E. Teknik Pengumpulan Data
Teknik pengumpulan data pada penelitian ini adalah teknik dokumentasi, yakni peneliti melakukan pengumpulan data sekunder yang diperoleh dari Badan
Pusat Statistik BPS Provinsi Sumatera Utara dan mendownload situs www.djpk.depkeu.go.id. Selain itu, peneliti juga melakukan studi kepustakaan
melalui buku-buku dan jurnal yang berkaitan dengan permasalahan yang diteliti.
F. Model dan Teknik Analisis Data
1. Model Analisis Data
Metode analisis yang digunakan untuk menguji hipotesis adalah regresi berganda, karena menyangkut empat variabel independen dan satu variabel
dependen. 4. Dana
Alokasi Khusus
DAK Menurut Halim 2004 :
141, “ Dana Alokasi Khusus DAK adalah
dana yang berasal dari APBN yang dialokasikan
kepada daerah untuk membantu membiayai
kebutuhan tertentu” Realisai DAK
X 100 Realisasi Total Pendapatan
Rasio
Dependen 1. Tingkat
Kemandirian
Keuangan Daerah
Menurut Halim 2007:232, “Kemandirian
Keuangan Daerah otonomi fiskal
menunjukkan kemampuan pemerintah daerah dalam
membiayai sendiri kegiatan pemerintah,
pembangunan, dan pelayanan kepada
masyarakat yang telah membayar pajak dan
retribusi sebagai sumber pendapatan yang
diperlukan daerah.” Realisai PAD
X 100 Realisasi Total Belanja
Rasio
Universitas Sumatera Utara
Model persamaan regresi untuk menguji hipotesis dengan formula sebagai berikut:
Y = a + b
1
X
1
+ b
2
X
2
+ b
3
X
3
+ b
4
X
4
+ e
Dimana: Y = Tingkat Kemandirian Keuangan Daerah
a = konstanta X
1
= Rasio Efektivitas PAD X
2
= DBH X
3
= DAU X
4
= DAK b
1
= koefesien regresi Efektivitas PAD b
2
= koefesien regresi DBH b
3
= koefesien regresi DAU b
4
= koefesien regresi DAK e = pengganggu error
2. Pengujian Asumsi Klasik
a. Uji Normalitas
Uji normalitas ini bertujuan untuk mengetahui apakah data yang digunakan telah terdistribusi secara normal. Uji normalitas perlu dilakukan untuk
menentukan alat statistik yang dilakukan, sehingga kesimpulan yang diambil dapat dipertanggungjawabkan.
Menurut Ghozali 2005 : 110, ada dua cara untuk mendeteksi apakah residual berdistribusi normal atau tidak, 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
Universitas Sumatera Utara
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, Jika tingkat signifikansinya 0,05, maka data itu terdistibusi normal dan dapat dilakukan model regresi
berganda.
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
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.
b Trimming Trimming adalah memangkas membuang observasi yang bersifat outlier,
yaitu yang nilainya lebih kecil dari µ-2 σ atau lebih besar dari µ+2σ. Metode
ini juga mengecilkan sampelnya.
Universitas Sumatera Utara
c Winzorising Winzorising mengubah nilai-nilai outliers menjadi nilai-nilai minimum atau
maksimum yang diizinkan supaya distribusinya menjadi normal. Nilai-nilai observasi yang lebih kecil dari µ-2
σ akan diubah nilainya menjadi µ+2σ dan nilai-nilai yang lebih besar dari µ+2
σ akan diubah nilainya menjadi µ-2σ.
b. Uji Heteroskedastisitas
Uji heteroskedastisitas 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.
Uji heteroskedastisitas dilakukan dengan cara melihat grafik scattter plot antara variabel dependen yaitu ZPRED dengan residualnya SRESID. Dasar
analisisnya: a jika ada pola-pola tertentu, seperti titik-titik yang membentuk pola tertentu
yang teratur, maka terjadi heteroskedastisitas, b 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. Salah satu cara untuk mengurangi
Universitas Sumatera Utara
masalah heteroskesdatisitas adalah menurunkan besarnya rentang range data. Salah satu cara yang bisa dilakukan untuk menurunkan rentang data adalah
melakukan transformasi manipulasi logaritma. Tindakan ini bisa dilakukan bila semua data bertanda positif.
c. Uji Autokorelasi
Uji autokorelasi ini digunakan untuk menguji asumsi klasik regresi berkaitan dengan adanya autokorelasi. Model regresi yang baik adalah model
yang tidak mengandung autokorelasi. Autokorelasi adalah keadaan dimana variabel error-term pada periode tertentu berkorelasi dengan variabel error-term
pada periode lain yang bermakna variabel error-term tidak random. Pelanggaran terhadap asumsi ini berakibat interval keyakinan terhadap hasil estimasi menjadi
melebar sehingga uji signifikansi tidak kuat. Uji ini dilakukan pada penelitian yang menggunakan data time series. Oleh karena data dalam penelitian ini
merupakan gabungan antara data cross section dan time series, maka harus dilakukan uji autokorelasi terlebih dahulu.
Uji autokorelasi dalam penelitian ini dilakukan dengan uji Durbin- Watson DW. 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:
a angka D-W di bawah -2 berarti ada autokorelasi positif, b angka D-W di antara -2 sampai +2, berarti tidak ada autokorelasi,
c angka D-W diatas +2 berarti ada autokorelasi negatif.
d. Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah dalam sebuah model regresi ditemukan adanya korelasi antarvariabel independen. Menurut
Universitas Sumatera Utara
Ghozali 2005 : 91, untuk mendeteksi ada atau tidaknya multikolinearitas di dalam model regresi adalah sebagai berikut :
a. 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, b. 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,
c. 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 Tolerence. Nilai cutoff yang umum dipakai untuk menunjukkan adanya multikolinearitas
adalah nilai tolerance 0.10 atau sama dengan nilai VIF 10.
Cara untuk mengobati jika terjadi multikolinearitas, yaitu: 1 mengeluarkan satu atau lebih variabel independen yang mempunyai korelasi
tinggi dari model regresi dan identifikasikan variabel independen lainnya untuk membantu prediksi,
2 menggabungkan data cross section dan time series pooling data, 3 menambah data penelitian.
G. Pengujian Hipotesis
1. Uji Signifikan Parsial Uji – t