BAB III METODE PENELITIAN
3.7 Teknik Analisis Data
3.7.4 Uji Koefisien Determinasi
Koefisien Determinasi (R2) dilakukan untuk mengetahui sejauh mana kemampuan model dalam menerangkan variasi variabel dependen.
Nilai adjusted R2 berada diantara nilai nol sampai dengan satu. Semakin mendekati nilai satu maka variabel independen hampir memberikan semua informasi untuk memprediksi variabel dependen atau merupakan indicator yang menunjukkan semakin kuatnya kemampuan dalam menjelaskan perubahan variabel independen terhadap variasi variabel dependen.
Kelemahan yang mendasar dengan penggunaan R2 adalah bias terhadap jumlah variabel independen yang satu variabel independen, maka R2 pasti meningkat tidak melihat apakah variabel tersebut berpengaruh secara signifikan terhadap variabel dependen.
BAB IV
HASIL PENELITIAN DAN PEMBAHASAN 4.1. Hasil Penelitian
4.1.1 Analisis Deskriptif
Statistik deskriptif memberikan gambaran atau deskripsi suatu data yang dilihat dari nilai rata- rata (mean), standar deviasi, maksimum, minimum.
Tabel 4.1
Hasil Analisis Deskriptif
Descriptive Statistics
N Mean Std. Deviation Minimum Maximum
PAD 76 66330.4342 99467.12066 9000.00 608956.00
Ln_DAU 76 13.0822 .29956 12.53 13.92
Ln_DAK 76 10.9011 .27517 10.25 11.40
Ln_BKP 76 9.6016 .58556 7.93 11.00
IPM 76 6643.9474 472.27960 5895.00 7935.00
Sumber : Hasil Penelitian, 2016 (Data Diolah)
Berdasarkan hasil tabel 4.1 dapat diketahui bahwa nilai N banyaknya jumlah penelitian yang dipakai adalah sebanyak 76 sampel periode 2011 sampai 2014 adalah sebagai berikut :
1. Variabel PAD diketahui nilai rata-rata (mean) sebesar 66330,4342 dengan nilai standard deviasi sebesar 99467,12066 sedangkan nilai minimunya sebesar 9000,00 dan untuk nilai maksimum sebesar 608956,00.
2. Variabel DAU diketahui nilai rata-rata (mean) sebesar 13,0822 dengan nilai standard deviasi sebesar 0,29956 sedangkan nilai minimunya sebesar 12,53 dan untuk nilai maksimum sebesar 13,92.
3. Variabel DAK diketahui nilai rata-rata (mean) sebesar 10,9011 dengan nilai standard deviasi sebesar 0,27517 sedangkan nilai minimunya sebesar 10.25 dan untuk nilai maksimum sebesar 11,40.
4. Variabel BKP diketahui nilai rata-rata (mean) sebesar 9,6016 dengan nilai standard deviasi sebesar 0,58556 sedangkan nilai minimunya sebesar 7,93 dan untuk nilai maksimum sebesar 11,00.
5. Variabel IPM diketahui nilai rata-rata (mean) sebesar 6643,9474 dengan nilai standard deviasi sebesar 472,27960 sedangkan nilai minimunya sebesar 5895,00 dan untuk nilai maksimum sebesar 7935,00.
4.1.2 Uji Asumsi Klasik
Pengujian asumsi klasik yang digunakan dalam penelitian ini meliputi uji normalitas, multikolinearitas, heteroskedastisitas, dan autokorelasi. Adapun masing-masing pengujian tersebut dapat dijabarkan sebagai berikut :
4.1.2.1 Uji Normalitas Data
Uji normalitas data digunakan untuk menguji apakah dalam model regresi residual memiliki distribusi normal serta untuk menghindari bias dalam model regresi. cara unutk mendeteksi
apakah residual berdistribusi normal atau tidak, yaitu : Kolmogorov-Smirnov (K-S), grafik histogram dan grafik normal probability plot.
Tabel 4.2
Hasil Uji Normalitas Data Dengan Kolmogorov-Smirnov
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 76
Normal Parametersa,b Mean 0E-7
Std. Deviation 300.95148471
Most Extreme Differences
Absolute .074
Positive .074
Negative -.067
Kolmogorov-Smirnov Z .643
Asymp. Sig. (2-tailed) .803
a. Test distribution is Normal.
b. Calculated from data.
Sumber: Hasil Penelitian, 2016 (Data Diolah)
Berdasarkan tabel 4.2 diatas dapat diketahui bahwa nilai Asymp. Sig. (2-tailed) sebesar 0,803 jauh diatas nilai signifikan sebesar 0,05. Hal ini bisa juga dilihat di grafik histogram dan grafik normal probability-plot.
Gambar 4.1
Hasil Uji Normalitas Data Dengan Grafik Histogram
Dari grafik histogram tampak bahwa residual terdistribusi secara normal dan berbentuk tidak menceng ke kanan atau ke kiri.
Pada grafik normal probability plots titik-titik menyebar berhimpit di sekitar diagonal dan hal ini menujukkan bahwa residual terdistribusi secara normal. Sehingga dapat disimpulkan bahwa data bebas dari normalitas seperti terlihat pada gambar di bawah ini:
Gambar 4.2
Hasil Uji Normalitas Data Dengan Normal Probability Plot 4.1.2.2 Uji Multikolinearitas
Uji multikolinearitas berfungsi untuk mendeteksi ada atau tidaknya multikolinearitas di dalam model regresi, dapat dilihat dari nilai tolerance dan lawannya, serta variance inflation factor (VIF).
Berikut ini adalah hasil dari uji multikolinearitas:
Tabel 4.3
Hasil Uji Multikolinearitas
Coefficientsa
Model Unstandardized
Coefficients
Standardized Coefficients
Collinearity Statistics B Std. Error Beta Tolerance VIF
1
(Constant) 14574.051 2200.191
PAD .003 .001 .667 .462 2.165
Ln_DAU 60.051 220.448 .038 .293 3.419
Ln_DAK -703.531 165.103 -.410 .618 1.618
Ln_BKP -130.875 97.732 -.162 .390 2.567
a. Dependent Variable: y
Sumber: Hasil Penelitian, 2016 (Data Diolah)
Berdasarkan tabel 4.3 diatas dapat diketahui bahwa nilai tolerance untuk variabel PAD, DAU, DAK, dan BKP berkisar antara 0,462 sampai dengan 0,390 atau lebih besar dari nilai 0,10. Hal ini ditunjukkan dari nilai tolerance diatas yang menyatakan tidak ada variabel yang memiliki nilai tolerance kurang dari 0,10, sedangkan untuk nilai Variance Inflation Factor (VIF) menunjukkan tidak ada variabel PAD, DAU, DAK, dan BKP yang memiliki nilai VIF lebih dari 10, karena nilainya berkisar antara 2,165 sampai dengan 2,567.
Jadi dapat disimpulkan bahwa semua variabel independen terbebas dari multikolinearitas.
4.1.2.3 Uji Heteroskedastisitas
Uji Heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varian dari residual satu pengamatan ke pengamatan lain. Jika tidak ada pola tertentu serta titik–titik menyebar diatas dan dibawah angka nol pada sumbu Y, maka tidak terjadi heteroskedastisitas. Untuk mendeteksi adanya heteroskedastisitas dilakukan dengan melihat grafik scatterplot.
Berikut hasil pengujian untuk grafik scatterplot :
Gambar 4.3
Hasil Uji Heteroskedastisitas Dengan Scatterplot
Dari grafik di atas pada gambar 4.3 dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi sehingga model regresi layak dipakai.
4.1.2.4 Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah model regresi linier ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 (sebelumnya).
Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu dengan yang lain. Untuk menguji ada tidaknya gejala autokorelasi maka dapat dideteksi dengan uji Durbin-Waston (DW test).
Tabel 4.4 Hasil Uji Autokorelasi
Model Summaryb
Model R R
a. Predictors: (Constant), Ln_BKP, Ln_DAK, PAD, Ln_DAU b. Dependent Variable: y
Sumber: Hasil Penelitian, 2016 (Data Diolah)
Hasil uji autokorelasi di atas menunjukkan nilai statistik Durbin Watson (DW test) sebesar 1,781 dari jumlah sampel 76 dengan 4 variabel (n=76, k=4) dan tingkat signifikansi 0,05. Dengan melihat tabel Durbin-Watson, diperoleh nilai dL=1,5190 dan nilai dU=1,7399 maka diinterprestasikan sebagai berikut:
Tabel 4.5
Interprestasi Nilai Durbin Watson (n=76, k=4)
Hipotesis nol Keputusan Jika
Tidak ada autokorelasi
1,7399 < 1,781 < 2,2601
Sumber : Ghozali, 2013
Dari hasil tabel 4.5 menunjukkan bahwa nilai D-W yang dihasilkan 1,781 terletak diantara nilai dU < d < 4-dU yaitu 1,7399 <
1,781 < 2,2601 sehingga dapat disimpulkan bahwa tidak ada autokorelasi positif atau negatif atau dapat disimpulkan tidak terdapat autokorelasi (Ghozali, 2013).
4.1.3 Analisis Regresi Berganda
Analisis regresi linier berganda berguna untuk mencari pengaruh dua atau lebih variabel atau untuk mencari hubungan fungsional dua variabel dependen dengan variabel independen. Adapun hasil pengelolaan data dengan analisis regresi berganda dengan program SPSS 20 adalah sebagai berikut:
Tabel 4.6
Hasil Analisis Regresi Berganda
Coefficientsa
Model Unstandardized Coefficients Standardized Coefficients
t Sig.
B Std. Error Beta
1
(Constant) 14574.051 2200.191 6.624 .000
PAD .003 .001 .667 5.997 .000
Ln_DAU 60.051 220.448 .038 .272 .786
Ln_DAK -703.531 165.103 -.410 -4.261 .000
Ln_BKP -130.875 97.732 -.162 -1.339 .185
a. Dependent Variable: y
Sumber: Hasil Penelitian, 2016 (Data Diolah)
Diketahui model hubungan harga saham dengan variabel-variabel tersebut dapat disusun dalam fungsi atau persamaan sebagai berikut:
Y = a + b1X1 + b2X2 + b3X3 +b4X4+ e
Y = + 0,003X1 + 60,051X2 – 703,531X3 – 130,875X4 + e Persamaan regresi yang diperoleh diinterpretasikan sebagai berikut:
1. a = 14574,051
Nilai konstanta (a) adalah sebesar 14574,051 artinya jika variabel Pendapatan Asli Daerah, Dana Alokasi Umum, Dana Alokasi Khusus dan
Badan Keuangan Provinsi tidak ada, maka nilai Indeks Pembangunan Manusia akan meningkat sebesar 14574,051.
2. b1 = 0,003
Nilai b1 merupakan koefisien regresi dari variabel Pendapatan Asli Daerah sebesar 0,003 artinya jika terjadi peningkatan Pendapatan Asli Daerah maka Indeks Pembangunan Manusia akan terjadi peningkatan sebesar 0,003.
3. b2 = 60,051
Nilai b2merupakan koefisien regresi dari variabel Dana Alokasi Umum sebesar 60,051 artinya jika terjadi peningkatan Dana Alokasi Umum maka Indeks Pembangunan Manusia akan terjadi peningkatan sebesar 60,051.
4. b3 = -703,531
Nilai b3 merupakan koefisien regresi dari variabel Dana Alokasi Khusus sebesar -703,531 artinya jika terjadi penurunan Dana Alokasi Khusus maka Indeks Pembangunan Manusia akan terjadi penurunan sebesar 703,531.
5. b4 = -130,875
Nilai b4 merupakan koefisien regresi dari variabel Badan Keuangan Provinsi sebesar -130,875 artinya jika terjadi penurunan Badan Keuangan Provinsi maka Indeks Pembangunan Manusia akan terjadi penurunan sebesar 130,875.
4.1.3.1 Uji Hipotesis
Pengujian hasil analisis regresi linear berganda dilakukan dengan Uji F dan Uji T.
B. Uji Signifikansi Simultan (Uji-F)
Uji F digunakan untuk menunjukkan apakah semua variabel independen yang dimasukkan dalam model mempunyai pengaruh secara bersama-sama terhadap variabel dependen. Sedangkan menurut Ghozali (2005:84) ”Uji F digunakan untuk menunjukkan apakah semua variabel independen yang dimasukkan dalam model mempunyai pengaruh secara bersama-sama terhadap variabel dependen”.
Kriteria yang digunakan dalam menerima atau menolak hipotesis adalah:
1) Ha diterima atau H0 ditolak apabila Fhitung > Ftabel, maka nilai signifikan < 0,05.
2) Ha ditolak atau H0 diterima apabila Fhitung < Ftabel, maka nilai signifikan > 0,05.
Tabel 4.7
Hasil Signifikan Simultan (Uji F)
ANOVAa
Model Sum of
Squares
df Mean Square F Sig.
1
Regression 9935717.078 4 2483929.270 25.962 .000b
Residual 6792884.711 71 95674.433
Total 16728601.789 75
a. Dependent Variable: y
b. Predictors: (Constant), Ln_BKP, Ln_DAK, PAD, Ln_DAU Sumber: Hasil Penelitian, 2016 (Data Diolah)
Berdasarkan hasil tabel 4.7 dapat dilihat bahwa nilai Fhitung sebesar 25,962 > Ftabel sebesar 2,49 dan nilai signifikan sebesar 0,000 < 0,05 maka H0 ditolak dan Ha diterima. Dengan demikian dapat disimpulkan bahwa PAD, DAU, DAK dan BKP berpengaruh signifikan secara simultan atau bersamaan terhadap IPM.
C. Uji Signifikansi Parsial (Uji T)
Pengujian ini bertujuan untuk mengetahui apakah masing-masing variabel independen mempengaruhi variabel dependen secara signifikan. Pengujian dilakukan menggunakan uji-t dengan tingkat pengujian pada α=5% derajat kebebasan (degree of freedom) atau df = n-k (76 - 4 = 72).
Hasil Uji Signifikan Parsial (Uji T)
Coefficientsa
(Constant) 14574.051 2200.191 6.624 .000
PAD .003 .001 .667 5.997 .000
Ln_DAU 60.051 220.448 .038 .272 .786
Ln_DAK -703.531 165.103 -.410 -4.261 .000
Ln_BKP -130.875 97.732 -.162 -1.339 .185
a. Dependent Variable: y
Sumber: Hasil Penelitian, 2016 (Data Diolah)
Berdasarkan hasil tabel 4.8 dapat dilihat bahwa hasil uji t untuk variabel PAD nilai thitung sebesar 5,997 > ttabel sebesar 1,99346 dengan nilai signifikan 0,000 < 0,05. Maka H0 ditolak dan Ha diterima. Hal ini menunjukkan bahwa variabel PAD berpengaruh signifikan terhadap IPM.
Hasil uji t untuk variabel DAU nilai thitung sebesar 0,272 < ttabel
sebesar 1,99346 dengan nilai signifikan 0,786 > 0,05. Maka H0 diterima dan Ha ditolak. Hal ini menunjukkan bahwa variabel DAU tidak berpengaruh signifikan terhadap IPM.
Hasil uji t untuk variabel DAK nilai thitung sebesar -4,261 < ttabel sebesar 1,99346 dengan nilai signifikan 0,000 < 0,05. Maka H0
diterima dan Ha ditolak. Hal ini menunjukkan bahwa variabel DAK tidak berpengaruh signifikan terhadap IPM.
Hasil uji t untuk variabel BKP nilai thitung sebesar -1,339 < ttabel
sebesar 1,99346 dengan nilai signifikan 0,185 > 0,05. Maka H0 diterima dan Ha ditolak. Hal ini menunjukkan bahwa variabel BKP tidak berpengaruh signifikan terhadap IPM.
4.1.3.2 Pengujian Variabel Moderating-Uji Residual
Untuk melakukan uji regresi dengan variabel moderating dapat dilakukan dengan tiga cara yaitu : Uji Interaksi, Uji Nilai Selisih Mutlak, dan Uji Residual. Untuk melakukan pengujian regresi dengan variabel moderating dalam penelitian ini, penulis
memilih Uji Residual. Analisis residual ini menguji pengaruh deviasi dari suatu model dengan fokus lack of fit antar variabel independen (Ghozali, 2011:240).
A. Uji Signifikan Jumlah Penduduk dalam Memoderasi Pengaruh PAD, DAU, DAK dan BKP terhadap IPM secara simultan (Uji-F)
Hasil pengujian variabel moderating dengan Uji Residual secara simultan pada penelitian ini adalah sebagai berikut:
Tabel 4.9
Hasil Uji Signifikan Jumlah Penduduk dalam Memoderasi Pengaruh PAD, DAU, DAK, dan BKP
terhadap IPM secara simultan.
Coefficientsa
Model Unstandardized
Coefficients
Standardized Coefficients
t Sig.
B Std. Error Beta
1
(Constant) 361.383 126.857 2.849 .006
IPM -3.991 1.905 -.237 -2.096 .040
a. Dependent Variable: Abs_RES1
Sumber: Hasil Penelitian, 2016 (Data Diolah)
Berdasarkan tabel 4.9 diatas dapat diketahui bahwa koefisien regresi dari Indeks Pembangunan Manusia bernilai negative sebesar -3,991 dan tingkat signifikan sebesar 0,040 < 0,05. Dengan demikian, Jumlah Penduduk memoderasi pengaruh antara PAD, DAU, DAK, dan BKP terhadap Indeks Pembangunan Manusia.
B. Uji Signifikan Jumlah Penduduk dalam Memoderasi Pengaruh Variabel Independen terhadap Variabel Dependen secara parsial (Uji-t)
Pengujian variabel moderating dengan Uji Residual secara parsial pada penelitian ini adalah sebagai berikut:
1. Uji Signifikan Jumlah Penduduk Dalam Memoderasi Pengaruh PAD Terhadap IPM
Berdasarkan pengolahan data dengan SPSS, diperoleh hasil pengujian sebagai berikut:
Tabel 4.10
Hasil Uji Signifikan Jumlah Penduduk dalam Memoderasi Pengaruh PAD terhadap IPM
Coefficientsa
Model Unstandardized
Coefficients
Standardized Coefficients
t Sig.
B Std. Error Beta
1
(Constant) 717.439 165.506 4.335 .000
IPM -9.094 2.485 -.391 -3.660 .000
a. Dependent Variable: AbsRes_PAD Sumber: Hasil Penelitian, 2016 (Data Diolah)
Berdasarkan tabel 4.10 diatas dapat diketahui bahwa koefisien regresi dari Indeks Pembangunan Manusia bernilai negatif sebesar -9,094 dan tingkat signifikan sebesar 0,000 <
0,05. Dengan demikian, Jumlah Penduduk memoderasi pengaruh antara PAD terhadap Indeks Pembangunan Manusia.
2. Uji Signifikan Jumlah Penduduk Dalam Memoderasi Pengaruh DAU Terhadap IPM
Berdasarkan pengolahan data dengan SPSS, diperoleh hasil pengujian sebagai berikut:
Tabel 4.11
Hasil Uji Signifikan Jumlah Penduduk dalam Memoderasi Pengaruh DAU terhadap IPM
Coefficientsa
Model Unstandardized
Coefficients
Standardized Coefficients
t Sig.
B Std. Error Beta
1
(Constant) 223.010 141.114 1.580 .118
IPM -1.834 2.119 -.100 -.865 .390
a. Dependent Variable: AbsRes_DAU Sumber: Hasil Penelitian, 2016 (Data Diolah)
Berdasarkan tabel 4.11 diatas dapat diketahui bahwa koefisien regresi dari Indeks Pembangunan Manusia bernilai negatif sebesar -1,834 dan tingkat signifikan sebesar 0,390 >
0,05. Dengan demikian, jumlah penduduk tidak memoderasi pengaruh antara DAU terhadap Indeks Pembangunan Manusia.
3. Uji Signifikan Jumlah Penduduk Dalam Memoderasi Pengaruh DAK Terhadap IPM
Berdasarkan pengolahan data dengan SPSS, diperoleh hasil pengujian sebagai berikut:
Tabel 4.12
Hasil Uji Signifikan Jumlah Penduduk dalam Memoderasi Pengaruh DAK terhadap IPM
Coefficientsa Sumber: Hasil Penelitian, 2016 (Data Diolah)
Berdasarkan tabel 4.12 diatas dapat diketahui bahwa koefisien regresi dari Indeks Pembangunan Manusia bernilai negatif sebesar -6,932 dan tingkat signifikan sebesar 0,004 <
0,05. Dengan demikian, Jumlah Penduduk memoderasi pengaruh antara DAK terhadap Indeks Pembangunan Manusia.
4. Uji Signifikan Jumlah Penduduk Dalam Memoderasi Pengaruh BKP Terhadap IPM
Berdasarkan pengolahan data dengan SPSS, diperoleh hasil pengujian sebagai berikut:
Tabel 4.13
Hasil Uji Signifikan Jumlah Penduduk dalam Memoderasi Pengaruh BKP terhadap IPM
Coefficientsa
IPM -5.306 2.122 -.279 -2.500 .015 a. Dependent Variable: AbsRes_BKP
Sumber: Hasil Penelitian, 2016 (Data Diolah)
Berdasarkan tabel 4.13 diatas dapat diketahui bahwa koefisien regresi dari Indeks Pembangunan Manusia bernilai negatif sebesar -5,306 dan tingkat signifikan sebesar 0,015 <
0,05. Dengan demikian, Jumlah Penduduk memoderasi pengaruh antara BKP terhadap Indeks Pembangunan Manusia.
4.1.4 Koefisien Determinasi (R2)
Koefisien Determinasi (R2) dilakukan untuk mengetahui sejauh mana kemampuan model dalam menerangkan variasi variabel dependen.
Nilai adjusted R2 berada diantara nilai nol sampai dengan satu. Semakin mendekati nilai satu maka variabel independen hampir memberikan semua informasi untuk memprediksi variabel dependen atau merupakan indicator yang menunjukkan semakin kuatnya kemampuan dalam menjelaskan perubahan variabel independen terhadap variasi variabel dependen. Nilai koefisien determinasi atau nilai adjusted R2 tersebut akan tampak pada tabel dibawah ini:
Tabel 4.14
Hasil Koefisien Determinasi
Model Summaryb
Model R R Square Adjusted R Square Std. Error of the Estimate
1 .771a .594 .571 309.31284
a. Predictors: (Constant), LN_BKP, Ln_X3, x1, Ln_X2 b. Dependent Variable: y
Sumber : Hasil Penelitian, 2016 (Data Diolah)
Berdasarkan tabel 4.14 diatas, diperoleh nilai adjusted R2 sebesar 0,571. Hal ini berarti bahwa hanya 57,1% perubahan dalam variabel Indeks Pembangunan Manusia dapat dijelaskan oleh dari variasi variabel Pendapatan Asli Daerah, Dana Alokasi Umum, Dana Alokasi Khusus dan Badan Keuangan Provinsi. Sedangkan sisanya sebesar 42,9% dijelaskan oleh variabel-variabel lain.
4.2. Pembahasan Hasil Penelitian
Pembahasan atas hasil penelitian statistik yang diperoleh dalam penelitian adalah sebagai berikut:
4.2.1 Pengaruh Pendapatan Asli Daerah terhadap Indeks Pembangunan Manusia
Hasil penelitian ini terlihat dari Uji-t yang menunjukkan hasil thitung
sebesar 5,997 > ttabel sebesar 1,99346 dengan nilai signifikan 0,000 yang berada dibawah 0,05. Berdasarkan pengujian statistik dengan uji-t terhadap Indeks Pembangunan Manusia. Dengan demikian, secara parsial Pendapatan Asli Daerah berpengaruh signifikan terhadap Indeks Pembangunan Manusia. Artinya, semakin tinggi jumlah dari Pendapatan Asli Daerah yang diperoleh akan meningkatkan Indeks Pembangunan Manusia di daerah tersebut. Hasil penelitian ini sejalan dengan Widarwanto (2015) yang menyatakan bahwa Pendapatan Asli Daerah berpengaruh positif dan
signifikan terhadap Indeks Pembangunan Manusia. Lokasi penelitian dilaksanakan di wilayah Kabupaten/Kota di Provinsi Sumatera Utara.
Nilai Pendapatan Asli Daerah yang digunakan dalam penelitian ini diukur dengan menggunakan pajak daerah, retribusi daerah, hasil pengelolaan kekayaan daerah yang dipisahkan dan lain-lain pendapatan asli daerah yang sah. Menurut Abdul Halim (2004:94), Pendapatan Asli Daerah (PAD) adalah penerimaan yang diperoleh daerah dari sumber-sumber dalam wilayahnya sendiri yang dipungut berdasarkan peraturan daerah sesuai dengan peraturan perundang-undangan yang berlaku. Sektor pendapatan daerah memegang peranan yang sangat penting, karena melalui sektor ini dapat dilihat sejauh mana suatu daerah dapat membiayai kegiatan pemerintah dan pembangunan daerah. Ketika kinerja pemerintah semakin baik, maka Pendapatan Asli Daerah yang dikelola pemerintah semakin efektif pengalokasiannya dalam merealisasikan program-program pemerintah untuk kesejahteraan masyarakat.
4.2.2 Pengaruh Dana Alokasi Umum terhadap Indeks Pembangunan Manusia
Hasil penelitian ini terlihat dari Uji-t yang menunjukkan hasil thitung
sebesar 0,272 < ttabel sebesar 1,99346 dengan nilai signifikan 0,786 yang berada diatas 0,05. Berdasarkan pengujian statistik dengan uji-t terhadap Indeks Pembangunan Manusia. Dengan demikian, secara parsial Dana Alokasi Umum tidak berpengaruh signifikan terhadap Indeks Pembangunan
Manusia. Artinya, tinggi atau rendahnya Dana Alokasi Umum yang diperoleh suatu daerah tersebut tidak berpengaruh terhadap Indeks Pembangunan Manusia. Hasil penelitian ini sejalan dengan Lugastoro dan Ananda (2013) yang menyatakan bahwa Dana Alokasi Umum berpengaruh negatif signifikan terhadap Indeks Pembangunan Manusia. Lokasi penelitian dilaksanakan di wilayah Kabupaten/Kota Jawa Timur.
Nilai Dana Alokasi Umum yang digunakan dalam penelitian ini diukur dengan menghitung logaritma natural (Ln) dari total jumlah Dana Alokasi Umum yang diperoleh daerah tersebut. Dana Alokasi Umum (DAU) adalah salah satu transfer dana Pemerintah kepada Pemerintah Daerah yang bersumber dari pendapatan APBN, yang dialokasikan dengan tujuan pemerataan kemampuan keuangan antar daerah untuk mendanai kebutuhan daerah dalam rangka pelaksanaan desentralisasi. Dengan demikian terjadi transfer yang cukup signifikan di dalam APBN dari pemerintah pusat ke pemerintah daerah, dan pemerintah daerah secara leluasa dapat menggunakan dana ini apakah untuk memberi pelayanan yang lebih baik kepada masyarakat atau untuk keperluan lain yang tidak penting, (Darwanto dan Yustikasari 2007). Pada kondisi tersebut, pelaksanaan penyediaan layanan publik dapat terwujud dengan baik, sehingga pembangunan manusia akan berhasil dan Indeks Pembangunan Manusia akan meningkat.
4.2.3 Pengaruh Dana Alokasi Khusus terhadap Indeks Pembangunan Manusia
Hasil penelitian ini terlihat dari Uji-t yang menunjukkan hasil thitung sebesar -4,261 < ttabel sebesar 1,99346 dengan nilai signifikan 0,000 yang berada dibawah 0,05. Berdasarkan pengujian statistik dengan uji-t terhadap Indeks Pembangunan Manusia. Dengan demikian, secara parsial Dana Alokasi Khusus tidak berpengaruh signifikan terhadap Indeks Pembangunan Manusia. Artinya, tinggi atau rendahnya Dana Alokasi Khusus yang diperoleh suatu daerah tersebut tidak berpengaruh terhadap Indeks Pembangunan Manusia. Hasil penelitian ini sejalan dengan Widarwanto (2015) yang menyatakan bahwa Dana Alokasi Khusus tidak berpengaruh signifikan terhadap Indeks Pembangunan Manusia. Lokasi penelitian dilaksanakan di wilayah Kabupaten/Kota Provinsi Sumatera Utara.
Nilai Dana Alokasi Khusus yang digunakan dalam penelitian ini diukur dengan menghitung logaritma natural (Ln) dari total jumlah Dana Alokasi Khusus yang diperoleh daerah tersebut. Dana Alokasi Khusus adalah dana yang bersumber dari pendapatan APBN yang dialokasikan kepada daerah tertentu dengan tujuan untuk membantu mendanai kegiatan khusus yang merupakan urusan daerah dan sesuai dengan prioritas nasional.
Diprioritaskan untuk membantu daerah-daerah dengan kemampuan keuangan di bawah rata-rata nasional, dalam rangka mendanai kegiatan penyediaan sarana dan prasarana fisik pelayanan dasar masyarakat yang telah merupakan urusan daerah. Dana Alokasi Khusus merupakan dana yang berasal dari APBN dan dialokasikan ke daerah kabupaten/kota untuk
membiayai kebutuhan tertentu yang sifatnya khusus, tergantung tersedianya dana dalam APBN (Suparmoko, 2002).
4.2.4 Pengaruh Bantuan Khusus Provinsi terhadap Indeks Pembangunan Manusia
Hasil penelitian ini terlihat dari Uji-t yang menunjukkan hasil thitung
sebesar -1,339 < ttabel sebesar 1,99346 dengan nilai signifikan 0,185 yang berada diatas 0,05. Berdasarkan pengujian statistik dengan uji-t terhadap Indeks Pembangunan Manusia. Dengan demikian, secara parsial Bantuan Keuangan Provinsi tidak berpengaruh signifikan terhadap Indeks Pembangunan Manusia. Artinya, tinggi atau rendahnya Bantuan Keuangan Provinsi yang diperoleh suatu daerah tersebut tidak berpengaruh terhadap Indeks Pembangunan Manusia. Hasil penelitian ini berbanding terbalik dengan penelitian Novianty Wenny (2016) yang menyatakan bahwa Bantuan Keuangan Provinsi berpengaruh signifikan positif terhadap Indeks Pembangunan Manusia. Lokasi penelitian dilaksanakan di wilayah Kabupaten/Kota Provinsi Sumatera Utara.
Nilai Bantuan Keuangan Provinsi yang digunakan dalam penelitian ini diukur dengan menghitung logaritma natural (Ln) dari total jumlah Bantuan Keuangan Provinsi yang diperoleh daerah tersebut. Peraturan Menteri Dalam Negeri Nomor 13 Tahun 2006 menyatakan bahwa bantuan keuangan digunakan untuk menganggarkan bantuan keuangan yang bersifat umum atau khusus dari provinsi kepada kabupaten/kota, pemerintah desa,
dan kepada pemerintah daerah lainnya atau dari pemerintah kabupaten/kota kepada pemerintah desa dan pemerintah daerah lainnya dalam rangka pemerataan dan/atau peningkatan kemampuan keuangan. Secara khusus, bantuan keuangan tersebut membantu pencapaian kinerja program prioritas pemerintah daerah penerima bantuan keuangan. Ketika program prioritas pemerintah tersebut tercapai, maka akan berpengaruh terhadap kesejahteraan penduduk yang dinilai dari meningkatnya Indeks Pembangunan Manusia.
4.2.5 Pengaruh Pendapatan Asli Daerah, Dana Alokasi Umum, Dana Alokasi Khusus dan Bantuan Keuangan Provinsi secara simultan terhadap Indeks Pembangunan Manusia
Berdasarkan uji hipotesis yang dilakukan, diperoleh hasil bahwa secara simultan variabel Pendapatan Asli Daerah (PAD), Dana Alokasi Umum (DAU), Dana Alokasi Khusus (DAK) dan Bantuan Keuangan Provinsi (BKP) berpengaruh signifikan secara simultan terhadap Indeks Pembangunan Manusia. Hasil penelitian ini terlihat dari uji-F yang menunjukkan hasil Fhitung sebesar 25,962 > Ftabel sebesar 2,49 dan nilai signifikan sebesar 0,000 berada dibawah 0,005. Walaupun secara parsial hanya PAD yang berpengaruh secara parsial terhadap IPM, sedangkan DAU, DAK dan BKP tidak berpengaruh terhadap IPM. Hasil penelitian ini didukung oleh Widarwanto (2015) yang menyatakan DAU, DAK, PAD dan BKP berpengaruh secara simultan terhadap IPM. Dan juga hasil penelitian