Jenis dan Sumber Data Metode Pengumpulan Data Pengujian Asumsi Klasik

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