36
238,410.72, dan standar deviasinya sebesar 162,765.130. Nilai pendapatan asli daerah minimum adalah 37,359 sedangkan nilai pendapatan asli daerah maksimum adalah
660,841. Rata-rata mean pendapatan asli daerah adalah 179,052.44, dan standar deviasinya sebesar 156,086.877.
4.2 Uji Asumsi Normalitas Tabel 4.2
Uji Normalitas dengan AMOS 22 Assessment of normality Group number 1
Variable min
max skew
c.r. kurtosis
c.r. X2
10.528 13.401
.403 .987
-.323 -.396
X1 10.832
13.448 -.040
-.099 -.126
-.154 Y
2.024 3.603
.469 1.148
-.562 -.689
Multivariate -2.142
-1.173
Berdasarkan output AMOS untuk uji normalitas di atas Tabel 4.2, diketahui nilai c.r. critical ratio dari pendapatan asli daerah X2 adalah
−0,396, kemudian nilai c.r. critical ratio dari belanja modal X1 adalah
−0,154, dan nilai c.r. critical ratio dari pendapatan per kapita Y adalah
−0,689. Widarjono 2015:262 menyatakan nilai c.r. yang berada di antara
±1,96 berarti data berdistribusi normal. Diketahui nilai critical ratio dari belanja modal X1, pendapatan asli daerah X2,
dan pendapatan per-kapita Y berada di antara ±1,96. Hal ini berarti asumsi
normalitas dipenuhi.
4.3 Uji Asumsi Multikolinearitas Tabel 4.3
Uji Multikolinearitas dengan AMOS 22 Implied for all variables Correlations Group number 1 - Default model
X2 X1
Y
37
X2 X1
Y X2
1.000 X1
.527 1.000
Y .743
.116 1.000
Correlations: Group number 1 - Default model
Estimate X1 -- X2
.527
Uji multikolinearitas merupakan suatu uji untuk menguji ada tidaknya korelasi yang kuat di antara variabel bebas. Diketahui variabel bebas yang digunakan dalam
penelitian ini adalah belanja modal X1 dan pendapatan asli daerah X2. Diketahui nilai korelasi antara belanja modal X1 dan pendapatan asli daerah X2 adalah
0,527. Ghozali 2011 menyatakan nilai korelasi yang kurang dari 0,9 diindikasi tidak terjadi gejala multikolinearitas yang berat.
4.4 Uji Outlier Tabel 4.4
Uji Outlier dengan AMOS 22 Observations farthest from the centroid Mahalanobis distance Group number
1
Observation number Mahalanobis d-squared
p1 p2
30 7.197
.066 .914
21 6.524
.089 .841
34 6.113
.106 .751
27 4.860
.182 .915
9 4.845
.183 .816
28 4.717
.194 .723
10 4.653
.199 .594
18 4.652
.199 .429
25 4.409
.221 .397
29 4.232
.237 .344
38
Tabel 4.4 menyajikan hasil uji outlier dengan AMOS 22. Probabilitas, baik p1 atau p2 dari tiap-tiap objek tidak signifikan lebih besar dari 0,05, maka disimpulkan
bahwa tidak terdapat data yang menyebar secara ekstrim tidak terdapat outlier.
4.5 Regresi Linear dengan Metode Estimasi Bayes pada Software AMOS Versi 22
Perkembangan software AMOS telah berlangsung sangat cepat dan sekarang AMOS Versi 22 telah ada dipasaran. Metode estimasi maximum likelihood yang
digunakan oleh program AMOS 22 memerlukan asumsi yang sangat ketat berkaitan dengan jumlah sampel harus besar dan data terdistribusi secara normal multivariat.
Asumsi ini sering tidak dapat dipenuhi oleh peneliti. Dengan perkembangan statistik Bayesian saat ini, persoalan jumlah sampel kecil dan data tidak multivariate normal
dapat diatasi dengan mudah Ghozali, 2014:ix. Statistik Bayesian menggunakan iterasi jumlah re-sampling data yang sangat
besar untuk mencapai distribusi normal dengan menggunakan metode Markov Chain Monte Carlo MCMC. Program AMOS 22 telah mengintegrasikan MCMC ke dalam
program, sehingga kita dapat menggunakan metode estimasi Bayesian. Dalam statistika inferensial diasumsikan bahwa distribusi populasi diketahui
dengan pasti. Teknik yang digunakan untuk menaksir nilai parameter jika distribusi populasi diketahui dengan pasti adalah metode maximum likelihood dan metode ini
hanya mendasarkan inferensi pada sampel, tetapi jika distribusi populasi tidak
39
diketahui maka metode maximum likelihood tidak dapat digunakan Ghozali, 2014:327.
Pendekatan alternatif dengan model statistik Bayesian yang memandang bahwa setiap kuantitas yang tidak diketahui nilainya unknown sebagai variabel random dan
diberikan distribusi probabilitasnya. Jadi Bayesian memperkenalkan suatu metode di mana kita perlu mengetahui bentuk distribusi awal prior dari populasi dengan
metode bayes. Menurut bayes parameter populasi berasal dari suatu distribusi sehingga nilainya tidaklah tunggal merupakan variabel random, sedangkan menurut
metode klasik maximum likelihood parameter populasi diasumsikan tetap konstan walaupun nilainya tidak diketahui Ghozali, 2014:327.
Masing-masing pendekatan sudah tentu mempunyai kelebihan dan kekurangan masing-masing. Pada metode maximum likelihood teknik estimasi parameternya lebih
mudah, sehingga orang banyak menggunakan teknik ini. Akan tetapi teknik ini sangat sensitif terhadap data ekstrim. Data ekstrim sangat berpengaruh terhadap nilai rata-
rata ataupun variasi. Sedangkan pada metode Bayes, karena nilai parameternya berasal dari suatu distribusi, maka kesulitan pertama yang dijumpai adalah
menentukan bagaimana bentuk distribusi parameter tersebut. Walaupun menentukan distribusi awal prior dari parameter sulit, tetapi estimasi parameter dengan metode
Bayes lebih menjanjikan karena peneliti tidak perlu tahu tentang distribusi awal dari populasi Ghozali, 2014:327-328.
Sampai tahun 1980an statistik Bayes masih dipandang sebagai alternatif daripada statistik klasikal. Belum diterimanya statistik Bayes untuk analisis data kuantitatif
40
karena perhitungan distribusi posterior yang sangat sulit dilakukan. Baru dalam tahun 1990an ditemukan metode Markov Chain Monte Carlo MCMC yang diikuti dengan
pertumbuhan personal computer membuat perhitungan distribusi posterior menjadi sangat mudah. Dengan menggunakan MCMC kita dapat menyelesaikan masalah yang
sebelumnya tidak bisa diselesaikan dengan metode tradisional Ghozali, 2014:329. SEM dengan estimasi maximum likelihood memerlukan jumlah sampel yang
besar dan data harus berdistribusi normal multivariate. Metode estimasi Bayes dapat dilakukan dengan jumlah sampel kecil dan tidak berdistribusi normal. Dengan jumlah
sampel besar maka metode estimasi Bayes hasilnya akan mendekati metode maximum likelihood Ghozali, 2014:330. Gambar 4.1 menyajikan metode-metode
estimasi parameter yang disediakan dalam software AMOS Versi 22.
Gambar 4.1 Metode Estimasi Bayes dan Maximum Likelihood
Berdasarkan Gambar 4.1, metode-metode estimasi parameter yang disediakan dalam AMOS Versi 22 adalah Maximum likelihood, Generalized least squares,
41
Unweighted least squares, Scale-free least squares, Asymptotically distribution-free, dan Bayesian Estimation.
Berdasarkan Gambar 4.2, terdapat 2 variabel eksogen, yakni belanja modal X1 dan pendapatan asli daerah X2. Sedangkan pendapatan per kapita Y merupakan
variabel endogen.
Gambar 4.2 Model Penelitian
Diketahui model yang akan diuji disajikan pada Gambar 4.2. Gambar 4.3 merupakan hasil berdasarkan software AMOS menggunakan metode Bayes,
sedangkan Gambar 4.4 dan Tabel 4.5 merupakan hasil berdasarkan software AMOS berdasarkan metode Maximum Likelihood.
42
Gambar 4.3 Hasil AMOS dengan Metode Bayes
Gambar 4.4 Hasil AMOS dengan Metode Maximum Likelihood Tabel 4.5
Hasil AMOS dengan Metode Maximum Likelihood Regression Weights: Group number 1 - Default model
Estimate S.E.
C.R. P
Label Y --- X1
-.234 .071 -3.273 .001 par_1 Y --- X2
.515 .064 8.107 par_2 Berdasarkan hasil AMOS di atas, diperoleh persamaan sebagai berikut.
Pendapatan perkapita = -0,23Belanja Modal + 0,52Pendapatan Asli Daerah + 0,05. Tabel 4.6
Analisis Korelasi Implied for all variables Correlations Group number 1 - Default model
X2 X1
Y X2
1.000
43
X2 X1
Y X1
.527 1.000
Y .743
.116 1.000
Berdasarkan output AMOS di atas Tabel 4.6, diketahui nilai korelasi antara belanja modal X1 dan pendapatan per-kapita Y 0,116. Kemudian diketahui nilai
korelasi antara Pendapatan Asli Daerah X2 dan Pendapatan Per Kapita Y adalah 0,743. Diketahui nilai korelasi Pendapatan Asli Daerah X2 lebih besar
dibandingkan Belanja Modal X1, maka Pendapatan Asli Daerah X2 memiliki korelasi yang lebih besar terhadap Pendapatan Per Kapita Y dibandingkan Belanja
Modal X1.
Tabel 4.7 Koefisien Determinasi
Squared Multiple Correlations: Group number 1 - Default model
Estimate Y
.657
Diketahui nilai Squared Multiple Correlations adalah 0,657. Hal ini berarti pengaruh belanja modal X1 dan pendapatan asli daerah X2 secara simultan atau
bersama-sama terhadap pendapatan per-kapita Y sebesar 0,657 atau 65,7, sisanya sebesar 34,3 dipengaruhi oleh faktor-faktor lain.
Untuk pengujian signifikansi berdasarkan software AMOS metode Bayes, Ghozali 2014:349 menyatakan, “jika dalam range literval lower bound dan upper
bound memuat angka 0, maka pengaruh tidak signifikan secara statistik”.
44
4.5.1 Menguji Signifikansi Belanja Modal
�
�
terhadap Pendapatan per Kapita
�.
Berdasarkan hasil AMOS pada Gambar 4.3, diketahui nilai koefisien regresi untuk pengaruh belanja modal
�
1
terhadap pendapatan per kapita � adalah -
0,233. Karena nilai koefisien regresi tersebut bernilai negatif, hal ini berarti belanja modal
�
1
memiliki pengaruh negatif terhadap pendapatan per kapita �.
Untuk mengetahui pengaruh negatif tersebut signifikan atau tidak, maka perhatikan nilai credible interval lower bound -0,391 dan upper bound -0,070.
Ghozali 2014:349 menyatakan jika dalam range literval lower bound dan upper bound memuat angka 0, maka pengaruh tidak signifikan secara statistik.
Perhatikan bahwa karena tidak memuat angka 0 pada credible interval, maka pengaruh belanja modal
�
1
terhadap pendapatan per kapita � signifikan secara
statistik. Diketahui juga hasil AMOS dengan pendekatan maximum likelihood juga signifikan, yakni nilai probability P = 0,001 0,05.
4.5.2 Menguji Signifikansi Pendapatan Asli Daerah
�
�
terhadap Pendapatan per Kapita
�.
Berdasarkan hasil AMOS pada Gambar 4.3, diketahui nilai koefisien regresi untuk pengaruh pendapatan asli daerah
�
2
terhadap pendapatan per kapita
� adalah 0,514. Karena nilai koefisien regresi tersebut bernilai positif, hal ini berarti pendapatan asli daerah
�
2
memiliki pengaruh positif terhadap pendapatan per kapita
�. Untuk mengetahui pengaruh positif tersebut signifikan
45
atau tidak, maka perhatikan nilai credible interval lower bound 0,397 dan upper bound 0,652. Ghozali 2014:349 menyatakan jika dalam range literval lower
bound dan upper bound memuat angka 0, maka pengaruh tidak signifikan secara statistik. Perhatikan bahwa karena tidak memuat angka 0 pada credible interval,
maka pendapatan asli daerah �
2
terhadap pendapatan per kaputa � signifikan
secara statistik. Diketahui juga hasil AMOS dengan pendekatan maximum likelihood juga signifikan, yakni pada kolom P dan baris X2 ditandai dengan
“” yang berarti signifikan.
4.6 Pembahasan Hasil Analisis
Berdasarkan hasil pengujian yang dilakukan diatas dapat diketahui bahwa secara simultan variabel Belanja Modal dan Pendapatan Asli Daerah berpengaruh signifikan
terhadap variabel dependen Pendapatan Per Kapita. Hal ini didukung dari nilai
koefisien regresi sebesar -0.233. Hasil penelitian ini memperlihatkan bahwa belanja modal mempunyai korelasi negatif dan signifikan secara statistik terhadap variabel
pendapatan per kapita. Diketahui juga hasil AMOS dengan pendekatan maximum likelihood juga signifikan, degan nilai P = 0,0010,05. Artinya belanja modal
memiliki pengaruh yang nyata terhadap peningkatan pendapatan per kapita. Variabel PAD memiliki korelasi positif dan signifikan terhadap pendapatan per
kapita. Hal tersebut ditunjukkan dengan nilai koefisien regresi sebesar 0,514. Diketahui juga hasil AMOS dengan pendekatan maximum likelihood juga signifikan,
yakni pada kolom P dan baris X2 ditandai dengan “” yang berarti signifikan.
46
Artinya PAD memiliki pengaruh yang nyata terhadap peningkatan pendapatan per kapita dan hubungannya positif. Pendapatan asli daerah berpengaruh secara
signifikan terhadap peningkatan pendapatan per kapita sejalan dengan penelitian BAPPENAS 2003 yang mengindikasikan Pendapatan Asli Daerah berpengaruh
positif dan signifikan terhadap perubahan Pendapatan Per Kapita serta menegaskan bahwa pertumbuhan PAD seharusnya sensitif terhadap kenaikan pertumbuhan
ekonomi. Hal ini mengindikasikan bahwa hubungan antara Belanja Modal dengan Pendapatan Per Kapita secara langsung adalah hubungan negatif sehingga
pertambahan pendapatan per kapita akan berdampak menurunnya belanja modal dalam hubungan secara langsung. Sedangkan sisi yang lain belanja modal yang
melewati proses menjadi pendapatan asli daerah memiliki efek yang positif. Hal ini mengidentifikasikan bahwa Kebijakan penggunaan belanja modal untuk peningkatan
pendapatan per kapita lebih efektif melalui pendapatan asli daerah dari pada digunakan secara langsung untuk menigkatkan pendapatan
per kapita, Dari penelitian sebelumnya oleh Ramayanti 2011, PAD juga menunjukkan
berpengaruh signifikan terhadap Pendapatan Per Kapita. Hal ini tidak sejalan dengan pendapat yang dikemukakan oleh Wong 2004 menunjukkan bahwa pembangunan
infrastruktur industri mempunyai dampak yang nyata terhadap kenaikan pajak daerah. Dengan terpenuhinya fasilitas publik maka masyarakat merasa nyaman dan dapat
menjalankan usahanya dengan efisien dan efektif sehingga pada akhirnya akan meningkatkan partisipasi publik dalam pembangunan. Semakin tinggi tingkat
investasi modal diharapkan mampu meningkatkan kualitas layanan publik dan pada
47
gilirannya mampu meningkatkan tingkat partisipasi publik terhadap pembangunan yang tercermin dari adanya peningkatan PAD Mardiasmo, 2002.
48
BAB V KESIMPULAN DAN SARAN
5.1 Kesimpulan