47
9. Kabupaten Aceh Tenggara
√ x
-
10. Kabupaten Aceh Timur √
x -
11. Kabupaten Aceh Utara √
√
Sampel 6
12. Kabupaten Bener Meriah √
x -
13. Kabupaten Bireuen √
√
Sampel 7
14. Kabupaten Gayo Lues √
√
Sampel 8
15. Kabupaten Nagan Raya √
√
Sampel 9
16. Kabupaten Pidie √
x
-
17. Kabupaten Pidie Jaya √
x
-
18. Kabupaten Simeulue √
x
-
4.2 ANALISIS HASIL PENELITIAN
1. Statistik Deskriptif
Statistik deskriptif memberikan gambaran mengenai nilai minimum, nilai maksimum, nilai rata-rata, dan standard deviasi data yang
digunakan dalam penelitian. Berikut ini merupakan output SPSS yang merupakan keseluruhan data yang digunakan dalam penelitian ini.
Tabel 4.2 Descriptive Statistics
N Minimum
Maximum Mean
Std. Deviation Pajak Daerah
72 5,19E8
4,11E10 5,4256E9
6,43012E9 Retribusi Daerah
72 1,23E8
5,21E10 5,5844E9
7,70677E9 Belanja Modal
72 4,31E10
3,96E11 1,1573E11
6,56611E10 Valid N listwise
72
48
Berdasarkan tabel descriptive statistic di atas, dapat dijelaskan bahwa: 1 Variabel Pajak Daerah X1 memiliki nilai rata-rata sebesar Rp
5.425.600.000, dengan standar deviasi Rp 6.430.120.000, nilai Pajak Daerah Tertinggi adalah Rp 41.100.000.000, dan nilai Pajak Daerah
terendah adalah Rp 519.000.000. Jumlah sampel adalah 9 dan jumlah amatan adalah 72.
2 Variabel Retribusi Daerah X2 memiliki nilai rata-rata sebesar Rp 5.584.400.000, dengan standar deviasi Rp 7.706.770.000, Nilai Retribusi
Daerah tertinggi adalah Rp 52.100.000.000, dan nilai Retribusi Daerah terendah adalah Rp 123.000.000. Jumlah sampel adalah 9 dan jumlah
amatan adalah 72. 3 Variabel Belanja Modal Y memiliki nilai rata-rata sebesar Rp
115.730.000.000, dengan standar deviasi Rp 65.661.100.000, Nilai Belanja Modal tertinggi adalah Rp396.000.000.000 , dan nilai Belanja Modal
terendah adalah Rp 43.100.000.000. Jumlah sampel adalah 9 dan jumlah amatan adalah 72.
2. Pengujian Asumsi Klasik
a. Uji normalitas Uji normalitas bertujuan untuk menguji apakah dalam model
regresi , variabel pengganggu atau variabel residual memiliki distribusi normal. Pengujian ini dilakukan untuk melakukan uji T dan uji F yang
mengasumsikan bahwa nilai residual berdistribusi normal. Pada pengujian
49
ini, peneliti menggunakan uji statistic non-parametrik Kolmogrov- Smirnov KS. Uji KS dilakukan dengan membuat hipotesis:
H0 : Data residual berdistribusi normal
HA : Data residual tidak berdistribusi normal
Jika signifikansi hitung 0,05 alpa berarti distribusi data normal atau HA diterima, sebaliknya bila nilai signifikansi 0,05 alpa berarti
distribusi data tidak normal atau H0 diterima. Hasil uji normalitas dengan uji statistic non-parametrik Kolmogrov-Smirnov ditunjukkan sebagai
berikut:
Tabel 4.3 Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 72
Normal Parameters
a,b
Mean ,0000090
Std. Deviation 6,18971835E10
Most Extreme Differences Absolute
,178 Positive
,178 Negative
-,130 Kolmogorov-Smirnov Z
1,512 Asymp. Sig. 2-tailed
,021 a. Test distribution is Normal.
b. Calculated from data.
Sumber: diolah dari SPSS, 2015 Dari hasil di atas,dapat dilihat nilai Asymp.Sig. 2-tailed 0,05 yakni
0,021, artinya HA diterima data residual tidak berdistribusi normal. Oleh karenanya dilakukan tindakan perbaikan yaitu dengan menggunakan transformasi
seluruh variabel penelitian ke dalam fungsi logaritma natural Ln.
50
Hasil pengujian ulang data menghasilkan :
Tabel 4.4 Uji Normalitas Setelah Transformasi
One-Sample Kolmogorov-Smirnov Test
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 72
Normal Parameters
a,b
Mean ,0000000
Std. Deviation ,41344743
Most Extreme Differences Absolute
,069 Positive
,069 Negative
-,066 Kolmogorov-Smirnov Z
,583 Asymp. Sig. 2-tailed
,886 a. Test distribution is Normal.
b. Calculated from data.
Sumber: diolah dari SPSS, 2015 Dari hasil di atas,dapat dilihat nilai Asymp.Sig. 2-tailed setelah
dilakukan transformasi 0,05 yakni 0,886, artinya H0 diterima data residual berdistribusi normal.
Selain mengggunakan uji statistic non-parametrik Kolmogrov-Smirnov KS, uji normalitas dapat dilakukan dengan analisis normal probability plot.
51
Gambar 4.1 : Uji Normalitas
Sebelum dilakukan transformasi,dari hasil analisis normal probability plot dapat dilihat pada grafik normal plot, terlihat titik-titik menyebar disekitar
garis diagonal serta penyebarannya agak menjauh dari garis diagonal sehingga dapat disimpulkan bahwa data dalam model regresi terdistribusi secara tidak
normal.
52
Gambar 4.2 : Uji Normalitas Setelah Transformasi
Setelah dilakukan transformasi, grafik normal probability plot di atas dapat di lihat bahwa titik-titik menyebar disekitar garis diagonal. Tidak ada titik
yang jaraknya sangat jauh dari garis diagonal dan pola yang dibentuk oleh sebaran data tersebut ada disekitar garis diagonal. Sehingga dapat disimpulkan data dalam
model regresi terdistribusi secara normal. b. Uji multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas independen. Model regresi yang
baik seharusnya tidak terjadi korelasi di antara variabel independen. Ada tidaknya multikolinieritas dapat dideteksi dengan melihat nilai
tolerance dan variance inflation factor VIF.
53
Jika nilai VIF lebih besar dari sepuluh dan nilai tolerance lebih kecil dari 0,1 maka ada multikolinearitas. Jika nilai VIF lebih kecil dari sepuluh dan nilai
tolerance lebih besar dari 0,1,maka tidak ada multikolinearitas.
Tabel 4.5 Uji Multikolinearitas
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity Statistics
B Std.
Error Beta
Tolerance VIF
Constant 20,783 1,31
4 15,822
,000 LN_PD
,196 ,082 ,366
2,388 ,020
,525 1,905
LN_RD ,012 ,061
,030 ,196
,845 ,525
1,905 a. Dependent Variable: LN_BM
Sumber: diolah dari SPSS, 2015 Dari tabel di atas terlihat bahwa nilai tolerance adalah 0,525 dan nilai
Varience Inflaction Factors VIF adalah 1,905. Kesimpulannya tidak ada multikolinearitas antar variabel independen pada data karena nilai VIF dari
masing-masing variabel lebih kecil dari sepuluh dan nilai tolerance lebih besar dari 0.1.
c. Uji heteroskedastisitas Uji heteroskedastisitas bertujuan menguji apakah dalam model regresi
terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Model regresi yang baik adalah yang homoskedastisitas atau tidak terjadi
heteroskedastisitas. Dalam penelitian ini grafik scatterplot digunakan untuk mengetahui apakah dalam penelitian terjadi heteroskedastisitas. Analisis pada
54
gambar scatterplot yang menyatakan model regresi linier berganda tidak terdapat heterokedastisitas jika tidak ada pola yang jelas, serta titik-titik menyebar di atas
dan di bawah angka 0 pada sumbu Y.
Gambar 4.3: Grafik Scatterplot
Dari grafik Scatterplot di atas terlihat bahwa titik-titik data menyebar secara acak serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y.
titik-titik data tidak mengumpul hanya di atas dan di bawah saja, penyebaran titik- titik data tidak membentuk pola bergelombang melebar kemudian menyempit dan
melebar kembali, dan penyebaran titik-titik data tidak berpola,sehingga dapat disimpulkan tidak terjadi heteroskedastisitas.
55
d. Uji autokorelasi Uji autokorelasi bertujuan menguji apakah dalam model regresi
linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1sebelumnya. Model regresi yang
baik adalah regresi yang bebas dari autokorelasi. Pada penelitian ini untuk mengetahui masalah autokorelasi adalah dengan melakukan Uji Durbin
Watson dengan ketentuan: 4 Angka D-W di bawah -2 berarti ada autokorelasi positif,
5 Angka D-W di antara -2 sampai +2 berarti tidak ada autokorelasi,
6 Angka D-W di atas +2 berarti autokorelasi negatif.
Tabel 4.6 Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of
the Estimate Durbin-Watson
1 ,387
a
,150 ,125
,41940 1,811
Sumber: diolah dari SPSS, 2015
Dari model summary di atas,dapat dilihat hasil pengujian angka D-W sebesar +1.811 atau -2-1.811+2, karena angka D-W diantara -2 sampai +2,
maka disimpulkan bahwa dalam penelitian ini tidak ada autokorelasi.
3. Analisis Regresi
Dalam pengolahan data dengan menggunakan regresi linear, beberapa tahapan dilakukan untuk mencari hubungan antara variabel independen dan
variabel dependen, melalui pengaruh LN_PD pajak daerah dan LN_RD
56
retribusi daerah terhadap LN_BM belanja modal. Hasil regresi dapat dilihat pada tabel berikut ini :
Tabel 4.7 Hasil Analisis Regresi
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error
Beta 1
Constant 20,783
1,314 15,822
,000 LN_PD
,196 ,082
,366 2,388
,020 LN_RD
,012 ,061
,030 ,196
,845 a. Dependent Variable: LN_BM
Sumber: diolah dari SPSS, 2015 Berdasarkan hasil pengolahan data yang terlihat pada tabel di atas pada
kolom unstandardized coeffisients bagian B, ditunjukkan modal persamaan regresi berganda sebagai berikut :
LnBM = 20,783 + 0,196 LnPD + 0,012 LnRD + e
Keterangan :
LnBM = Logarima Natural LN Belanja Modal Ln PD = Logarima Natural LN Pajak Daerah
Ln RD = Logarima Natural LN Retribusi Daerah e = Error
Interpretasi dari persamaan regresi linier berganda diatas adalah : a.
Konstanta sebesar 20,783 menunjukkan bahwa jika variabel independen dianggap konstan, maka tingkat Belanja Modal sebesar 20,783
57
b. Koefisien LN_PD 0,196, ini menunjukkan bahwa apabila terjadi
perubahan variabel pajak daerah sebesar 1 akan menaikkan belanja modal sebesar 0,196 atau 19,6 dengan asumsi variabel lainnnya konstan
c. Koefisien LN_RD 0,012, ini menunjukkan bahwa apabila terjadi
perubahan variabel retribusi daerah sebesar 1 maka akan menaikkan belanja modal sebesar 0,012 atau 1,2 dengan asumsi variabel lainnya
konstan. d.
standar error e menunjukkan tingkat kesalahan pengganggu
4. Pengujian Hipotesis
a. Uji Parsial t-test Uji statistik T digunakan untuk menguji bagaimana pengaruh variabel
independen secara parsial terhadap variabel dependen. 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.
Hasil pengujian menggunakan uji t dapat dilihat pada berikut:
58
Tabel 4.8 Hasil Uji Parsial T-Test
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error
Beta 1
Constant 20,783
1,314 15,822
,000 LN_PD
,196 ,082
,366 2,388
,020 LN_RD
,012 ,061
,030 ,196
,845 a. Dependent Variable: LN_BM
Sumber: diolah dari SPSS, 2015 Kesimpulan yang dapat diambil dari analisis tersebut adalah sebagai berikut:
a. Pajak Daerah LN_PD mempunyai nilai signifikansi 0.020 yang berarti nilai ini lebih kecil dari 0.05, sedangkan nilai t hitung 2.388 t tabel
1,667. {t- tabel α=0.05 ; df=69 = 1,667 }. Berdasarkan kedua nilai
tersebut disimpulkan H1 diterima yaitu bahwa secara parsial pajak daerah berpengaruh signifikan terhadap belanja modal.
b. Retribusi Daerah LN_RD mempunyai nilai signifikansi 0.845 yang jauh lebih besar dari 0.05, dan nilai t hitung 0.196 t tabel 1,667 {t-tabel =
α=0,05 ; df=69 = 1,667}. Berdasarkan kedua nilai tersebut disimpulkan bahwa secara parsial retribusi daerah tidak berpengaruh secara signifikan
terhadap belanja modal.
b. Uji Simultan F-test Uji F digunakan untuk melihat apakah kedua variabel independen, yakni
pajak daerah dan retribusi daerah secara simultan berpengaruh terhadap variabel dependen, yaitu belanja modal.
59
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 :
3 H1 diterima apabila Fhitung Ftabel, pada α = 5 dan nilai probabilitas
level of significant sebesar 0,05. 4 H1 ditolak apab
ila Fhitung Ftabel, pada α = 5 dan nilai probabilitas level of significant sebesar 0,05
Hasil pengujian menggunakan uji F dapat dilihat dari tabel anova berikut:
Tabel 4.9 Hasil Uji Simultan F-Test
ANOVA
b
Model Sum of Squares
df Mean Square
F Sig.
1 Regression
2,140 2
1,070 6,084
,004
a
Residual 12,137
69 ,176
Total 14,277
71 a. Predictors: Constant, LN_RD, LN_PD
b. Dependent Variable: LN_BM
Sumber: diolah dari SPSS, 2015 Berdasarkan tabel diatas dapat tingkat signifikansi 0,004 yang lebih kecil
dari 0,05. Nilai F hitung 6,084 F tabel 3,13{Ftabel α=0,05 ; df1 = 2 ; df2 = 69
= 3,13}. Maka dapat diambil kesimpulan H1 diterima, yakni pajak daerah dan retribusi daerah secara bersama-sama berpengaruh signifikan positif terhadap
belanja modal.
60
c. Analisis Koefisien Korelasi dan Determinasi Pengujian uji kesesuaian dilakukan untuk menentukan kelayakan suatu
model regresi, karena variabel penelitian lebih dari satu variabel maka kelayakan tersebut dapat dilihat dari nilai Adjusted R Square. Nilai koefisien korelasi R
menunjukkan seberapa besar korelasi 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.
Tabel 4.10 Koefisien Korelasi dan Determinasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 ,387
a
,150 ,125
,41940 1,811
a. Predictors: Constant, LN_RD, LN_PD b. Dependent Variable: LN_BM
Sumber: diolah dari SPSS, 2015
61
Dari tabel model summary di atas dapat dilihat angka R sebesar 0,387 menunjukkan bahwa korelasi atau hubungan antara LN_BM dengan LN_PD dan
LN_RD cukup kuat yaitu sebesar 38,7. Sedangkan nilai R square atau koefisien determinasi adalah 0,150. Nilai ini mengindikasikan bahwa 15 variasi atau
perubahan dalam LN_BM dapat dijelaskan oleh variasi variabel LN_PD dan LN_RD. Sedangkan sisanya sebesar 85 dijelaskan oleh sebab-sebab lain diluar
penelitian.
4.3 PEMBAHASAN HASIL ANALISIS