BAB IV ANALISIS DATA DAN PEMBAHASAN
C. Analisis Data
2. Uji Asumsi Klasik
Model regresi dalam penelitian dapat digunakan untuk estimasi dengan signifikan dan representative jika model regresi tersebut tidak menyimpang dari asumsi dasar klasik regresi berupa: normalitas, autokorelasi, heterokedastisitas dan multikolinearitas. Berikut ini dipaparkan hasil asumsi klasik atas data yang digunakan dalam penelitian.
a. Uji Normalitas Data
Uji normalitas data dilakukan untuk menguji apakah nilai residual dari regresi itu berdistribusi normal atau tidak. Model regresi yang baik adalah model regresi yang memiliki distribusi nilai residual normal atau mendekati normal. Uji normalitas data dalam penelitian ini menggunakan alat uji Kolmogorov-Smirnov terhadap data residual regresi dan dilakukan dengan program SPSS 16.0. Hasil pengujian normalitas dengan Kolmogorov-Smirnov dapat dilihat pada tabel berikut ini. Tabel 3 Normalitas Data Unstandardized Residual N 304
Normal Parametersa Mean 0,0000000
Std. Deviation 0,99657883
Most Extreme Differences Absolute 0,312
Positive 0,312
Negative -0,305
Kolmogorov-Smirnov Z 5,442
Asymp. Sig. (2-tailed) 0,000
a. Test distribution is Normal.
Sumber: hasil pengolahan data
Tabel di atas menunjukkan bahwa nilai asymp.sig dalam uji kolmogorov smirnov atas seluruh nilai residu data yang digunakan dalam penelitian ini di
bawah tingkat signifikasi penelitian 5%. Hasil ini mengindikasikan bahwa seluruh data yang digunakan mempunyai distribusi yang tidak normal. Normalitas data merupakan prasyarat untuk dapat melakukan pengujian dengan model regresi. Oleh karena itu, untuk memperoleh data yang terdistribusi normal, penelitian ini menghilangkan outlier data. Dalam menghilangkan Outlier data dilakukan dengan berdasarkan nilai Z-score yang diperoleh dari proses deskripsi statistik data. Nilai Z-score yang atas data yang ekstrem tinggi ataupun ekstrem rendah dihilangkan atau dikeluarkan dari sampel penelitian.
Setelah dilakukan proses penghilangan outlier data diperoleh jumlah data observasi sejumlah 83 data observasi. Hal ini mengindikasikan bahwa jumlah data yang ekstrem dan dikeluarkan dari sampel adalah sebanyak 221. Setelah data outlier dihilangkan, selanjutnya data observasi yang diperoleh ditentukan nilai residunya dan kemudian diuji normalitas data dengan menggunakan kolmogorov smirnov. Hasil uji normalitas data setelah dihilangkan data outlier adalah seperti berikut ini.
Tabel 4
Normalitas Setelah Seleksi Data Outlier
Unstandardized Residual
N 83
Normal Parametersa Mean 0,0000000
Std. Deviation 0,06347008
Most Extreme Differences Absolute 0,112
Positive 0,112
Negative -0,066
Kolmogorov-Smirnov Z 10,024
Asymp. Sig. (2-tailed) 0,245
a. Test distribution is Normal. Sumber: hasil pengolahan data
Tabel di atas menunjukkan bahwa setelah tidak ada data outlier terdistribusi normal dengan dibuktikan oleh nilai asymp.sig yang lebih besar dari tingkat signifikasi penelitian 5% yaitu 0,245 atau 24,5%.
b. Uji Autokorelasi
Autokorelasi menunjuk pada hubungan yang terjadi antara anggota-anggota dari serangkaian observasi yang terletak berderetan secara series dalam bentuk waktu (time series) atau hubungan antara tempat yang berdekatan (cross sectional). Pada penelitian ini menggunakan alat uji runs test. Dari pengujiaan ini dapat dilihat apakah terjadi autokorelasi atau tidak didasarkan pada nilai asymp.sig dalam runs test. Apabila asymp. sig. Lebih besar dari 5%, maka tidak terjadi gejala autokorelasi dan sebaliknya jika asymp. sig. Lebih kecil 5% maka terjadi gejala aoutokorelasi dalam model regresi yang digunakan dalam penelitian ini. Berikut ini disajikan hasil uji runs test untuk mengindikasikan asumsi autokorelasi dalam model regresi yang digunakan dalam penelitian ini.
Tabel 5 Uji Autokorelasi
Unstandardized Residual
Test Valuea -0,01667
Cases < Test Value 41
Cases >= Test Value 42
Total Cases 83
Number of Runs 44
Z 0,333
Asymp. Sig. (2-tailed) 0,739
a. Median
Sumber: hasil pengolahan data
Tabel di atas menunjukkan bahwa nilai asymp. sig dalam uji runs atas model penelitian yang digunakan dalam penelitian ini adalah lebih besar dari 5%.
Hasil ini mengindikasikan bahwa variabel dalam model regresi yang digunakan dalam penelitian ini tidak terjadi gejala autokorelasi.
c. Ui Multikolinieritas
Uji multikolinieritas digunakan untuk menunjukkan adanya hubungan linier di antara variabel bebas dalam model regresi. Jika variabel-variabel bebas berkorelasi secara sempurna, maka metode kuadrat terkecil tidak bisa digunakan. variabel-variabel yang tidak berkorelasi dikatakan orthogonal, yang menunjukkan bahwa tidak ada masalah multikolinieritas. Multikolinearitas digunakan untuk mengetahui korelasi antar variabel independen. Model regresi yang baik adalah model yang tidak terdapat korelasi antara variabel independen atau korelasinya rendah. Keberadaan multikolinearitas diketahui dengan variance inflating factor (VIF) dan tolerance. Kriteria yang digunakan dalam pengambilan kesimpulan atas uji multikolineriatas adalah jika nilai tolerance lebih besar dari 0.1 (10%) dan nilai variance inflating factor lebih kecil dari 10. Berikut ini disajikan hasil uji multikolinieritas dalam model regresi yang digunakan dalam penelitian ini.
Tabel 6
Uji Multikolinieritas Varibael Tolerance Variance Inflating
Factor
Kesimpulan
TAX 0,643 1,556 Tidak terjadi multikolinieritas
GRANT 0,599 1,669 Tidak terjadi multikolinieritas
REV 0,552 1,813 Tidak terjadi multikolinieritas
EXP 0,404 2,474 Tidak terjadi multikolinieritas
REAL 0,687 1,456 Tidak terjadi multikolinieritas
CAP 0,755 1,056 Tidak terjadi multikolinieritas
Tabel di atas menunjukkan bahwa nilai tolerance untuk semua variabel dalam model regresi lebih besar dari 0,1 dan nilai variance inflating factor untuk semua variabel dalam tiap-tiap model regresi lebih kecil dari 10. Hasil pengujian ini mengindikasikan bahwa dalam model regresi yang digunakan dalam penelitian ini tidak terjadi gejala multikolinieritas atau seluruh variabel dalam model-model penelitian ini homokedastisitas.
d. Uji Heteroskedastisitas
Heteroskedastisitas merupakan keadaan seluruh faktor gangguan terjadi ketidaksamaan variance dari satu pengamatan ke pengamatan yang lain. Dalam penelitian ini, uji yang digunakan untuk mendeteksi heteroskedastisitas adalah metode Glejser, yaitu dengan meregresikan nilai absolute residual dengan variabel bebas. Kriteria yang digunakan adalah: jika probability value > 0,05 maka tidak terjadi heteroskedastisitas dan jika probability value < 0,05 maka terjadi heteroskedastisitas.
Tabel 7
Uji Heteroskedastisitas
Variabel Sig Kesimpulan
TAX 0,442 Tidak terjadi heteroskedastisitas
GRANT 0,794 Tidak terjadi heteroskedastisitas
REV 0,085 Tidak terjadi heteroskedastisitas
EXP 0,569 Tidak terjadi heteroskedastisitas
REAL 0,295 Tidak terjadi heteroskedastisitas
CAP 0,755 Tidak terjadi heteroskedastisitas
Sumber: hasil pengolahan data
Tabel di atas menunjukkan bahwa probabilitas dalam model regresi yang digunakan dalam penelitian ini lebih besar dari 0,05 atau 5% sehingga dapat
dinyatakan bahwa tidak terjadi gejala heteroskedastisitas dalam semua model regresi penelitian ini.
e. Uji Hipotesis
Tujuan penelitian ini adalah memperoleh bukti empiris terkait pengaruh revenue (REV), expenditure (EXP), real estate (REAL), taxes (TAX) dan grant (GRANT) terhadap kinerja keuangan pemerintah daerah yang dinyatakan dalam rasio current ratio (CR), debt to equity ratio (DER), assets turnover (AT), operating revenue to total revenue (ORTR) dan operting revenue to operating expense (OROE). Untuk tujuan penelitian tersebut, maka dalam melakukan analisis data penelitian dengan menggunakan model regresi berganda. Oleh karena penelitian ini menggunakan proksi kinerja keuangan pemerintah daerah dengan lima rasio keuangan, maka untuk kepentingan pengujian model regresi berganda harus diperoleh satu data atas variabel dependen. Untuk tujuan itu, penelitian ini menggunakan analisis faktor untuk membuat factor scores dengan menggunakan metode principal components sebagaimana dinyatakan Santosa (2002: 138-141). Setelah nilai factor scores, kemudian digunakan sebagai data kinerja keuangan dalam pengujian model regresi berganda. Berikut disajikan hasil pengujian data dengan model regresi berganda untuk mengambil kesimpulan terkait hipotesis yang diajukan dalam penelitian ini.
1. Uji signifikansi-F
Uji signifikansi-F dilakukan guna menentukan good of fittest atau uji kelayakan model regresi untuk digunakan dalam melakukan analisis hipotesis dalam penelitian. Kriteria yang digunakan dalam pengujian ini adalah
probability value (sig), apabila probability value dalam hasil pengujian lebih kecil dari 5%, maka dapat dinyatakan bahwa model layak (fit) untuk digunakan sebagai model regresi dalam penelitian dan sebaliknya jika probability value lebih besar dari 5%, maka dapat dinyatakan bahwa model tidak layak untuk digunakan dalam pengujian hipotesis penelitian.
Berikut disajikan hasil uji signifikansi-F atas kelima model regresi dalam penelitian ini.
Tabel 8
Uji Signifikansi-F (Kelayakan Model Regresi)
Model Sum of Squares df Mean Square F Sig.
1 Regression .101 6 .017 3.861 .002
a
Residual .330 76 .004
Total .431 82
a. Predictors: (Constant), CAP, TAXES, GRANT, REAL, REV, EXP
b. Dependent Variable: financial performance Sumber: hasil pengolahan data
*Signifikan pada a = 5%
Tabel di atas menunjukkan bahwa probability value atas model regresi yang digunakan dalam penelitian lebih kecil dari tingkat signifikansi penelitian 5% yaitu 0,002 (0,2%). Hasil ini mengindikasikan bahwa model regresi yang digunakan dalam penelitian ini layak (fit) untuk digunakan sebagai model regresi pengujian hipotesis.
2. Uji signifikansi-t
Uji signifikansi-t dimaksudkan untuk pengujian pengaruh variabel independen terhadap variabel dependen dalam penelitian sebagaimana dinyatakan dalam hipotesis penelitian ini. Selain untuk menguji pengaruh tersebut, uji ini juga dapat digunakan untuk mengetahui tanda koefisien
regresi masing-masing variabel independen sehingga dapat ditentukan arah pengaruh masing-masing variabel independen terhadap variabel dependen. Kriteria pengambilan kesimpulan atas hasil pengujian adalah probability value (sig)-t, apabila probability value (sig)-t lebih kecil dari 5%, maka dapat dinyatakan bahwa variabel independen berpengaruh terhadap variabel dependen sehingga hipotesis yang diajukan dalam penelitian dapat diterima atau didukung oleh data penelitian, sebaliknya jika probability value (sig)-t lebih besar dari 5%, maka dapat dinyatakan bahwa variabel independen tidak berpengaruh pada variabel dependen dan hipotesis yang diajukan tidak diterima atau tidak didukung oleh data penelitian. Berikut ini disajikan hasil uji signifikansi-t dalam penelitian ini.
Tabel 9 Uji Signifikansi-t
*signifikan pada a = 5% sumber: hasil pengolahan data
Tabel di atas menunjukkan hasil pengujian regresi berganda untuk model yang digunakan dalam penelitian ini. Hasil pengujian data di atas mengindikasikan bahwa variabel REV berpengaruh terhadap kinerja keuangan pemerintah daerah di Indonesia. Hasil ini diindikasikan oleh nilai probabilitas untuk variabel REV sebesar 0,005 yang lebih kecil dari tingkat
Variabel Koefisien t-value Sig.
KONSTANTA 0,384 9,768 0,000 TAX -1,606E-7 -0,773 0,442 GRANT -3,403E-8 -0,262 0,794 REV -1,452E-6 -2,915 0,005* EXP 5,713E-8 0,573 0,569 REAL -1,721E-8 -1,054 0,295 CAP 6,965E-9 0,313 0,755
signifikansi penelitian 5%. Sementara itu, untuk variabel yang lain, hasil pengujian mengindikasikan bahwa variabel TAX, GRANT, EXP, REAL dan CAP tidak berpengaruh terhadap kinerja keuangan pemerintah daerah di Indonesia. Hasil ini dibuktikan dengan nilai probabilitas masing-masing varaibel tersebut yang lebih besar dari tingkat signifikansi penelitian 5%. Nilai probabilitas untuk variabel TAX adalah sebesar 0,442, untuk variabel GRANT adalah sebesar 0,794 dan untuk variabel EXP adalah sebesar 0,569, nilai probabilitas untuk variabel REAL adalah sebesar 0,295 dan untuk variabel CAP adalah sebesar 0,755.
Hasil pengujian signifikansi-t di atas juga mendasari penyusunan model penelitian yang dapat dirumuskan seperti berikut ini.
FP = 0,384 -1,606E-7(TAX) -3,403E-8(GRANT) -1,452E-6 (REV) + 6,965E- 9(EXP) -1,721E-8 (REAL) + 5,713E-8(CAP)
3. Uji koefisien determinasi
Koefisien determinasi menyatakan persentase total variasi dari variabel dependen yang dapat dijelaskan oleh variabel independen dalam model. Untuk model regresi dengan satu variabel independen koefisien determninasi ditunjukkan oleh nilai R square (R2) dan untuk model regresi dengan menggunakan dua atau lebih variabel independen koefisien determinasi ditunjukkan oleh nilai adjusted R square (adj R2). Penelitian ini menggunkan nilai adj R2.
Hasil pengujian menunjukkan nilai R square dan adj R square untuk model regresi yang digunakan dalam penelitian ini masing-masing adalah sebesar 0,234 (23,4%) dan 0,173 (17,3%). Penelitian ini menggunakan variabel independen lebih dari dua variabel dan oleh karena menggunakan nilai adj R square dalam menganalisis koefisien determinasi. Nilai adj R square adalah 0,173 (17,3%) mengindikasikan bahwa variabilitas kinerja keuangan pemerintah daerah di Indonesia mampu dijelaskan oleh variabel independen berupa TAX, GRANT, REV, EXP dan REAL serta CAP sebesar 17,3% dan sisanya sebesar 82,7% dijelaskan oleh variabel lain yang tidak dimasukkan dalam model penelitian ini.