35
Berdasarkan pertimbangan di atas, maka sampel yang digunakan adalah sebagai berikut:
Tabel 3.2 Daftar Sampel Pemerintah Kabupaten Aceh
No. Pemerintahan Kabupaten No. Pemerintahan Kabupaten
1. Kabupaten Aceh Utara
6. Kabupaten Aceh Barat Daya
2. Kabupaten Aceh Besar
7. Kabupaten Aceh Jaya
3. Kabupaten Aceh Barat
8. Kabupaten Nagan Raya
4. Kabupaten Bireuen
9. Kabupaten Aceh Selatan
5. Kabupaten Gayo Lues
Jumlah amatan adalah 72 9 kabupaten x 8 tahun.
3.3 Jenis dan Sumber Data
Data penelitian ini menggunakan data sekunder. Data sekunder dikumpulkan dari sumber-sumber tercetak, dimana data ini telah dikumpulkan
oleh pihak lain sebelumnya. Pada penelitian ini data diperoleh dari situs Direktorat Jenderal Perimbangan Keuangan Kementerian Keuangan Republik
Indonesia http:www.djpk.kemenkeu.go.id berupa data series keuangan tahun 2006-2013.
3.4 Defenisi Operasional dan Skala Pengukuran
Variabel-variabel yang digunakan dalam penelitian dan defenisinya akan dijelaskan melalui tabel berikut ini:
36
Tabel 3.3 Defenisi Operasional dan Skala Pengukuran
Jenis Variabel
Nama Variabel Defenisi
Skala
Independen Pajak Daerah
Pajak Daerah adalah kontribusi wajib kepada daerah yang terutang
oleh orang pribadi atau badan yang
bersifat memaksa
berdasarkan Undang-Undang,
dengan tidak
mendapatkan imbalan secara langsung dan
digunakan untuk keperluan daerah bagi
sebesar-besarnya kemakmuran rakyat.
Rasio
Independen Retribusi Daerah
Retribusi Daerah adalah pungutan daerah sebagai pembayaran atas
jasa atau pemberian izin tertentu yang khusus disediakan danata
diberikan oleh Pemerintah Daerah untuk kepentingan orang pribadi
atau badan. Rasio
Dependen Belanja Modal
Belanja modal adalah pengeluaran anggaran untuk perolehan asset
tetap berwujud yang memberi manfaat lebih dari satu periode
akuntansi. Rasio
3.5 Metode Pengumpulan Data
Metode pengumpulan data dalam penelitian ini adalah melakukan teknik dokumentasi, yaitu peneliti mengumpulkan data sekunder, mencatat, dan
mengolah data yang berkaitan dengan penelitian ini.
3.6 Metode Analisis Data
Analisis data dalam penelitian ini dilakukan dengan melakukan uji asumsi klasik dan pengujian hipotesis.
37
1 Uji Asumsi Klasik Metode analisis data yang digunakan dalam penelitian ini adalah metode
analisis statistik dengan menggunakan SPSS. Pengujian regresi linier berganda dapat dilakukan setelah model dari penelitian ini memenuhi syarat-syarat yaitu
lolos dari asumsi klasik. Syarat-syarat tersebut adalah harus terdistribusi secara normal, artinya bebas dari adanya gejala multikolonieritas, gejala autokorelasi,
dan gejala heterokedastisitas. Untuk itu sebelum melakukan pengujian regresi linier berganda perlu dilakukan terlebih dahulu pengujian asumsi klasik. Uji
asumsi klasik yang dilakukan peneliti meliputi uji normalitas, uji multikolinearitas, uji autokorelasi dan uji heteroskedastisitas.
a. Uji Normalitas Menurut Erlina 2011: 101,”tujuan uji normalitas adalah ingin
mengetahui apakah dalam model regresi variable pengganggu atau residual memiliki distribusi normal. Pengujian ini diperlukan karena untuk
melakukan uji t dan uji F mengasumsikan bahwa nilai residual mengikuti distribusi normal. Jika asumsi ini dilanggar atau tidak dipenuhi maka uji
statistic menjadi tidak va lid untuk jumlah sampel kecil. “
Salah satu cara untuk menguji normalitas distribusi data dengan menggunakan alat bantu SPSS yaitu menggunakan statistic nonparametric-
Kolmogorov-Smirnov. Distribusi
data dapat
dilihat dengan
membandingkan Zhitung dan Ztabel dengan kriteria sebagai berikut :
38
1 Jika Zhitung Kolmogorov Smirnov Ztabel 1,96, atau angka signifikan taraf signifikan
α 0,05 maka distribusi data dikatakan normal.
2 Jika Zhitung Kolmogorov Smirnov Ztabel 1,96, atau angka signifikan taraf signifikan
α 0,05 maka distribusi data dikatakan tidak normal.
Ada beberapa cara yang dapat digunakan untuk mengatasi data yang tidak normal, diantaranya:
1 Transformasi data ke bentuk lainnya Pelanggaran asumsi normalitas biasanya disebabkan
bentuknya menceng skew, sehingga untuk mengatasinya dapat mengubah nilai atau mentransformasikan nilai ke dalam bentuk
log. Dengan mentransformasikan nilai-nilai observasi data ke dalam bentuk log diharapkan dapat membentuk distribusi yang
normal. 2 Trimming
Trimming adalah membuang data yang outlier. Nilai outlier bisa ditentukan dengan kriteria nilainya lebih kecil dari µ-
2σ atau lebih besar dari
µ+2σ. Metode ini juga mengecilkan sampelnya. 3 Winsorizing
Winsorizing yaitu mengubah nilai data yang outlier ke suatu nilai tertentu, menjadi nilai maksimum dan minimum yang
diizinkan. Nilai observasi yang lebih kecil dari µ - 2σ akan diubah
39
menjadi µ - 2σ dan nilai observasi yang lebih besar µ+2σ akan
diubah menjadi nilai µ+2σ.
b. Uji Multikolinieritas Uji multikolinearitas bertujuan untuk menguji apakah model
regresi ditemukan adanya korelasi di antara variable independen. Model regresi yang baik seharusnya tidk terjadi korelasi di antara variable
independen. Menurut Ghozali 2005 : 91, untuk mendeteksi ada atau tidaknya
multikolinearitas di dalam model regresi dijelaskan berikut ini. 1 Nilai R2 yang dihasilkan oleh suatu estimasi model regresi
empiris sangat tinggi, tetapi secara individual variabel-variabel independennya banyak yang tidak signifikan mempengaruhi
variabel dependen. 2 Menganalisis matrik korelasi variabel-variabel independen. Jika
antar variabel independen ada korelasi yang cukup tinggi umumnya di atas 0.90, maka hal ini merupakan indikasi adanya
multikolinearitas. Tidak adanya korelasi yang tinggi antar variabel independen
tidak berarti
bebas dari
multikolinearitas. Multikolinearitas dapat disebabkan karena adanya efek kombinasi
dua atau lebih variabel independen. 3 Multikolinearitas dapat juga dilihat dari a nilai tolerance dan
lawannya b variance inflation factor VIF. Kedua ukuran ini menunjukkan setiap variabel independen manakah yang dijelaskan
oleh variabel independen lainnya. Dalam pengertian sederhana setiap variabel independen menjadi variabel dependen terikat dan
diregres terhadap variabel independen lainnya. Tolerance mengukur variabilitas variabel independen yang terpilih yang tidak
dijelaskan oleh variabel independen lainnya. Jadi nilai tolerance yang rendah sama dengan nilai VIF tinggi karena VIF = 1
Tolerance. Nilai cutoff yang umum dipakai untuk menunjukkan adanya multikolinearitas adalah nilai tolerance 0.10 atau sama
dengan nilai VIF 10.
40
c. Uji Autokorelasi Uji autokorelasi bertujuan untukmelihat apakah dalam suatu model
regresi linearada korelasi antar kesalahan pengganggu pada periode t dengan kealahan pada periode t-1. Auto korelasi muncul karena observasi
yangberurutan sepanjang tahun yang berkaitan dengan lainnya. Pengujian autokorelasi dapat dilakukan dengan menggunakan uji
Durbin-Watson. 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 di atas +2 berarti autokorelasi negatif.
d. Uji Heteroskedasititas Salah satu asumsi yang penting dari modelregresi linear adalah
varian residual bersifat homokedastisitas atau bersifat konstan. Umumnya hetereokedastisitas sering terjadi pada model yang menggunakan datacross
section silang waktu daripada data time series. Uji heterokedasititas dilakukan untuk menguji apakah dalam
sebuah model regresi telah terjadi ketidaksamaan varian dari residual suatu pengamatan ke pengamatan yang lainnya. Model regresi yang baik adalah
41
model regresi yang memiliki persamaan variance residual atau homokedastisitas.
Uji heteroskedastisitas dilakukan dengan cara melihat grafik scattter plot antara variabel dependen yaitu ZPRED dengan residualnya
SRESID. Dasar analisisnya: 1 Jika ada pola-pola tertentu, seperti titik-titik yang membentuk pola
tertentu yang teratur, maka terjadi heteroskedastisitas, 2 Jika tidak ada pola yang jelas atau titik-titik menyebar di atas dan
di bawah angka nol pada sumbu Y, maka tidak terjadi heteroskedastisitas atau terjadi homoskedastisitas.
2 Pengujian Hipotesis Model regresi linier berganda adalah model regresi yang memiliki lebih
dari satu variabel independen. Pada penelitian ini terdapat dua variabel independen, yakni pajak daerah dan retribusi daerah. Model regresi linier
berganda dikatakan model yang baik jika model tersebut memiliki asumsi normalitas data dan terbebas dari asumsi-asumsi klasik statistik baik
multikolinieritas, autokorelasi dan heterokedastisitas. Persamaan regresi linier berganda yaitu :
Y = α + β1X1 + β2X2 + ε
Keterangan : Y = Indeks Pengungkapan,
X1 = Pajak Daerah, X2 = Retribusi Daerah,
42
α = Konstanta, ε = error,
β1, β2 = koefisien regresi yang menunjukkan perubahan variabel
dependen berdasarkan pada variabel independen. a. Uji Parsial t-test
Uji parsial t-test bertujuan untuk mengetahui apakah masing-masing variabel independen mempengaruhi variabel dependen secara signifikan.
Untuk pengujian secara parsial ini digunakan uji-t. Hipotesis statistik yang diajukan adalah :
H1 : bi ≠ 0 : ada pengaruh Kriteria yang digunakan dalam menerima atau menolak hipotesis adalah:
1 H1 diterima apabila thitung ttabel, pada α = 5 dan nilai
probabilitas level of significant sebesar 0,05, 2 H1 ditolak apabila thitung ttabel, pada
α = 5 dan nilai probabilitas level of significant sebesar 0,05.
b. Uji Simultan F-test Pengujian ini bertujuan untuk mengetahui apakah variabel-variabel
independen secara bersama-sama mempengaruhi variabel dependen secara signifikan. Pengujian simultan ini menggunakan uji F, yaitu dengan
membandingkan antara nilai signifikansi F dengan nilai signifikasi yang digunakan yaitu 0,05.
43
Hipotesis yang akan diuji adalah sebagai berikut : H1 : b0 = b1 = b2 ≠ 0 : semua variabel independen berpengaruh
secara bersama-sama. Kriteria yang digunakan dalam menerima atau menolak hipotesis
adalah : 1 H1 diterima apabila Fhitung
Ftabel, pada α = 5 dan nilai probabilitas level of significant sebesar 0,05,
2 H1 ditolak apabila Fhitung Ftabel, pada α = 5 dan nilai
probabilitas level of significant sebesar 0,05 c. Analisis Koefisien Korelasi dan Determinasi
Nilai koefisien korelasi R menunjukkan seberapa besar korelasi atau hubungan antara variabel-variabel independen dengan variabel dependen.
Koefisian korelasi dikatakan kuat apabila niali R lebih besar dari 0,5 atau mendekati 1. Koefisian determinasi R Square menunjukkan seberapa besar
variabel dependen menjelaskan variabel dependennya. Nilai R square adalah 0 sampai 1. Apabila R square mendekati satu maka variabel-variabel independen
memberikan semua informasi yang dibutuhkan untuk mendeteksi variasi variabel dependennya. Sebaliknya semakin kecil R square maka kemampuan variabel
independennya untuk menjelaskan variabel dependen semakin terbatas.
44
3.7 Jadwal Penelitian
