan yang lainnya. Dalam hal ini kita sebut variabel-variabel bebas ini tidak ortogonal. Variabel-variabel bebas yang bersifat
ortogonal adalah variabel bebas yang memiliki nilai korelasi diantara sesamanya sama dengan nol. Jika terjadi korelasi sempurna diantara sesama variabel bebas, maka konsekuensinya adalah: (1) Koefisien-koefisien regresi menjadi tidak dapat ditaksir. (2) Nilai standar error setiap koefisien regresi menjadi tak terhingga. Pengujian ini bermaksud untuk menguji apakah pada model regresi ditemukan adanya korelasi antar variabel independen. Jika terjadi korelasi, maka dinamakan terdapat problem multikolinieritas.
Pengujian multikolinearitas dilakukan dengan melihat nilai VIF (Variance Inflation Factor) dari model penelitian dan korelasi di antara variabel independen. Jika nilai VIF lebih besar dari 2 (Hair, 2003), maka terjadi gejala multikolinearitas di antara variabel independen. Di samping itu, suatu model dikatakan terdapat gejala mulkolinearitas, jika korelasi di antara variabel independen lebih besar dari 0,9 (Ghozali, 2001). Ada dua cara yang dapat dilakukan jika terjadi multikolinieritas, yaitu :
a) Mengeluarkan salah satu variabel, misalnya variabel independent A dan B saling berkolerasi dengan kuat, maka bisa dipilih A atau B yang dikeluarkan dari model regresi.
b) Menggunakan metode lanjut seperti Regresi Bayesian atau Regresi Ridge.
c. Uji Heterokedastisitas
Tujuan dari pengujian ini adalah untuk menguji apakah dalam sebuah model regresi, terjadi ketidaksamaan varians dari residual dari satu pengamatan ke pengamatan yang lain (Santoso, 2004 : 208). Jika varians dari residual dari suatu
pengamatan ke pengamatan lainnya tetap, maka disebut homoskedastisitas. Sebaliknya jika varians berbeda, maka disebut heteroskedastisitas. Model regresi yang baik adalah tidak terjadi heteroskedastisitas.
Ada beberapa cara yang digunakan untuk mendeteksi ada tidaknya heterokedastisitas. Dalam penelitian ini, cara yang digunakan adalah melihat grafik plot antara nilai prediksi variabel terikat dengan residualnya. Dasar analisis yang digunakan yaitu :
a) Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur (bergelombang, melebar, kemudian menyempit), maka mengindikasikan telah terjadi heterokedastisitas.
b) Jika tidak ada pola yang jelas, serta titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heterokedastisitas.
d. Uji Autokorelasi
Uji ini berguna untuk menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode saat ini dengan kesalahan pengganggu. Masalah ini timbul karena variabel pengganggu tidak bebas dari satu observasi ke observasi lainnya. Hal ini sering ditemukan pada data time series. Menurut Ghozali (2005 : 95) “Uji autokorelasi bertujuan menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 (sebelumnya). Pada penelitian ini, autokorelasi diuji dengan menggunakan uji Durbin-Watson (DW test).
b) Jika dl ≤ dw ≤ du berarti tidak dapat mengambil keputusan apakah autokorelasi positif terjadi atau tidak
c) Jika 4-dl < dw < 4 berarti ada autokorelasi negative
d) Jika 4-du ≤ dw ≤ 4-dl berarti tidak dapat mengambil keputusan apakah autokorelasi negatif terjadi atau tidak.
e) Jika du < dw < d-dl berarti tidak ada autokorelasi baik positif maupun negatif.
2. Model dan Pengujian Hipotesis
Hipotesis penelitian diuji dengan menggunakan analisis regresi linier berganda dengan menggunakan uji–t dan uji-F. Metode analisis regresi linear berganda berfungsi untuk mengetahui pengaruh / hubungan dari variabel bebas dengan variabel terikat. Pengolahan data akan dilakukan dengan menggunakan alat bantu aplikasi software SPSS for windows. Model persamaan regresi untuk menguji hipotesis, dengan formulasi sebagai berikut :
Y = α + β1x1 + β2x2 + β3x3 + β4x4 + ε Keterangan :
Y = Kapasitas Fiskal Daerah
X1 = Pajak Daerah
X2 = Retribusi Daerah
X3 = PDRB jasa
X4 = Bagi Hasil Pajak
β1, β2, β3, β4 = koefisien regresi yang menunjukkan angka peningkatan atau penurunan variabel dependen berdasarkan pada variabel independen
ε = error
a. Uji-F (uji simultan)
Uji-F (uji serentak) adalah untuk melihat apakah variabel independen secara bersama-sama (serentak) mempunyai pengaruh yang signifikan terhadap variabel dependen. Melalui uji statistik dengan langkah-langkah sebagai berikut :
Ho : β 1 = β 2 = β 3 = β 4 = 0
Artinya secara bersama-sama (serentak) variabel independen tidak terdapat pengaruh terhadap variabel dependen.
Ha : β 1 ≠β 2 ≠β 3 ≠β 4 ≠ 0
Artinya secara bersama-sama (serentak) variabel independen terdapat pengaruh terhadap variabel dependen.
Dengan kriteria :
Ho diterima, apabila F - hitung < F - tabel pada α = 5% Ha diterima, apabila F - hitung > F - tabel pada α = 5%.
Hipotesis penelitian diuji dengan menggunakan analisa regresi berganda. Pengujian hipotesis ditujukan untuk menguji ada tidaknya pengaruh dari varibel bebas secara keseluruhan terhadap variabel dependen. Pengujian hipotesis dengan menggunakan Uji F atau yang biasa disebut dengan Analysis of Varian (ANOVA).
Pengujian ANOVA atau Uji F bisa dilakukan dengan dua cara yaitu dengan melihat tingkat signifikansi atau dengan membandingkan F hitung dengan
F tabel. Pengujian dengan tingkat signifikansi dilakukan dengan ketentuan yaitu apabila hasil signifikansi pada tabel ANOVA < α 0,05, maka H0 ditolak (berpengaruh), sementara sebaliknya apabila tingkat signifikansi pada tabel ANOVA > α 0,05, maka H0 diterima (tidak berpengaruh).
Pengujian dengan membandingkan F hitung dengan F tabel dilakukan dengan ketentuan yaitu apabila F hitung > F tabel (α 0,05) maka H0 ditolak (berpengaruh), sementara sebaliknya apabila F hitung < F tabel (α 0,05) maka H0 diterima (tidak berpengaruh). Adapun F tabel dicari dengan memperhatikan tingkat kepercayaan (α) dan derajat bebas (degree of freedom).
b. Uji–t (Uji Signifikan Parsial)
Uji statistik t disebut juga sebagai uji signifikasi individual. Uji ini menunjukkan seberapa jauh pengaruh variabel independen secara parsial terhadap variabel dependen. Bentuk pengujiannya adalah :
Ho1 : β 1 = 0, artinya suatu variabel independen secara parsial tidak berpengaruh terhadap variabel dependen.
Ha1 : β 1 ≠ 0, artinya variabel independen secara parsial berpengaruh terhadap variabel dependen.
Kriteria pengambilan keputusan :
Ho diterima, apabila t - hitung < t - tabel pada α = 5% Ha diterima, apabila t - hitung > t - tabel pada α = 5%.
c. Koefisien determinan (Adjusted RSquare)
Pengujian koefisien determinan (Adjusted R Square) digunakan untuk mengukur proporsi atau persentase sumbangan variabel independen yang diteliti terhadap variasi naik turunnya variabel dependen. Koefisien determinan berkisar antara nol sampai dengan satu (0 ≤ Adjusted R Square ≤ 1). Hal ini berarti bila Adjusted R Square = 0 menunjukan tidak adanya pengaruh antara variabel independen terhadap variabel dependen, bila Adjusted R Square semakin besar mendekati 1 menunjukan semakin kuatnya pengaruh variabel independen terhadap variabel dependen dan bila Adjusted R Square semakin kecil mendekati nol maka dapat dikatakan semakin kecilnya pengaruh variabel independen terhadap variabel dependen.