30
Pengambilan sampel dalam penelitian ini menggunakan metode purposive sampling, yaitu metode pemilihan sampel berdasarkan kriteria-kriteria tertentu
Daulay, 2010. Adapun kriteria pengambilan sampel adalah sebagai berikut : 1.
Pemerintah Daerah memilik website resmi pemerintah daerah. 2.
Pemerintahan daerah mempublikasikan secara lengkap informasi keuangan daerahnya pada website resmi pemerintah daerah.
3.6 Jenis dan Sumber Data
Jenis data yang digunakan dalam penelitian ini adalah data kuantitatif dengan sumber data sekunder.Data kuantitatif adalah data yang berbentuk angka
atau bilangan, sedangkan data sekunder adalah sumber data penelitian yang diperoleh secara tidak langsung dengan melalui media perantara.Periode data
yang digunakan dalam penelitian ini yaitu tahun 2014. Data variabel dependen yaitu Kinerja Keuangan Pemerintah KabupatenKota di Indonesia yang dapat
dilihat dari ketersediaan informasi keuangan yang lengkap yang terdapat pada website resmi pemerintah daerah dan diperoleh dengan mengamati secara
langsung.
3.7 Metode Pengumpulan Data
Metode pengumpulan data yang dilakukan dalam penelitian ini adalah studi pustaka dan studi dokumentasi. Data-data dan teori dalam penelitian ini
diperoleh dari literatur, artikel, dan hasil penelitian terdahulu yang relevan dengan penelitian dan landasan teori. Data juga diperoleh dari studi dokumentasi yang
dilakukan dengan menggunakan data sekunder baik dari lembaga yang mengeluarkan data tersebut dan juga melalui internet.
Universitas Sumatera Utara
31
3.8 Metode Analisis
Adapun pengujian yang digunakan dalam penelitian ini adalah sebagai berikut:
3.8.1 Analisis Deskriptif
Analisis deskriptif digunakan untuk menghasilkan gambaran dari data yang telah terkumpul.Analisis deskriptif yang digunakan dalam
penelitian ini adalah nilai rata-rata mean, maksimum, minimum, dan standar deviasi.
3.8.2 Uji Asumsi Klasik
Penggunaan uji asumsi klasik bertujuan untuk mengetahui dan menguji kelayakan atas model regresi yang digunakan pada penelitian ini.
Tujuan lainnya untuk memastikan bahwa di dalam model regresi yang digunakan mempunyai data yang terdistribusikan secara normal, bebas dari
autokorelasi, multikolinieritas serta heterokedistisitas.
3.8.2.1 Uji Normalitas
Uji normalitas data bertujuan untuk menguji apakah dalam model regresi, variabel bebas, dan variabel terikat memiliki distribusi
normal dan tidak. Model regresi yang baik adalah memiliki distribusi data secara normal atau mendekati normal Ghozali, 2005 untuk
menguji normalitas data dapat dilakukan dengan dua cara, yang pertama dengan melihat grafik normal probability plot dasar
Universitas Sumatera Utara
32
pengambilan keputusan dari tampilan grafik normal probability plot yang mengacu pada Imam Ghozali 2005, yaitu:
1. Jika data titik menyebar di sekitar garis diagonal dan mengikuti
arah garis diagonal, berarti menunjukkan pola distribusi yang normal sehingga model regresi dapat memenuhi asumsi normalitas.
2. Jika data titik menyebar jauh dari garis diagonal dan atau tidak
mengikuti arah garis diagonal berarti tidak menunjukkan pola distribusi normal sehingga model regresi tidak memenuhi asumsi
normalitas. Pengujian normalitas yang lain yang lebih baik dilakukan
adalah dengan menggunakan analisis statistik. Pengujian ini digunakan untuk menguji normalitas residual suatu model regresi
adalah dengan menggunakan uji Kolmogorov-Smirnov.Dalam uji Kolmogorov-Smirov, suatu data dikatakan normal apabila nilai
Asympotic Significant lebih dari 0,05Hair et.al 1998. Dasar
pengambilan keputusan dalam uji K-S adalah: 1.
Apabila probabilitas nilai 2 uji K-S tidak signifikan 0,05 secara statistik maka Ho ditolak, yang berarti data terdistribusi tidak
normal. 2.
Apabila probabilitas nilai 2 uji K-S signifikan 0,05 secara statistik Ho diterima, yang berarti data terdistribusi normal.
Universitas Sumatera Utara
33
3.8.2.2 Uji Heterokedastisitas
Uji heterokedastisitas bertujuan untuk menguji apakah dalam regresi terjadi ketidaksamaan varians dari residual satu observasi yang
lain. Apabila varians dari residual satu observasi ke observasi yang lain tetap disebut homokedastisitas. Sedangkan apabila varians dari
residual satu observasi ke observasi lain berbeda maka disebut heterokedastisitas. Model regresi yang baik adalah homoskedastisitas,
tidak terjadi heterokedastisitas dengan melihat grafik plot antara nilai prediksi variabel terikat dependen yaitu ZPRED dengan nilai
residual SRESID. Deteksi ada tidaknya dapat dilakukan dengan melihat ada tidaknya pola tertentu pada grafik Scatterplot antara
SRESID dan ZPRED dimana sumbu Y adalah Y yang telah diprediksi, dan sumbu X adalah residual Y prediksi - Y
sesungguhnya yang telah di standardized.
3.8.2.3
Uji Multikolonieritas
Tujuan dari uji multikolonieritas adalah untuk menguji apakah model regresi memiliki korelasi antar variabel bebas.Multikolonieritas
terjadi jika terdapat hubungan linear antara independen berbeda maka disebut heterokedastisitas. Model regresi yang baik adalah
homoskedastisitas, tidak terjadi heterokedastisitas dengan melihat grafik plot antara nilai prediksi variabel terikat dependen yaitu
ZPRED dengan nilai residual SRESID. Deteksi ada tidaknya dapat dilakukan dengan melihat ada tidaknya pola tertentu pada grafik
Universitas Sumatera Utara
34
Scatter plot antara SRESID dan ZPRED dimana sumbu Y adalah Y yang telah diprediksi, dan sumbu X adalah residual Y prediksi - Y
sesungguhnya yang telah di standardized yang libatkan dalam model. Jika terjadi gejalamultikolonieritas yang tinggi maka standar eror
koefisien regresi akan semakin besar, akibatnya convidence interal untuk pendugaan parameter semakin lebar. Uji multikolonieritas ini
dilakukan dengan meregresikan model analisis dan menguji korelasi antar variabel independen dengan menggunakan variance inflantion
factor VIF. Batas cut off dari VIF 0 dan nilai tolerance jika nilai VIF lebih besar dari 10 dan nilai tolerance kurang dari 0,10 dan
tingkat kolinieritas lebih dari 0,95 maka terjadi multikolonieritas Ghozali,2005.
3.8.2.4 Uji Autokorelasi
Uji autokorelasi digunakan untuk mengetahui ada atau tidaknya penyimpangan asumsi klasik autokorelasi yaitu korelasi yang
terjadi antara residual pada satu pengamatan dengan pengamatan lain pada model regresi. Prasyarat yang harus terpenuhi adalah tidak
adanya autokorelasi dalam model regresi. Metode pengujian yang sering digunakan adalah dengan uji Durbin-Watson uji DW dengan
ketentuan sebagai berikut: 1 Jika d lebih kecil dari dL atau lebih besar dari 4-dL maka
hopotesis nol ditolak, yang berarti terdapat autokorelasi.
Universitas Sumatera Utara
35
2 Jika d terletak antara dU dan 4-dU, maka hipotesis nol diterima, yang berarti tidak ada autokorelasi.
3 Jika d terletak antara dL dan dU atau diantara 4-dU dan 4-dL, maka tidak menghasilkan kesimpulan yang pasti.
4 Nilai du dan dl dapat diperoleh dari tabel statistik Durbin Watson yang bergantung banyaknya observasi dan banyaknya variabel
yang menjelaskan. 3.8.3 Analisis Regresi Linier
Analisis regresi berganda digunakan untuk mengetahui pengaruh antara variabel bebas dalam mempengaruhi variabel tidak bebas secara
bersama-sama ataupun secara parsial. Persamaan regresi dengan linier berganda dalam penelitian ini adalah :
Y = a + b
1
X
1
+ b
2
X
2
+ b
3
X
3
+e
Keterangan: Y
= Kinerja Keuangan Pemerintah KabupatenKota di Indonesia A
= konstanta b
1
= koefisien variabel Dana Perimbangan b
2
= koefisien variabel Pendapatan Pajak Daerah b
3
= koefisien variabel Size X
1
= Dana Perimbangan X
2
= Pendapatan Pajak Daerah X
3
= Size e
= error
Universitas Sumatera Utara
36
3.8.4 Pengujian Hipotesis 3.8.4.1 Uji Statistik F F-test
Uji statistik F pada dasarnya menunjukkan apakah semua variabel bebas yang dimasukkan dalam model mempunyai pengaruh
secara bersama-sama terhadap variabel dependen Imam Ghozali,2005. Jika probabilitas signifikasi lebih besar dari 0,05
maka variabel bebas secara bersama-sama tidak berpengaruh terhadap variabel terikat jika probabilitas lebih kecil 0,05 maka variabel bebas
secara bersama-sama berpengaruh terhadap variabel terikat. Nilai f dapat dihitung dengan rumus Gujarati,1993 :
f hitung= Dimana :
R² : koefisien determinasi
1-R² : Residual sum of squares
n : jumlah sampel
k : jumlah variabel
3.8.4.2 Uji Statstik t t-test
Uji statistik t pada dasarnya menunjukkan seberapa jauh pengaruh satu variabel independen secara individual dalam
menerangkan variasi variabel dependen Imam Ghozali,2005. Dalam pengolahan data menggunakan program komputer SPSS 22, pengaruh
secara individual ditunjukkan dari nilai signifikan uji t. Jika nilai
Universitas Sumatera Utara
37
signifikan uji t 0,05 maka dapat disimpulkan terdapat pengaruh yang signifikan secara individual masing-masing variabel. Nilai t dapat
dihitung dengan rumus Gujarati,1993 t hitung=
Dimana: b : Koefisien regresi variabel Independen
b : Devinisi standar koefisien regresi variabel independen
3.8.5 Koefisien Determinasi
Koefisien determinasi R2 mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel dependen Ghozali, 2005.Nilai
R2 mempunyai interval antara 0 sampai 1 0 £ R2 £1.Semakin besar R2 mendekati 1, semakin baik hasil untuk model regresi tersebut dan semakin
mendekati 0, maka variabel independen secara keseluruhan tidak dapat menjelaskan variabel dependen Sulaiman, 2004.Nilai R2 yang kecil berarti
kemampuan variabel-variabel dalam menjelaskan variabel dependen amat terbatas.Nilai yang mendekati 1 berarti variabel-variabel independen
memberikan semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen Ghozali, 2005.
Universitas Sumatera Utara
38
BAB IV HASIL DAN PEMBAHASAN
4.1. Deskripsi Objek Penelitian
Objek dalam penelitian ini adalah seluruh pemerintahan daerah yang ada di Indonesia yang berjumlah 548 yang terdiri atas 34 pemerintahan provinsi, 98
pemerintahan kota, dan 416 pemerintahan kabupaten.. Setelah data terkumpul, yang termasuk dalam populasi diseleksi berdasarkan kriteria yang telah
ditentukan. Dari penyeleksian tersebut diperoleh 55 data observasi yang memenuhi kriteria, data didapatkan dari Neraca Pemerintahan Daerah dan APBD
tahun 2014 yang dipublikasikan melalui situs Departemen Keuangan Ditjen Perimbangan Keuangan Pusat dan Daerah
www.djpk.kemenkeu.go.id dan
website resmi pemerintah daerah. 4.2. Hasil Penelitian
4.2.1. Analisis Statistik Deskriptif
Statistik deskriptif memberikan penjelasan mengenai nilai minimum, nilai maksimum, nilai rata-rata mean, dan nilai standar deviasi
dari variabel-variabel independen dan variabel dependen.
Universitas Sumatera Utara
39
Tabel 4.1 Statistik Deskriptif
Descriptive Statistics
N Minimum
Maximum Mean
Std. Deviation DANA PERIMBANGAN
55 12.89
14.72 13.7045
.45328 PENDAPATAN PAJAK
DAERAH 55
7.90 15.35
11.1025 1.80308
SIZE 55
27.63 30.67
28.9038 .70646
KINERJA KEUANGAN DAERAH
55 -325630
1950 -1.07E5
92607.070 Valid N listwise
55
Sumber: data olahan SPSS, 2016 Dari tabel 4.1 dapat dijelaskan beberapa hal seperti yang dijelaskan di
bawah ini: a.
Variabel Kinerja Keuangan Daerah Y memiliki nilai minimum -325630 dan nilai maksimum 1950 dengan rata-rata sebesar -1.07 dan standar deviasi
92607.070 dengan jumlah observasi sebanyak 55. b.
Variabel Dana Perimbangan X1 memiliki nilai minimum 12.89 dan nilai maksimum 14.72 dengan rata-rata sebesar 13.7045 dan standar deviasi 0.45328
dengan jumlah observasi sebanyak 55. c.
Variabel Pendapatan Pajak Daerah X2 memiliki nilai minimum 7.90 dan nilai maksimum 15.35, dengan rata-rata sebesar 11.1025 dan standar deviasi
1.80308 dengan jumlah observasi sebanyak 55. d.
Variabel Size X3 memiliki nilai minimum 27.63 dan nilai maksimum 30.67, dengan rata-rata sebesar 28.9038 dan standar deviasi 0.70646 dengan jumlah
observasi sebanyak 55.
Universitas Sumatera Utara
40
4.3. Pengujian Asumsi Klasik
Untuk menghasilkan suatu model regresi yang baik, analisis regresi memerlukan pengujian asumsi klasik sebelum melakukan pengujian hipotesis,
maka dalam penelitian ini perlu dilakukan uji asumsi klasik terlebih dahulu yang meliputi: uji normalitas data, uji multikolinearitas, uji heteroskedastisitas dan uji
autokorelasi yang dilakukan sebagai berikut:
1. Uji Normalitas Data
Uji normalitas bertujuan menguji apakah variabel residual berdistribusi normal atau tidak. Uji statistik yang dapat digunakan untuk menguji apakah
residual berdistribusi normal adalah uji statistik non parametric Kolmogorov- smirnov K-S dengan membuat hipotesis:
H : data residual berdistribusi normal
H
a
: data residual tidak berdistribusi normal Apabila nilai signifikasi lebih besar dari 0,05 maka H
diterima dan sebaliknya jika nilai signifikasi lebih kecil dari 0,05 maka H
ditolak atau H
a
diterima.
Universitas Sumatera Utara
41
Tabel 4.2 Hasil Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 55
Normal Parameters
a
Mean .0000000
Std. Deviation 6.81108396E4
Most Extreme Differences Absolute
.091 Positive
.049 Negative
-.091 Kolmogorov-Smirnov Z
.676 Asymp. Sig. 2-tailed
.750 a. Test distribution is Normal.
Sumber : data olahan SPSS, 2016 Dari hasil pengolahan data pada tabel 4.2 diperoleh besarnya nilai
Kolmogorov-Smirnov adalah 0.676 dan signifikan pada 0.750. Nilai signifikasi lebih besar dari 0,05 maka H
diterima yang berarti data residual berdistribusi normal. Data yang berdistribusi normal tersebut juga dapat dilihat melalui grafik
histogram dan grafik normal plot data.
Gambar 4.1 Histogram
Universitas Sumatera Utara
42
Sumber : data olahan SPSS, 2016 Grafik histogram pada Gambar 4.1 menunjukkan pola distribusi normal
karena grafik tidak menceng kiri maupun menceng kanan. Dengan demikian dapat disimpulkan bahwa model regresi telah memenuhi asumsi normalitas. Demikian
pula hasil uji normalitas dengan menggunakan grafik normal p-plot.
Gambar 4.2 Grafik Normal P-Plot
Sumber : data olahan SPSS, 2016 Pada Gambar 4.2 grafik normal p-plot terlihat bahwa data menyebar
disekitar garis diagonal dan mengikuti arah garis diagonal, maka dapat disimpulkan bahwa model regresi telah memenuhi asumsi normalitas.
2. Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah terdapat korelasi antar variabel independen dalam model regresi. Jika pada model regresi terjadi
multikolinearitas, maka koefisien regresi tidak dapat ditaksir dan nilai standard
Universitas Sumatera Utara
43
error menjadi tidak terhingga. Deteksi multikolenaritas pada suatu model dapat dilihat yaitu jika nilai Variance Inflation Factor VIF tidak lebih dari 10 dan nilai
Tolerance lebih dari 0,1 maka model dapat dikatakan terbebas dari multikolenearitas Priyatno, 2013:56.
Tabel 4.3 Hasil Uji Multikoleniaritas
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients Collinearity Statistics B
Std. Error Beta
Tolerance VIF
1 Constant
2.837E6 558584.436 DANA PERIMBANGAN
-20591.340 34910.578
-.101 .363
2.753 PENDAPATAN PAJAK
DAERAH 9303.274
8694.027 .181
.370 2.702
SIZE -95670.493
25729.382 -.730
.275 3.632
a. Dependent Variable: KINERJA KEUANGAN DAERAH
Sumber: olah data SPSS, 2016 Dari data pada Tabel 4.3, dapat disimpulkan bahwa tidak terjadi gejala
multikolinearitas antara variabel independen yang diindikasikan dari nilai tolerance setiap variabel independen lebih besar dari 0,1 yakni sebesar 0.363
Dana Perimbangan, 0.370 Pendapatan Pajak Daerah, 0.275 Size dan nilai VIF lebih kecil dari 10 yakni sebesar 2.753 Dana Perimbangan, 2.702 Pendapatan
Pajak Daerah, 3.632 Size.
3. Uji Heteroskedastisitas
Uji heterokedastisitas bertujuan untuk melihat apakah dalam model regresi terjadi ketidaksamaan variabel dari residual satu pengamatan ke pengamatan yang
lain. Model regresi yang baik adalah tidak terjadi heterokedastisitas. Menurut
Universitas Sumatera Utara
44
Nugroho 2005:62 cara memprediksi ada tidaknya heteroskedastisitas pada suatu model dapat diihat dari pola gambar Scatterplot model tersebut. Analisis pada
gambar Scatterplot yang menyatakan model regresi linear berganda tidak terdapat
heteroskedastisitas jika :
1. Titik-titik data menyebar di atas dan di bawah atau di sekitar angka 0,
2. Titik-titik data tidak mengumpul hanya di atas atau di bawah saja,
3. Penyebaran titik-titik data tidak boleh membentuk pola bergelombang
melebar kemudian menyempit dan melebar kembali, 4.
Penyebaran titik-titik data sebaiknya tidak berpola.
Gambar 4.3 Hasil Uji Heteroskedastisitas Scatterplot
Sumber: olah data SPSS, 2016
Pada Gambar 4.3 garfik scatterplot terlihat bahwa titik-titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y.
Hal ini dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi sehingga model regresi layak dipakai untuk memprediksi Kinerja
Keuangan Daerah seluruh Pemerintahan KabupatenKota di Indonesia
Universitas Sumatera Utara
45
berdasarkan masukan variabel independen Dana Perimbangan, Pendapatan Pajak daerah, dan Size.
4. Uji Autokorelasi
Pengujian autokorelasi bertujuan untuk menguji apakah terdapat korelasi antara kesalahan pengganggu pada suatu periode dengan kesalahan pengganggu
periode sebelumnya dalam model regresi. Jika terjadi autokorelasi dalam model regresi berarti koefisien korelasi yang diperoleh menjadi tidak akurat, sehingga
model regresi yang baik adalah model regresi yang bebas dari autokorelasi. Cara untuk mendeteksi ada tidaknya autokorelasi adalah dengan melakukan pengujian
Durbin Watson DW, tidak terjadi autokorelasi apabila nilai du dw 4 – du.
Tabel 4.4 Hasil Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .678
a
.459 .427
70085.476 1.711
a. Predictors: Constant, SIZE, PENDAPATAN PAJAK DAERAH, DANA PERIMBANGAN
b. Dependent Variable: KINERJA KEUANGAN DAERAH
Sumber: data olahan SPSS, 2016 Tabel 4.4 menyajikan hasil uji Durbin Watson dengan menggunakan
program SPSS Versi 16. Hasil uji autokorelasi di atas menunjukkan nilai statistik Durbin Watson dw sebesar 1.711. Nilai ini akan peneliti bandingkan dengan
nilai tabel dengan menggunakan signifikansi 5, jumlah pengamatan n sebanyak 55, dan jumlah variabel independen 3 k=3. Maka berdasarkan tabel
Durbin Watson didapat nilai batas atas du sebesar 1,681 dan nilai batas bawah
Universitas Sumatera Utara
46
dl sebesar 1,4523. Oleh karena itu, nilai dw lebih besar dari 1,797 dan lebih kecil dari 4 – 1,797 atau dapat dinyatakan bahwa 1,681 1.711 4 - 1,681 du
dw 4 – du. Dengan demikian dapat disimpulkan tidak terdapat autokorelasi baik positif maupun negatif.
4.4. Analisis Regresi Berganda