Dependen Tingkat
Kemandirian Keuangan
Daerah Tingkat
Kemandirian keuangan
daerah yaitu kemampuan
Pemerintah Daerah dalam membiayai
sendiri kegiatan pemerintahan,
pembangunan dan pelayanan kepada
masyarakat yang telah membayar
pajak dan retribusi sebagai sumber
pendapatan yang diperlukan daerah
100 Daerah
Pendapatan Total
Realisasi PAD
Realisasi x
Rasio
E. Teknik Pengumpulan dan Pengolahan Data
Teknik pengumpulan dan pengolahan data dalam penelitian ini adalah, Teknik Dokumentasi, yakni peneliti melakukan pengumpulan data sekunder atau
data yang diperoleh dari Badan Pusat Statistik BPS Provinsi Sumatera, www.djpk.depkeu.go.id
dan sumber-sumber lainnya.
F Model Dan Teknik Analisis Data
1. Model Analisis Data
Analisis data dari penelitian ini terdiri dari statistik deskriptif mengenai variabel penelitian, pengujian hipotesis dan pembahasan hasil penelitian. Untuk
memberikan gambaran tentang variabel penelitian yaitu realisasi pajak daerah dan retribusi daerah serta variabel tingkat kemandirian keuangan daerah.
Universitas Sumatera Utara
Untuk menguji hipotesis Ha metode analisis yang digunakan adalah regresi berganda, karena menyangkut dua buah variabel independen dan satu buah
variabel dependen. Analisis regresi pada dasarnya adalah studi mengenai ketergantungan variabel dependen terikat dengan satu atau lebih variabel
independen penjelasbebas, dengan tujuan untuk mengestimasi dan atau memprediksi rata-rata populasi atau nilai rata-rata variabel dependen berdasarkan
nilai variabel independen yang diketahui. Model persamaan regresi untuk menguji hipotesis dengan formula sebagai berikut:
Y= a+bX
1
+cX
2
+e
Keterangan: Y
= Tingkat Kemandirian Keuangan Daerah a
= Konstanta X
1
= Realisasi pajak daerah X
2
= Realisasi retribusi daerah b,c
= Arah angka atau koefisien regresi, yang menunjukkan angka peningkatan ataupun
penurunan variable dependen yang didasrkan pada variable independent.
e = Error
2. Pengujian Asumsi Klasik
Uji asumsi klasik yang dilakukan peneliti dijelaskan berikut ini.
Universitas Sumatera Utara
Metode analisis data yang digunakan dalam penelitian ini adalah metode analisis statistik dengan menggunakan SPSS 15 . Peneliti melakukan terlebih
dahulu uji asumsi klasik sebelum melakukan pengujian hipotesis. Pengujian
asumsi klasik diperlukan untuk mengetahui apakah hasil estimasi regresi yang dilakukan benar-benar bebas dari adanya gejala heteroskedastisitas, gejala
multikolinearitas, dan gejala autokorelasi. Model regresi akan dapat dijadikan alat
estimasi yang tidak bias jika telah memenuhi persyaratan BLUE best linear unbiased estimator yakni tidak terdapat heteroskedastistas, tidak terdapat
multikolinearitas, dan tidak terdapat autokorelasi .
Jika terdapat heteroskedastisitas, maka varian tidak konstan sehingga dapat menyebabkan
biasnya standar error. Jika terdapat multikolinearitas, maka akan sulit untuk mengisolasi pengaruh-pengaruh individual dari variabel, sehingga tingkat
signifikansi koefisien regresi menjadi rendah. Dengan adanya autokorelasi mengakibatkan penaksir masih tetap bias dan masih tetap konsisten hanya saja
menjadi tidak efisien. Oleh karena itu, uji asumsi klasik perlu dilakukan. Uji
asumsi klasik yang dilakukan peneliti meliputi uji normalitas, uji heteroskedastisitas, uji autokorelasi dan uji multikolinearitas.
a. Uji Normalitas
Menurut Ghozali 2005 : 110, ”uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki
distribusi normal. Seperti diketahui bahwa uji t dan F mengasumsikan bahwa nilai
Universitas Sumatera Utara
residual mengikuti distribusi normal. Kalau asumsi ini dilanggar maka uji statistik menjadi tidak valid untuk jumlah sampel kecil.”
Ada dua cara untuk mendeteksi apakah residual berdistribusi normal atau tidak menurut Ghozali 2005 : 110, yaitu :
a. Analisis grafik
Salah satu cara termudah untuk melihat normalitas residual adalah dengan melihat grafik histogram yang membandingkan antara data observasi
dengan distribusi yang mendekati distribusi normal. Metode yang lebih handal adalah dengan melihat normal probability plot yang membandingkan
distribusi kumulatif dari distribusi normal. Distribusi normal akan membentuk satu garis lurus diagonal dan plotnya data residual akan
dibandingkan dengan garis diagonal. Jika distribusi data residual normal, maka garis yang menggambarkan data sesungguhnya akan mengikuti garis
diagonalnya.
b. Analisis statistik
Uji statistik sederhana dapat dilakukan dengan melihat nilai kurtosis dan nilai Z-skewness. Uji statistik lain yang dapat digunakan untuk menguji
normalitas residual adalah uji statistik non parametrik Kolmogorov-Smirnov K-S.
Pedoman pengambilan keputusan tentang data tersebut mendekati atau merupakan distribusi normal berdasarkan uji Kolmogorov Smirnov dapat dilihat
dari : 1
Nilai Sig. atau signifikan atau probabilitas 0,05, maka distribusi data adalah tidak normal.
2 Nilai Sig. atau signifikan atau probabilitas 0,05, maka distribusi data
adalah normal. Distribusi yang melanggar asumsi normalitas dapat dijadikan menjadi bentuk
yang normal dengan beberapa cara sebagai berikut : 1
Transformasi Data
Universitas Sumatera Utara
Transformasi data dapat dilakukan dengan logaritma natiral ln, log10, maupun akar kuadrat. Jika ada data yang bernilai negatif,
transformasi data dengan logaritma akan menghilangkannya sehingga julah sampel n akan bekurang.
2 Trimming
Trimming adalah memangkas membuang observasi yang bersifat outlier, yaitu yang nilainya lebih kecil dari µ-2
σ atau lebih besar dari µ+2
σ. Metode ini juga mengecilkan sampelnya. 2
Winzorising Winzorising mengubah nilai-nilai outliers menjadi nilai0nilai
minimum atau maksimum yang diizinkan supaya distribusinya menjadi normal. Nilai-nilai observasi yang lebih kecil dari µ-2
σ akan diubah nilainya menjadi µ+2
σ dan nilai-nilai yang lebih besar dari µ+2
σ akan diubah nilainya menjadi µ-2σ.
b. Uji Heteroskedastisitas
Uji heterokedastisitas dilakukan untuk menguji apakah dalam sebuah model regresi terjadi ketidaksamaan varians dari residual dari satu pengamatan ke
pengamatan yang lain. Jika varians dari residual dari suatu pengamatan ke pengamatan lainnya tetap, maka disebut homoskedastisitas dan jika varians
berbeda, maka disebut heteroskedastisitas. Model regresi yang baik adalah yang tidak terjadi heteroskedastisitas.
Universitas Sumatera Utara
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.
Cara lain untuk menguji apakah dalam sebuah model regresi terjadi ketidaksamaan varians dari residual dari satu pengamatan ke pengamatan yang
lain adalah dengan uji Glejser yang dilakukan dengan meregresikan kembali nilai absolut residual terhadap variabel independen.
c. Uji Autokorelasi
Masalah autokorelasi akan muncul bila data yang dipakai adalah data runtut waktu timeseries. “Autokorelasi akan muncul bila data sesudahnya merupakan
fungsi dari data sebelumnya atau data sesudahnya memiliki korelasi yang tinggi dengan data sebelumnya pada data runtut waktu dan besaran data sangat
tergantung pada tempat data tersebut terjadi”Hadi, 2006 : 175.
Menurut Santoso dalam Yunita 2008 : 28 untuk mendeteksi adanya autokorelasi bisa digunakan tes Durbin Watson D-W. Panduan mengenai angka
D-W untuk mendeteksi autokorelasi bisa dilihat pada tabel D-W, yang bisa dilihat
Universitas Sumatera Utara
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 diatas +2 berarti ada autokorelasi negatif.
d. Uji Multikolinearitas
Menurut Gujarati 1995 dalam Hadi 2006 : 168, “uji multikolinearitas berhubungan dengan adanya korelasi antar variable independen. Sebuah
persamaan terjangkit penyakit ini bila dua atau lebih variabel independen memiliki tingkat korelasi yang tinggi. Sebuah persamaan regresi dikatakan baik
bila persamaan tersebut memiliki variabel independen yang saling tidak berkorelasi.”
Menurut Ghozali 2005 : 91, untuk mendeteksi ada atau tidaknya multikolinearitas di dalam model regresi dijelaskan berikut ini.
1 Nilai R
2
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
Universitas Sumatera Utara
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.
G. Pengujian Hipotesis
