3.1. Lokasi dan Waktu Penelitian
Penelitian ini dilakukan di Kota Bogor, dengan pertimbangan bahwa Kota Bogor merupakan salah satu kota penyangga ibukota Jakarta dengan tingkat penerimaan PAD yang memiliki potensi cukup tinggi. Waktu pengumpulan dan pengolahan data dilakukan mulai bulan Mei sampai dengan Juli 2007.
3.2. Jenis dan Sumber Data
Penelitian ini menggunakan data sekunder dengan jenis data time series. Data yang dikumpulkan berupa data perkembangan pendapatan daerah, Pendapatan Perkapita (PPK), realisasi nilai penerimaan Pendapatan Asli Daerah (PAD), Pajak Daerah (PJK), Retribusi Daerah (RTR), Laba Perusahaan Daerah (LPD), dan Lain-Lain PAD yang sah, Jumlah Hotel (JHT), Jumlah Restoran (JRT), Jumlah Kendaraan Bermotor (JKB), Jumlah Kendaraan Umum (JKU), Uji Kendaraan Bermotor (UKB), Panjang Jalan (PJL), Jumlah Penerbitan Akta Sipil (JAS), Jumlah Rumah Sakit dan Puskesmas (JRP), Jumlah Kematian (JMT), Izin Mendirikan Bangunan (IMB), Jumlah Pengunjung Objek Wisata (POW), Jumlah Perusahaan (JPR), Jumlah Rumah Tangga (JRT), Jumlah Penduduk Kota Bogor (JPB), dan Tingkat Inflasi (INF).
Data-data di atas diperoleh dari Badan Pusat Statistik (BPS) Kota Bogor, Dinas Pendapatan Daerah (Dispenda) Kota Bogor, dan instansi terkait lainnya yang berhubungan dengan penelitian ini. Referensi studi kepustakaan melalui
jurnal, artikel, bahan-bahan lain dari Perpustakaan LSI, dan internet yang masih relevan dengan penelitian ini.
3.3. Metode Analisis 3.3.1. Metode Deskriptif
Melihat dan membandingkan kontribusi PAD terhadap penerimaan daerah dan kontribusi komponen PAD terhadap penerimaan PAD dari waktu ke waktu dalam suatuseries data dalam beberapa tahun yaitu dari tahun 2001-2005, dengan melihat indeks perkembangannya baik dari segi besaran maupun persentasenya.
Untuk mengestimasi besarnya kontribusi penerimaan PAD terhadap total penerimaan daerah dapat digunakan formula sebagai berikut:
Penerimaan PAD
Kontribusi PAD = × 100% (3.1) Total Penerimaan Daerah
Analisis ini juga dapat digunakan untuk melihat kontribusi komponen PAD terhadap penerimaan PAD.
3.3.2. Analisis Peubah Ganda(Multivariate Analysis)
Metode ini digunakan karena terdapat data yang memiliki variabel yang banyak (multivariate) untuk mengukur karakteristik faktor-faktor yang mempengaruhi penerimaan pajak dan retribusi daerah di Kota Bogor termasuk variabel dummy yang dimasukkan untuk mengetahui pengaruh kebijakan otonomi daerah terhadap perkembangan pembangunan di Kota Bogor.
Dalam metode ini korelasi antar variabel sangat diperhitungkan, sehingga dengan memperhitungkan korelasi antar variabel tersebut, variabel yang jumlahnya banyak akan dikelompokkan ulang menjadi beberapa variabel dengan jumlah yang lebih sedikit. Pemampatan variabel ini dilakukan sesuai dengan prinsip parsimoni dalam statistik yang menyatakan bahwa apabila jumlah variabel makin sedikit, maka model semakin baik (Iriawan dan Astuti, 2006).
3.3.2.1 Analisis Komponen Utama(Principle Component Analysis)
Untuk menampilkan data pada objek-objek yang mempunyai beberapa peubah (dimensi) maka perlu dilakukan transformasi melalui analisis komponen utama(Principle Component Analysis/PCA) dengan menggunakan data-data yang telah diolah dari berbagai sumber yang telah disebutkan sebelumnya. Dengan menggabungkan berbagai literatur dan pengamatan serta kelengkapan dan kemampuan variabel dalam menjelaskan keragaman karakteristik, metode ini menggunakan 9 peubah sosial ekonomi yang dijadikan pada analisis faktor-faktor yang mempengaruhi Pajak Daerah Kota Bogor tahun 1995-2005 dan 15 peubah sosial ekonomi yang dijadikan pada analisis faktor-faktor yang mempengaruhi Retribusi Daerah Kota Bogor tahun 1995-2005.
Variabel–variabel sosial ekonomi yang merupakan variabel dasar yang digunakan dalam analisis ini akan diseleksi berdasarkan kelengkapan dan kemampuan variabel dalam menjelaskan keragaman karakteristik faktor-faktor yang mempengaruhi penerimaan pajak dan retribusi daerah. Proses analisis ini akan menghasilkan beberapa “Faktor Utama” penciri utama keragaman perkembangan faktor-faktor yang mempengaruhi penerimaan pajak dan retribusi
daerah tersebut. Analisismultivariate dilakukan dengan menggunakan alat bantu programMinitab 14.
Analisis Komponen Utama merupakan teknik analisis multivariabel (menggunakan banyak variabel) yang dilakukan untuk tujuan ortogonalisasi dan penyederhanaan variabel. Analisis ini merupakan teknik statistik yang mentransformasikan secara linier satu set variabel ke dalam variabel baru dengan ukuran lebih kecil namun representatif dan tidak saling berkorelasi (ortogonal).
PCA sering digunakan sebagai analisis antara maupun analisis akhir, sebagai analisis antara PCA bermanfaat untuk menghilangkan multikolinearitas atau untuk mereduksi variabel yang berukuran besar ke dalam variabel baru yang berukuran sederhana, dan untuk analisis akhir PCA umumnya digunakan untuk mengelompokkan variabel-variabel penting dari suatu bundel variabel besar untuk menduga suatu fenomena, sekaligus memahami struktur dan melihat hubungan antar variabel. Pada dasarnya PCA adalah analisis yang mentransformasikan data sejumlah p ke dalam struktur data baru sejumlah k dengan jumlah k < p. Perhitungan dengan PCA memerlukan beberapa pertimbangan, yang sekaligus menggambarkan adanya kendala dan tujuan yang ingin dicapai dari hasil analisis PCA. Di dalam PCA akan dihitung vektor pembobot yang secara matematis ditujukan untuk memaksimumkan keragaman dari kelompok variabel baru (yang sebenarnya merupakan fungsi linier peubah asal atau memaksimumkan jumlah kuadrat korelasi antar PCA dengan variabel asal (Juliani, 2005). Persamaan Umumnya adalah:
dimana persamaan tersebut diperoleh dari matriks berikut:
X adalah variabel asal,a adalah vektor pembobot, danYadalah komponen utama. Hasil analisis komponen-komponen utama antara lain nilai akar (eigen value), proporsi dan kumulatif akar ciri, nilai pembobot(eigen vector) atau sering disebut sebagai PC loading, loading serta component scores. Vektor pembobot merupakan parameter yang menggambarkan peran (hubungan) setiap variabel dengan komponen utama ke – i. Sedangkan loading menggambarkan besarnya korelasi antara variabel asal dengan komponen ke – i. Nilai loading diperoleh dengan persamaan :
ri=ai 1………… (3.3)
dimana ri menggambarkan besarnya korelasi antara variabel asal dengan
komponen utama k – i, a merupakan nilai pembobot utama k – i, dan 1 adalah ciri komponen ke – i.
Dalam menginterpretasikan hasil PCA terdapat kriteria yang membantu menentukan berapa banyak komponen yang diinterpretasikan. Nilai akar ciri lebih besar sama dengan satu, bila komponen yang memiliki akar ciri kurang dari satu memberikan informasi yang lebih sedikit dibandingkan variabel asal yang distandarisasi dengan nilai keragaman satu. Dengan cara ini, komponen yang berpadanan dengan akar ciri kurang dari satu tidak digunakan. Kriteria lain yang
diinterpretasikan adalah komponen yang memiliki akar ciri lebih dari 0,7 dimana di dalam suatu populasi yang dibatasi akar ciri lebih besar sama dengan satu jika yang diamati adalah suatu sampel kemungkinan besar sampel yang mempunyai akar ciri lebih kecil dari satu karenasampling error. Penggunaanplot scree graph juga dapat membantu dalam menentukan berapa banyak hasil komponen utama yang akan digunakan.