BAB IV : METODOLOGI PENELITIAN
4.4 Teknik Pengumpulan data
Teknik pengumpulan dan pengolahan data dalam penelitian ini adalah Teknik Dokumentasi, yakni peneliti melakukan pengumpulan data sekunder atau data yang diperoleh melalui media perantara yaitu Badan Pusat Statistika Sumatera Utara dan Laporan Audit Keuangan Daerah Badan Pemeriksa Keuangan Republik Indonesia.
4.5 Defenisi Operasional dan Pengukuran Variabel
Variabel penelitian dalam penelitian ini terdiri dari variabel bebas dan variabel terikat.
Variabel bebas dalam penelitian ini adalah Pendapatan Asli Daerah(X1) dan Dana Bagi Hasil (X2) dan variabel terikatnya adalah Kemandirian Daerah(Y) serta variabel intervening yaitu PDRB per kapita(Z).
1. Kemandirian Daerah (Y)
Kemandirian Daerah adalah kemampuan dan kewenangan untuk menggali sumber-sumber keuangan, mengelola dan menggunakan keuangannya sendiri untuk membiayai penyelenggaraan pemerintahan. Pengukuran variabel ini adalah dengan derajat desentralisasi fiskal Total Pendapatan Asli Daerah dibandingkan dengan Total Pendapatan Daerah.
2. Pendapatan Asli Daerah (X1)
Pendapatan asli daerah adalah pendapatan yang diperoleh daerah yang dipungut berdasarkan peraturan daerah sesuai dengan peraturan perundang-undangan. Variabel ini diukur melalui total pendapatan asli daerah pada APBD masing-masing Kabupaten/Kota di Provinsi Sumatera Utara
3. Dana Bagi Hasil(X2)
Dana Bagi Hasil adalah dana yang bersumber dari pendapatan APBN yang dialokasikan kepada Daerah berdasarkan angka persentase untuk mendanai kebutuhan Daerah dalam rangka pelaksanaan desentralisasi.
4. PDRB Per kapita
PDRB per kapita adalah gambaran rata-rata pendapatan yang diterima oleh setiap penduduk sebagai hasil yang diterima oleh setiap penduduk sebagai hasil dari proses produksi yang terjadi di suatu daerah.
Definisi Operasional dan pengukuran variabel penelitian dapat dilihat pada Tabel 4.2 berikut : Tabel 4.2
Defenisi Operasional Variabel
Penelitian
Defenisi Operasional Parameter Skala Variabel
rangka pelaksanaan
Total PDRB Perkapita Rasio
4.6 Metode Analisis Data
Alat analisis statistik yang dipakai adalah analisis jalur (Path Analysis), yakni analisis yang digunakan untuk menganalisis hubungan sebab akibat yang terjadi pada regresi berganda jika variabel bebasnya mempengaruhi variabel tergantung yang memberikan efek langsung dan efek tidak langsung. Menurut Ghozali (2005) analisis jalur mengestimasi hubungan kausalitas antar variabel yang telah ditetapkan sebelumnya. Analisis jalur tidak dapat menentukan hubungan sebab akibat dan juga tidak dapat digunakan sebagai subsitusi untuk melihat hubungan kausalitas antar variabel. Analisis jalur menentukan pola hubungan antara tiga atau lebih variabel.
Adapun koefisien jalur diperoleh dari hasil uji t dengan melihat nilai standardized coefficients beta. Untuk mengetahui apakah PDRB Perkapita mempengaruhi hubungan antara Pendapatan Asli Daerah dan Dana Bagi Hasil terhadap Kemandirian Daerah yaitu dengan melihat hasil perkalian koefisien tidak langsung lebih besar dari koefisien langsung berarti hubungan yang sebenarnya adalah pengaruh tidak langsung atau dengan kata lain pengaruh variabel tersebut ini adalah intervening penuh. Namun jika koefisien tidak langsung lebih kecil dari koefisien langsungnya, berarti variabel tersebut tidak mutlak mempengaruhi hubungan langsung tersebut, atau dengan kata lain pengaruh variabel tersebut adalah intervening sebagian (Ghozali, 2005).
4.6.1 Uji Asumsi Klasik
Agar model persamaan struktural yang diajukan menunjukkan persamaan hubungan yang valid, model tersebut harus memenuhi asumsi dasar klasik Ordinary least square (OLS). Oleh karena itu pengujian asumsi klasik perlu dilakukan. Model yang digunakan menggunakan model structural equation modeling (SEM), maka uji asumsi klasik yang digunakan adalah uji normalitas, uji autokorelasi, dan uji heterokedastisitas dan uji multikolinearitas.
4.6.1.1 Uji Normalitas
Menurut Erlina dan Mulyani (2007 : 103), ”uji ini berguna untuk tahap awal dalam metode pemilihan analisis data. Jika data normal, gunakan statistik parametrik dan jika data tidak normal gunakan statistik non parametrik atau lakukan treatment agar data normal.”
Tujuan uji normalitas menurut Ghozali (2005:111) adalah ingin mengetahui apakah dalam model persamaan struktural, variabel pengganggu atau residual memiliki distribusi normal. Seperti diketahui bahwa uji t dan F mengasumsikan bahwa nilai residual mengikuti distribusi normal.
Kalau asumsi ini dilanggar maka uji statistik menjadi tidak valid untuk jumlah sampel kecil.”
Ada dua cara untuk mendeteksi apakah residual berdistribusi normal atau tidak menurut Ghozali (2005 : 110), yaitu :
i) Analisis 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. 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 plotnya data residual akan dibandingkan dengan garis diagonal. Jika distribusi data residual normal, maka garis yang menggambarkan data sesungguhnya akan mengikuti garis diagonalnya.
ii) Analisis statistik
Uji statistik sederhana dapat dilakukan dengan melihat nilai kurtosis dan nilai Z-skewness.
Uji statistik lain yang dapat digunakan untuk menguji normalitas residual adalah uji statistik non parametrik Kolmogorov-Smirnov (K-S). Dalam penelitian ini penulis menggunakan analisis statistik untuk mendeteksi residual berdistribusi normal atau tidak.
4.6.1.2. Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk mendeteksi ada tidaknya hubungan antar variable independen. Suatu model persamaan struktural yang baik seharusnya tidak terdapat hubungan antar variable independen, jika terdapat hubungan maka terjadi masalah multikolinearitas dilakukan dengan melihat varian inflation factor (VIF) dari setiap variabe.
Untuk mendeteksi ada atau tidaknya multikolinearitas di dalam model persamaan struktural menurut Hadi (2006 : 168) dapat dilihat dari :
i) Salah satu ciri regresi yang terjangkit multikolinear adalah persamaan tersebut memiliki nilai R2 yang sangat tinggi, tetapi hanya memiliki sedikit variabel independen yang signifikan (memiliki nilai t hitung tinggi). Keadaan yang paling ekstrim adalah bila model memiliki nilai R2 dan F hitung yang tinggi dan secara otomatis akan memiliki nilai signifikansi F yang sangat bagus tetapi tidak satupun variabel independen yang memiliki nilai t cukup (signifikan). Bila hal ini terjadi maka bisa disimpulkan bahwa bagusnya F dan R2
ii) Indikator lain yang bisa dipakai adalah CI (Condition Index) atau Eigenvalues. Bila CI berkisar antara10 sampai dengan 30 maka kita bisa mengatakan bahwa persamaan tersebut terjangkit multikolinear. Bila CI > 30 maka terjangkitnya semakin kecil.
karena adanya interaksi antar variabel independen yang cukup tinggi (multikolinear)
iii) VIF (Variable Inflation Factor) juga bisa digunakan sebagai indicator. Bila VIF > 10 maka variable tersebut memiliki kolinearitas yang tinggi.
4.6.1.3. Uji Heterokedasitas
Menurut Ghozali (2005: 111) uji heterokedasitas bertujuan untuk melihat apakah didalam model persamaan struktural terjadi ketidaksamaan variabel dari residual satu pengamatan ke pengamatan yang lain. Suatu model persamaan struktural yang baik adalah tidak terjadi heterokedasitas. Uji Heterokedastisitas adalah asumsi dalam regresi varians dan residual tidak sama untuk satu pengamatan yang lain. Jika varians dari residual satu pengamatan ke pengamatan yang lain tetap, maka disebut homokedasitas, namun jika sebaliknya disebut heterokedasitas.
4.6.1.4. Autokorelasi
Uji autokorelasi bertujuan untuk menganalisis apakah dalam model persamaan struktural terdapat korelasi antara kesalahan penggangu pada periode t dengan kesalahan pada periode t-1 atau sebelumnya. Menurut Singgih (2002 : 218) untuk mendeteksi adanya autokorelasi bisa digunakan tes Durbin Watson (D-W). 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 diatas +2 berarti ada autokorelasi negatif Jika terjadi autokorelasi, maka dapat diatasi dengan cara:
a) Melakukan transformasi data.
b) Menambah data observasi.
4.6.2 Analisis Koefisien Determinan
Uji ini digunakan untuk mengukur kedekatan hubungan dari model yang dipakai.
Koefisien determinasi (adjusted R2) yaitu angka yang menunjukan besarnya kemampuan varians atau penyebaran dari variabel-variabel bebas yang menerangkan variabel tidak bebas atau angka
yang menunjukan seberapa besar variabel tidak bebas dipengaruhi oleh variabel-variabel bebasnya. Besarnya nilai koefisien determinasi adalah antara 0 hingga 1 (0<adjusted R2<1), dimana nilai koefisien mendekati 1, maka model tersebut dikatakan baik karena semakin dekat hubungan antara variabel bebas dengan variabel tidak bebasnya.
4.6.3 Pengujian Hipotesis
Pengujian hipotesis pada penelitian ini menggunakan bantuan SPPS. Uji hipotesis yang dilakukan pada dasarnya merupakan jawaban atas berbagai hubungan yang memungkinkan dalam model penelitian. Model ini menunjukkan pola hubungan yang relatif komprehensif antar berbagai variabel, baik dalam hubungan langsung (direct effect), maupun hubungan tidak langsung (indirect effect). Pengujian hipotesis dilakukan dengan menggunakan model analisis regresi berganda.
Persamaannya adalah:
Z = b1X1+b2X2+e1
Y = b1X1+b2X2+b3Z+e2
Keterangan:
Z = PDRB Per kapita
Y = Kemandirian Daerah
b1,b2,b3 = koefisien regresi X1 = Pendapatan Asli Daerah X2 = Dana Bagi Hasil
e = error item
a. Uji – F : Untuk melihat seberapa besar pengaruh variabel independen secara bersama-sama terhadap variabel dependen. Pengujian hipotesis dilakukan dengan menggunakan uji F-test.
Pengujian simultan ini menggunakan uji F, yaitu dengan membandingkan antara nilai signifikansi F dengan nilai signifikansi yang digunakan yaitu 0,05.
b. Uji – t: Untuk mengetahui hubungan antara variabel-variabel independen terhadap variabel dependen secara parsial. Pengujian ini dilakukan untuk melihat besarnya masing-masing variabel independen mempengaruhi variabel dependen menggunakan t-test dengan α =5%
BAB V
HASIL PENELITIAN DAN PEMBAHASAN
5.1 Hasil Penelitian
5.1.1. Deskripsi Sampel Penelitian
Data yang digunakan pada penelitian ini merupakan data sekunder yang diperoleh dari perpustakaan Badan Pusat Statistik Sumatera Utara di Jl. Asrama No. 179 Medan, situs Dirjen Perimbangan Keuangan Republik Indonesia yaitu www.sikd.djapk.go.id dan Laporan Audit Badan Pemeriksaan Keuangan Republik Indonesia atas Laporan Keuangan Daerah Kabupaten/Kota di Provinsi Sumatera Utara selama lima tahun yaitu tahun 2006-2010 .
5.1.2. Deskripsi Statistik Data Penelitian
Berdasarkan hasil pengolahan data pada Tabel 5.1, maka deskripsi statistik dari data penelitian dapat disimpulkan sebagai berikut:
Tabel 5.1 Descriptive Statistics
Variabel N Maks Min Mean Standar Deviasi
X1 125 5.8.E11 2.9E9 3.51E10 7.8E10
X2 125 3.7E11 1.08.E10 4.9E10 5.7E10
Z 125 1.7E7 3.2E7 6.8E6 2.4E6
Y 125 0.28 0.00 0.0458 0.04022
Sumber: Hasil Data Analisis Excel
5.1.2.1 Perkembangan Pendapatan Asli Daerah
Berdasarkan Tabel 5.1 rata-rata Pendapatan Asli Daerah(X1) dengan jumlah data 125 adalah Rp 351,425,733,331 dengan standard deviasi 78599145906. Nilai Pendapatan Asli
Daerah(X1) tertinggi adalah Rp 588,941,000,000 dan nilai Pendapatan Asli Daerah(X1) terendah adalah Rp 2,988,976,000. Artinya nilai Pendapatan Asli Daerah di Kabupaten/Kota di Provinsi Sumatera Utara berfluktuatif periode tahun 2006-2010 namun memperlihatkan peningkatan tiap tahunnya jumlah penerimaan Pendapatan Asli Daerah. Hal ini berarti aparat pemerintah daerah tetap berusaha untuk meningkatkan kinerja dalam mendukung otonomi daerah, sehingga semakin tinggi jumlah penerimaan Pendapatan Asli Daerah yang diterima maka akan mengurangi sedikit ketergantungan daerah terhadap pemerintah pusat.
5.1.2.2 Perkembangan Dana Bagi Hasil
Berdasarkan Tabel 5.1 rata-rata Dana Bagi Hasil(X2) dengan jumlah data 125 adalah Rp 49,125,823,936.80 dengan standard deviasi 57785686589.51. Nilai Dana Bagi Hasil(X2) tertinggi adalah Rp 374,027,000,000 dan nilai Dana Bagi Hasil(X2) terendah adalah Rp 10,832,198,371.
Artinya pengalokasian Dana Bagi Hasil terhadap Kabupaten/Kota cukup merata. Dan pengalokasian Dana Bagi Hasil dilaksanakan secara adil dan merata berdasarkan kebutuhan daerah. Untuk mengetahui kesiapan pemerintah daerah dalam hal keuangan, atau mengetahui kinerja keuangan pemerintah daerah dalam pemberlakuan otonomi daerah, maka dapat dilihat dari seberapa besar kontribusi yang diberikan tiap komponen penerimaan termasuk komponen Dana Bagi Hasil terhadap pendapatan daerah. Semakin tinggi pajak( PBB, PPH, BPHTB) serta sumber daya alam yang diperoleh maka semakin tinggi pula transfer DBH yang diterima tiap Kabupaten/Kota di Provinsi Sumatera Utara.
5.1.2.3 Perkembangan PDRB Perkapita
Berdasarkan Tabel 5.1 rata-rata PDRB Perkapita(Z) dengan jumlah data 125 adalah Rp 6,844,092.3920 dengan standard deviasi 2473689.18978. Nilai PDRB Perkapita(Z) tertinggi adalah Rp 17,077,638 dan nilai PDRB Perkapita(Z) terendah adalah Rp 3,281,421. Artinya PDRB
Dan PDRB Perkapita tertinggi diperoleh dari daerah yang mempunyai sektor unggulan perdagangan dan sektor industri. Sehingga Kabupaten/Kota perlu mengembangkan sektor-sektor unggulan di bidang industri perdagangan untuk meningkatkan PDRB Perkapita.
5.1.2.4 Perkembangan Kemandirian Daerah
Berdasarkan Tabel 5.1 rata-rata Rasio Kemandirian Daerah(Y) dengan jumlah data 125 adalah 0.0458 dengan standard deviasi 0.04022. Nilai Rasio Kemandirian Daerah(Y) tertinggi adalah 0.28 dan nilai Rasio Kemandirian Daerah(Y) terendah adalah 0.00. Artinya tingkat Kemandirian Daerah di Kabupaten/Kota di Provinsi Sumatera Utara masih rendah berdasarkan nilai rata-rata Kemandirian Daerah hanya 4% masih dibawah 10%.
5.1.3 Pengujian Asumsi Klasik
Dalam analisis ini perlu dilihat terlebih dahulu apakah data tersebut bisa dilakukan pengujian model regresi. Pengujian asumsi klasik dilakukan untuk menentukan syarat persamaan pada model regresi dan dapat diterima secara ekonometrik. Pengujian asumsi klasik ini terdiri dari pengujian normalitas, multikolinearitas, autokorelasi, dan pengujian heteroskedastisitas. Pengujian hipotesis dilakukan dengan empat tahap, masing-masing tahap terdiri dari satu model.
Berdasarkan hal ini, maka setiap tahapan dilakukan pengujian asumsi klasik.
5.1.3.1. Pengujian Asumsi Klasik Model Persamaan 1 5.1.3.1.1. Pengujian Normalitas
Berdasarkan hasil uji normalitas data dengan menggunakan uji Kolmogorov-Smirnov dan dengan melihat uji grafik, maka dapat disimpulkan bahwa data mempunyai distribusi normal. Hal ini dapat diketahui dengan melihat nilai Kolmogorov Smirnov sebesar 0.886 dengan tingkat signifikansi sebesar 0.413 (lihat lampiran 3). Jika signifikansi nilai Kolmogorov Smirnov lebih
didukung dengan grafik histogram dan plot data yang terdistribusi secara normal. Grafik uji normalitas dapat dilihat pada pada Gambar 5.1 dan 5.2.
Sumber: Hasil SPSS
Gambar 5.1 Pengujian Normalitas Data
Dengan cara membandingkan antara data observasi dengan distribusi yang mendekati distribusi normal, dari grafik di atas dapat disimpulkan bahwa distribusi normal karena grafik histogram menunjukkan distribusi data mengikuti garis diagonal yang tidak menceng (skewness) ke kiri maupun ke kanan atau normal.
Sumber: Hasil SPSS
Gambar 5.2 Pengujian Normalitas Data
Demikian pula dengan hasil uji normalitas dengan menggunakan grafik plot. Pada grafik normal plot, terlihat titik-titik menyebar disekitar garis diagonal serta penyebarannya agak mendekati dengan garis diagonal sehinggan dapat disimpulkan bahwa data dalam model regresi
5.1.3.1.2. Pengujian Heteroskedastisitas
Pengujian asumsi heteroskedastisitas menyimpulkan bahwa model regresi terjadi heterokedastisitas. Dari grafik scatterplot terlihat bahwa titik-titik yang ada membentuk pola tertentu yang teratur (bergelombang, melebar kemudian menyempit), maka mengindikasikan telah terjadi heterokedatisitas.
Tindakan perbaikan yang dilakukan dalam penelitian ini menggunakan salah satu dari beberapa cara yang telah dikemukakan pada bab sebelumnya, yaitu dengan menggunakan transformasi seluruh variabel penelitian ke dalam fungsi logaritma natural (LN). Sehingga data Pendapatan Asli Daerah, Dana Bagi Hasil, PDRB Perkapita,dan Kemandirian Daerah menjadi LN Pendapatan Asli Daerah(LN_X1), LN Dana Bagi Hasil (LN_X2), LN PDRB Perkapita(LN_Z) dan LN Kemandirian Daerah(LN_Y). Kemudian data diuji ulang berdasarkan asumsi normalitas.
Hasil pengujian heterokedastisitas dapat dilihat pada Gambar 5.3.
Sumber: Hasil SPSS
Gambar 5.3 Pengujian Heteroskedasitas Data
Berdasarkan hasil uji normalitas data setelah dilakukan transformasi dengan menggunakan uji Kolmogorov-Smirnov dan dengan melihat uji grafik, maka dapat disimpulkan bahwa data mempunyai distribusi normal. Hal ini dapat diketahui dengan melihat nilai Kolmogorov Smirnov sebesar 1,200 dengan tingkat signifikansi sebesar 0.112 (lihat lampiran 3). Jika signifikansi nilai Kolmogorov Smirnov lebih besar dari 0.05, maka dapat dinyatakan bahwa data mempunyai distribusi normal. Hal ini juga didukung dengan grafik histogram dan plot data yang terdistribusi
Sumber: Hasil SPSS
Gambar 5.4 Pengujian Normalitas Data
Dengan cara membandingkan antara data observasi dengan distribusi yang mendekati distribusi normal, dari grafik di atas dapat disimpulkan bahwa distribusi normal karena grafik histogram menunjukkan distribusi data mengikuti garis diagonal yang tidak menceng (skewness) ke kiri maupun ke kanan atau normal.
Sumber: Hasil SPSS
Gambar 5.5 Pengujian Normalitas Data
Demikian pula dengan hasil uji normalitas dengan menggunakan grafik plot. Pada grafik normal plot, terlihat titik-titik menyebar disekitar garis diagonal serta penyebarannya agak mendekati dengan garis diagonal sehinggan dapat disimpulkan bahwa data dalam model regresi terdistribusi secara normal.
Kemudian hasil pengujian asumsi heterokedastisitas setelah transformasi data menyimpulkan bahwa model regresi tidak terjadi heterokedastisitas. Hasil pengujian heterokedastisitas dapat dilihat pada Gambar 5.6.
Sumber: Hasil SPSS
Gambar 5.6 Pengujian Heteroskedastisitas Data
Dari Gambar 5.6 scatterplot di atas, terlihat bahwa titik-titik menyebar secara acak serta tidak membentuk pola tertentu atau tidak teratur, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y sehingga disimpulkan bahwa model regresi tidak terjadi heterokedastisitas.
5.1.3.1.3. Pengujian Multikolinieritas
Dalam penelitian ini, untuk mendeteksi data ada tidaknya gejala multikolinieritas adalah dengan melihat besaran korelasi antar variable independen dan besarnya tingkat kolinieritas yang masih dapat ditolerir, yaitu : Tolerance> 0,10 dan Variance Inflation Factor (VIF) < 10. Berikut disajikan Tabel 5.2 hasil pengujian:
Tabel 5.2 Pengujian Multikolinieritas Data(LN_Z)
Model
Unstandardized Coefficient
Standardized Coefficient
Collinearity Statistics Tolerance Β Std Error Beta VIF
Constant 10,806 0,816
LN_X1 0,311 0,047 0,808 0,325 3,076
LN_X2 -0,102 0,059 -0,211 0,325 3,076
Hasil Perhitungan nilai tolerance menunjukkan variabel independen memiliki nilai tolerance lebih dari 0,10 yaitu 0,325 (lihat lampiran 4) yang berarti tidak terjadi korelasi antar variabel. Hasil perhitungan VIF juga menunjukkan hal yang sama dimana variabel independen memiliki nilai VIF kurang dari 10 yaitu 3,076. Berdasarkan Tabel 5.2 di atas dapat disimpulkan bahwa tidak ada multikolinieritas antar variabel independen pada model ini.
5.1.3.1.3. Pengujian Autokorelasi
Pada penelitian ini, uji autokorelasi dilakukan dengan uji Durbin Watson, karena uji ini yang umum digunakan. Nilai Durbin watson yang diperoleh sebesar 1,450 (lihat lampiran 6). Nilai 1,450 dibandingkan dengan nilai tabel dengan jumlah observasi 125 (n = 125) dan variabel independen (k) sebanyak 2, Nilai dw berada di antara -2 sampai +2 (-2 < 1,450 < +2) berarti tidak ada autokorelasi.
5.1.3.2. Pengujian Asumsi Klasik Model Persamaan 2 5.1.3.2.1. Pengujian Normalitas
Berdasarkan hasil uji normalitas data dengan menggunakan uji Kolmogorov-Smirnov dan dengan melihat uji grafik, maka dapat disimpulkan bahwa data mempunyai distribusi normal. Hal ini dapat diketahui dengan melihat nilai Kolmogorov Smirnov sebesar 0.595 dengan tingkat signifikansi sebesar 0.871 (lihat lampiran 3). Jika signifikansi nilai Kolmogorov Smirnov lebih besar dari 0.05, maka dapat dinyatakan bahwa data mempunyai distribusi normal. Hal ini juga didukung dengan grafik histogram dan plot data yang terdistribusi secara normal. Grafik uji normalitas dapat dilihat pada pada Gambar 5.7 dan 5.8.
Sumber: Hasil SPSS
Gambar 5.7 Pengujian Normalitas Data
Dengan cara membandingkan antara data observasi dengan distribusi yang mendekati distribusi normal, dari grafik di atas dapat disimpulkan bahwa distribusi normal karena grafik histogram menunjukkan distribusi data mengikuti garis diagonal yang tidak menceng (skewness) ke kiri maupun ke kanan atau normal.
Sumber: Hasil SPSS
Gambar 5.8 Pengujian Normalitas Data
Demikian pula dengan hasil uji normalitas dengan menggunakan grafik plot. Pada grafik normal plot, terlihat titik-titik menyebar disekitar garis diagonal serta penyebarannya agak mendekati dengan garis diagonal sehinggan dapat disimpulkan bahwa data dalam model regresi terdistribusi secara normal
5.1.3.2.2. Pengujian Heteroskedastisitas
Hasil pengujian data menyimpulkan bahwa model regresi tidak terjadi heterokedastisitas.
Sumber: Hasil SPSS
Gambar 5.9 Pengujian Heteroskedastisitas Data
Dari Gambar 5.9 scatterplot di atas, terlihat bahwa titik-titik menyebar secara acak serta tidak membentuk pola tertentu atau tidak teratur, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y. Hal ini mengindikasikan tidak terjadi heteroskedastisitas pada model regresi.
5.1.3.2.3. Pengujian Multikolinieritas
Dalam penelitian ini, untuk mendeteksi data ada tidaknya gejala multikolinieritas adalah dengan melihat besaran korelasi antar variabel independen dan besarnya tingkat kolinieritas yang masih dapat ditolerir, yaitu : Tolerance> 0,10 dan Variance Inflation Factor (VIF) < 10. Berikut disajikan Tabel 5.3 hasil pengujian:
Tabel 5.3 Pengujian Multikolinieritas Data( LN_Y) Model
Unstandardized Coefficient Standardized Coefficient
Collinearity Statistics Tolerance
Β Std Error Beta VIF
Constant -14,973 0,908
LN_X1 0,744 0,039 1,204 0,238 4,197
LN_X2 -0,373 0,042 -0,480 0,317 3,153
LN_Z 0,203 0,065 0,127 0,583 1,717
Sumber: Hasil SPSS
Hasil Perhitungan nilai tolerance menunjukkan variabel independen memiliki nilai tolerance lebih dari 0,10 (lihat lampiran 4) yaitu LN_X1(Pendapatan Asli Daerah) sebesar 0,238, LN_X2(Dana Bagi Hasil) sebesar 0,317, dan LN_Z(PDRB Perkapita) sebesar 0,583 yang berarti
dimana variabel independen memiliki nilai VIF kurang dari 10 yaitu LN_X1(Pendapatan Asli Daerah) sebesar 4,197, LN_X2(Dana Bagi Hasil) sebesar 3,153, dan LN_Z(PDRB Perkapita) sebesar 1,717.
5.1.3.2.4. Pengujian Autokorelasi
Pada penelitian ini, uji autokorelasi dilakukan dengan uji Durbin Watson, karena uji ini yang umum digunakan. Nilai Durbin watson yang diperoleh sebesar 1,736 (lihat lampiran 6). Nilai 1,736 dibandingkan dengan nilai tabel dengan jumlah observasi 125 (n = 125) dan variabel independen (k) sebanyak 2, Nilai dw berada di antara -2 sampai +2 (-2 < 1,736 < +2) berarti tidak ada autokorelasi.
Hasil pengujian asumsi klasik untuk model 1 sampai dengan model 2 dapat dilihat pada lampiran 3 sampai lampiran 6. Berdasarkan hasil pengujian tersebut, dapat disimpulkan bahwa seluruh model tidak melanggar asumsi klasik.
5.1.4. Pengujian Hipotesis
Setelah dilakukan pengujian asumsi klasik dan diperoleh kesimpulan bahwa model sudah dapat digunakan untuk melakukan pengujian analisa regresi berganda, maka langkah selanjutnya adalah melakukan pengujian hipotesis.
Tabel 5.4. Ringkasan Pengujian Hipotesis
Koefisien Prob
5.1.4.1 Pengujian Hipotesis Persamaan 1
Model pertama yang akan diuji adalah pengaruh LN_X1 (Pendapatan Asli Daerah) dan LN_X2 (Dana Bagi Hasil) terhadap LN_Z (PDRB Perkapita). Ringkasan hasil pengujian persamaan 1 dapat dilihat pada Tabel 5.5 berikut ini.
Tabel 5.5 Ringkasan Hipotesis Persamaan 1
Model
5.1.4.1.1 Pengujian Koefisien Determinasi Persamaan 1
Nilai R pada intinya untuk mengukur seberapa besar hubungan antara independen variabel dengan dependen variabel. Berdasarkan hasil pengujian, diperoleh nilai R sebesar 0,646, hal ini menunjukkan bahwa variabel LN_X1 (Pendapatan Asli Daerah) dan LN_X2 (Dana Bagi Hasil) mempunyai hubungan yang sangat kuat dengan LN_Z (PDRB Perkapita).
Sedangkan nilai R square (R2) atau nilai koefisien determinasi pada intinya mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel dependen. Nilai R2 adalah diantara nol dan satu. Nilai R2
Secara umum R
yang kecil berarti kemampuan variabel-variabel independen dalam menjelaskan variasi variabel dependen sangat terbatas. Nilai yang mendekati satu berarti variabel-variabel dependen memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen.
2 untuk data silang (crossection) relatif rendah karena adanya variasi yang besar antara masing-masing pengamatan, sedangkan untuk data runtun waktu (time series) biasanya mempunyai koefisien determinasi yang tinggi. Nilai R2 sebesar 0,417 mempunyai arti
bahwa variabel dependen mampu dijelaskan oleh variabel independen sebesar 41,7%. Dengan kata lain 41,7 % perubahan dalam LN_Z(PDRB Perkapita) mampu dijelaskan variabel
bahwa variabel dependen mampu dijelaskan oleh variabel independen sebesar 41,7%. Dengan kata lain 41,7 % perubahan dalam LN_Z(PDRB Perkapita) mampu dijelaskan variabel