8
KAB HUMBANG HASUNDUTAN
0.87 0.34
0.61 9
KAB ASAHAN
1.46 0.90
0.76 10
KAB DAIRI
1.14 1.13
0.99 11
KAB TAPANULI TENGAH
0.64 0.30
0.39 12
KAB TOBA SAMOSIR
0.59 0.42
0.40 13
KAB PAKPHAK BARAT
1.36 0.40
0.28 14
KAB TAPANULI UTARA
0.63 0.40
0.43 15
KAB NIAS SELATAN
0.28 0.11
0.32 16
KAB DELI SERDANG
2.39 1.13
1.40 17
KAB KARO
2.36 1.51
1.50 18
KAB SERDANG BEDAGAI
0.86 0.74
0.84 19
KAB SAMOSIR
0.80 0.32
0.41 20
KAB LABUHAN BATU
2.48 1.48
1.41 21
KAB MANDAILING NATAL
0.70 0.57
0.51 22
KAB LANGKAT
1.05 0.65
0.45 23
KAB TAPANULI SELATAN
1.03 0.86
0.83 24
KAB SIMALUNGUN
1.26 0.51
0.38 Sumber data: Data yang diolah Peneliti
Tabel di atas menunjukkan rasio setiap kabupaten dan kota selama tahun 2005 sampai dengan 2007. Pada tahun 2005, rasio Retribusi Daerah tertinggi
dimiliki oleh Kota Medan sebesar 9,47, sedangkan rasio Retribusi Daerah terendah dimiliki oleh Kabupaten Nias Selatan sebesar 0,28. Pada tahun 2006,
rasio Retribusi Daerah tertinggi dimiliki oleh Kota Medan sebesar 8,75, sedangkan rasio Retribusi Daerah terendah dimiliki oleh Kabupaten Nias Selatan
sebesar 0,11. Pada tahun 2007, rasio Retribusi Daerah tertinggi dimiliki oleh Kota Medan sebesar 7,15, sedangkan rasio Retribusi Daerah terendah dimiliki
oleh Kabupaten Pakphak Barat sebesar 0,28.
2. Statistik Deskriptif
Statistik Deskriptif adalah ilmu statistik yang mempelajari cara-cara pengumpulan, penyusunan dan penyajian data suatu penelitian. Tujuannya adalah
Universitas Sumatera Utara
memudahkan orang untuk membaca data serta memahami maksudnya. Berikut ini merupakan output SPSS yang merupakan keseluruhan data yang digunakan dalam
penelitian ini.
Tabel 4.5 Descriptive Statistics
Descriptive Statistics
72 .02
.24 .0466
.04045 72
.00 .15
.0192 .02698
72 .00
.09 .0137
.01630 72
KKD PD
RD Valid N listwise
N Minimum
Maximum Mean
Std. Deviation
Sumber : Diolah dari SPSS
a. variabel Kemandirian KKD Y memiliki nilai minimum 0,02, nilai maksimum 0,24, rata-rata Kemandirian 0,0466 dan standar deviasi sebesar
0,04045 dengan jumlah sampel sebanyak 24 dan 72 amatan. b. variabel Pajak Daerah X
1
memiliki nilai minimum 0,00, nilai maksimum 0,15, rata-rata Pajak Daerah 0,0192 dan standar deviasi sebesar 0,02698
dengan jumlah sampel sebanyak 24 dan 72 amatan. c. variabel Retribusi Daerah X
2
memiliki nilai minimum 0,00, nilai maksimum 0,09, rata-rata Retribusi Daerah 0,0137 dan standar deviasi sebesar 0,01630
dengan jumlah sampel sebanyak 24 dan 72 amatan.
3. Pengujian Asumsi Klasik
a. Uji Normalitas
Pengujian normalitas ini bertujuan untuk mengetahui apakah data yang digunakan telah terdistribusi secara normal. Hasil uji normalitas dengan grafik
Universitas Sumatera Utara
histogram yang diolah dengan SPSS, normal probability plot serta Kolmogorov- Smirnov Test ditunjukkan sebagai berikut :
Regression Standardized Residual
4 3
2 1
-1 -2
F re
q u
en cy
20
15 10
5
Histogram Dependent Variable: KKD
Mean =-9.61E-16 Std. Dev. =0.986
N =72
Sumber : Diolah dari SPSS
Gambar 4.1 Histogram sebelum data ditransformasi
Hasil uji normalitas di atas memperlihatkan bahwa pada grafik histogram di atas dapat disimpulkan bahwa distribusi data tidak normal karena grafik histogram
menunjukkan distribusi data tidak mengikuti garis diagonal yaitu menceng ke kanan.
Universitas Sumatera Utara
Observed Cum Prob
1.0 0.8
0.6 0.4
0.2 0.0
E x
p e
c te
d C
u m
P ro
b
1.0 0.8
0.6 0.4
0.2 0.0
Normal P-P Plot of Regression Standardized Residual
Dependent Variable: KKD
Sumber : Diolah dari SPSS
Gambar 4.2 Grafik Normal P-P Plot sebelum data ditransformasi
Demikian pula dengan hasil uji normalitas dengan menggunakan grafik plot. 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.
Universitas Sumatera Utara
Tabel 4.6 Grafik Normal P-P Plot sebelum data ditransformasi
Uji Normalitas dengan One-Sample Kolmogorov-Smirnov
One-Sample Kolmogorov-Smirnov Test
72 .0000000
.00847028 .108
.108 -.082
.915 .373
N Mean
Std. Deviati on Normal Parameters
a,b
Absolute Positive
Negati ve Most Extrem e
Di fferences
Kolmogorov-Sm irnov Z As ymp. Sig. 2-tailed
Unstandardiz ed Res idual
Test di stribution is Norm al. a.
Calculated from data. b.
Sumber : Diolah dari SPSS
Nilai Kolmogrov – Smirov sebesar 0.915 dan tidak signifikan pada 0.05 karena p= 0.373dari 0.05. Jadi kita tidak dapat menolak H
yang mengatakan bahwa residual terdistribusi secara normal atau dengan kata lain residual
berdistribusi normal. Dari hasil uji normalitas dengan Kolmogorov-Smirnov K-S, grafik histogram
dan grafik normal Plot menunjukkan adanya perbedaan hasil dan pada saat melakukan pengujian heterokedastisitas, hasil juga mengindikasikan telah terjadi
heteroskedastisitas pada model regresi sehingga dilakukan tindakan perbaikan yaitu dengan menggunakan transformasi seluruh variabel penelitian ke dalam
fungsi logaritma natural Ln. Hasil pengujian ulang data menghasilkan :
Universitas Sumatera Utara
Regression Standardized Residual
3 2
1 -1
-2
F re
q u
e n
c y
20
15
10
5
Histogram
Dependent Variable: LN_KKD
Mean =-5.79E-16 Std. Dev. =0.986
N =72
Gambar 4.3 Histogram setelah data ditransformasi
Sumber : Diolah dari SPSS, 2009
Hasil uji normalitas di atas memperlihatkan bahwa pada grafik histogram di atas distribusi data mengikuti kurva berbentuk lonceng yang tidak menceng
skewness kiri maupun menceng kanan atau dapat disimpulkan bahwa data tersebut normal.
Universitas Sumatera Utara
Observed Cum Prob
1.0 0.8
0.6 0.4
0.2 0.0
E x
p e
c te
d C
u m
P ro
b
1.0 0.8
0.6 0.4
0.2 0.0
Normal P-P Plot of Regression Standardized Residual
Dependent Variable: LN_KKD
Gambar 4.4 Grafik Normal P-P Plot setelah data ditransformasi
Sumber : Diolah dari SPSS, 2009
Hasil uji normalitas dengan menggunakan normal probability plot, di mana terlihat bahwa titik-titik menyebar di sekitar garis diagonal serta penyebarannya
mengikuti garis diagonal sehingga dapat disimpulkan bahwa data dalam model regresi terdistribusi secara normal.
Universitas Sumatera Utara
Tabel 4.7 Uji Normalitas Setelah Data Ditransformasi
One-Sample Kolmogorov-Smirnov Test
One-Sample Kolmogorov-Smirnov Test Unstandardized
Residual N
72 Normal Parametersa,b
Mean .0000000
Std. Deviation .26677386
Most Extreme Differences Absolute
.116 Positive
.116 Negative
-.059 Kolmogorov-Smirnov Z
.982 Asymp. Sig. 2-tailed
.290 a Test distribution is Normal.
b Calculated from data.
Sumber: Hasil Olahan Penulis dengan SPSS, 2009 Nilai Kolmogrov – Smirov sebesar 0.982 dan tidak signifikan pada 0.05
karena p = 0.290 0.05. Jadi kita tidak dapat menolak H
o
yang mengatakan bahwa residual terdistribusi secara normal atau dengan kata lain residual
berdistribusi normal. Semua hasil pengujian melalui analisis grafik dan statistik di atas menunjukkan hasil yang sama yaitu normal, dengan demikian telah terpenuhi
asumsi normalitas dan bisa dilakukan pengujian asumsi klasik berikutnya pada data.
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. Heteroskedastisitas ini dapat dilihat dengan grafik
Universitas Sumatera Utara
scatterplot dan uji Glejser. Hasil dari uji heteroskedastisitas dapat dilihat pada grafik scatterplot berikut ini:
Hasil Uji Heteroskedastisitas Sebelum Transformasi dengan Logaritma Natural
Regression Standardized Predicted Value
5 4
3 2
1 -1
R eg
re ss
io n
S tu
d en
ti ze
d R
es id
u al
4 3
2 1
-1 -2
Scatterplot Dependent Variable: KKD
Gambar 4.5 Grafik Scatterplo
Sumber : Diolah dari SPSS, 2009 Dari gambar scatterplot di atas, terlihat bahwa titik-titik tidak terlalu
menyebar secara acak di atas dan di bawah angka 0 pada sumbu Y, serta sedikit menyempit menumpuk. Hal ini mengindikasikan telah terjadi heteroskedastisitas
pada model regresi sehingga model regresi tidak layak dipakai.
Universitas Sumatera Utara
Selain dengan grafik, hasil uji heteroskedastisitas dapat dilihat pada statistik uji
glejser berikut ini:
Tabel 4.8 Hasil Uji Heteroskedastisitas dengan uji Glejser setelah transformasi
dengan Logaritma Natural
Coefficients
a
.007 .001
8.326 .000
.001 .056
.007 .024
.981 -.059
.092 -.173
-.637 .526
Constant PD
RD Model
1 B
Std. Error Unstandardized
Coeffic ients Beta
Standardiz ed Coeffic ients
t Sig.
Dependent Variable: absut a.
Berdasarkan hasil uji Glejser di atas, dapat dilihat bahwa pada tabel Coefficients
a
nilai sig. semua variabel independen lebih besar dari 0,05 5. Sehingga dapat disimpulkan tidak terjadi heteroskedastisitas atau terjadi
homoskedastisitas. Karena adanya perbedaan hasil dilakukan tindakan perbaikan dengan
menggunakan salah satu dari cara yang telah dikemukakan pada bab sebelumnya, yaitu dengan menggunakan transformasi seluruh variabel penelitian ke dalam
fungsi logaritma natural Ln, kemudian data diuji ulang. Hasil pengujian ulang data menghasilkan :
Universitas Sumatera Utara
Hasil Uji Heteroskedastisitas Setelah Transformasi dengan Logaritma Natural
Regression Standardized Predicted Value
3 2
1 -1
-2 -3
R e
g re
s s
io n
S tu
d e
n ti
z e
d R
e s
id u
a l
3 2
1
-1 -2
-3
Scatterplot
Dependent Variable: LN_KKD
Gambar 4.6 Grafik Scatterplot
Sumber : Diolah dari SPSS, 2009
Dari gambar scatterplot di atas, terlihat bahwa titik-titik menyebar secara acak di atas dan di bawah angka 0 pada sumbu Y, serta tidak membentuk pola tertentu
atau tidak teratur. Hal ini mengindikasikan tidak terjadi heteroskedastisitas pada model regresi sehingga model regresi layak dipakai.
Sedangkan hasil uji heteroskedastisitas dengan statistik uji glejser setelah seluruh variabel penelitian ditransformasi ke dalam fungsi logaritma natural Ln
dapat dilihat pada tabel berikut :
Universitas Sumatera Utara
Tabel 4.9 Hasil Uji Heteroskedastisitas dengan uji Glejser setelah transformasi
dengan Logaritma Natural
Coefficientsa
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. B
Std. Error Beta
B Std. Error
1 Constant
.097 .121
.805 .424
LN_PD -.003
.032 -.020
-.107 .915
LN_RD -.020
.040 -.092
-.491 .625
a Dependent Variable: absut
Berdasarkan hasil Uji Glejser di atas, dapat dilihat bahwa pada tabel Coefficients
a
nilai sig. semua variabel independen lebih besar dari 0,05 5. Sehingga dapat disimpulkan tidak terjadi heteroskedastisitas atau terjadi
homoskedastisitas. Dengan demikian terpenuhilah asumsi klasik untuk uji heteroskedastisitas.
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. Hasil dari uji autokorelasi dapat dilihat pada tabel
berikut ini:
Universitas Sumatera Utara
Tabel 4.10 Hasil Uji Autokorelasi
Model Summaryb
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .878a
.770 .764
.27061 2.002
a Predictors: Constant, LN_RD, LN_PD b Dependent Variable: LN_KKD
Sumber : Diolah dari SPSS, 2009 Hasil uji autokorelasi di atas menunjukkan nilai statistik Durbin Watson
DW sebesar 2,002. Nilai ini akan kita bandingkan dengan nilai tabel dengan menggunakan nilai signifikansi 0,05 5, jumlah amatan 72 n dan jumlah
variabel independen 2 k = 2. Dari tabel Durbin Watson didapat nilai batas atas du 1,672, nilai batas bawah dl 1,554 dan 4-du = 2,328. Oleh karena itu, nilai
DW lebih besar dari du dan lebih kecil dari 4-du 1,672 2,002 2,328, sehingga dapat disimpulkan bahwa tidak terjadi autokorelasi baik positif maupun
negatif.
d. Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah dalam sebuah model regresi ditemukan adanya korelasi antarvariabel independen. Hasil dari uji
multikolinearitas dapat dilihat pada tabel berikut ini :
Universitas Sumatera Utara
Tabel 4.11 Hasil Uji Multikolinearitas
Coefficientsa
Model Collinearity Statistics
Tolerance VIF
Constant PD
.409 2.445
RD
.409 2.445
a Dependent Variable: LN_KKD
Sumber : Diolah dari SPSS
Nilai 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. Dari hasil pengujian di atas, dapat dilihat bahwa angka tolerance Ln_PD
X
1
, Ln_RD X
2
0,10 dan VIF-nya 10. Hasil perhitungan nilai Tolerance juga menunjukkan tidak ada variabel independen yang memiliki nilai Tolerance
kurang dari 0.10. Ini mengindikasikan bahwa tidak terjadi multikolinearitas di antara variabel independen dalam penelitian.
4. Model dan Teknik Analisis Data