HASIL PENELITIAN DAN PEMBAHASAN

66

BAB V HASIL PENELITIAN DAN PEMBAHASAN

5.1.Hasil Penelitian Setelah dilakukan penelitian dengan menggunakan metode statistik diperoleh hasil-hasil sebagai berikut :

5.1.1. Diskripsi Data Penelitian

Data yang digunakan pada penelitian ini merupakan data sekunder yang diperoleh dari kantor Badan Pusat Statistik Sumatera Utara di Jl. Asrama Medan, situs BPS http:sumut.bps.go.id, LHA BPK RI, situs Direktorat Jenderal Perimbangan Keuangan Republik Indonesia DJPK-RI Kementerian Keuangan yaitu: http:www.djpk.kemenkeu.go.id dan Hasil Evaluasi Kinerja Penyelenggaraan Pemerintah Daerah EKPPD Inspektorat Proivinsi Sumatera Utara dan Perwakilan BPKP Sumatera Utara. Data yang digunakan yaitu Laporan Realisasi Anggaran LRA, Laporan Indeks Pembangunan Manusia, Laporan Hasil Evaluasi Kinerja Pemerintah Daerah EKPPD. Data variabel DAU, DAK, PAD, DBH dan BKP, diperoleh dari Laporan Realisasi Anggaran, data IPM diperoleh dari Laporan Indeks Pembangunan Manusia, data variabel Belanja Pelayanan Dasar BPD diperoleh dari hasil EKPPD dan Laporan Realisasi Anggaran Per Urusan. Universitas Sumatera Utara Tabel 5.1. Statistik Deskriptif IPM? DAU? DAK? PAD? DBH? BKP? BPD? Mean 73.74917 393.6302 44.77115 57.50350 198.2622 25.65227 60.86698 Median 73.84500 336.8221 44.62555 21.10651 47.55067 17.96122 65.52970 Maximum 78.27000 1153.789 91.18800 1147.901 1787.457 169.4399 81.39866 Minimum 66.27000 0.000000 1.106700 4.335375 8.620850 0.000000 0.141590 Std. Dev. 2.414785 204.0470 18.04186 151.7914 303.5156 28.71760 14.83518 Skewness -0.569548 1.614166 0.286500 5.600214 2.663859 2.302044 -1.937503 Kurtosis 3.439213 5.929612 2.706154 36.40821 11.69664 9.745407 7.015316 Jarque-Bera 7.452247 95.02377 2.073370 6207.791 520.0807 333.4907 155.6922 Probability 0.024086 0.000000 0.354628 0.000000 0.000000 0.000000 0.000000 Sum 8849.900 47235.63 5372.537 6900.420 23791.46 3078.272 7304.038 Sum Sq. Dev. 693.9113 4954586. 38735.55 2741835. 10962486 98139.39 26189.82 Observations 120 120 120 120 120 120 120 Cross sections 30 30 30 30 30 30 30 Sumber : Hasil Eviews 7 2014. Rata-rata Dana Alokasi Umum di 30 kabupatenkota di Sumatera Utara sebesar Rp393,63 Milyar dan standar deviasinya sebesar 204,05 Dana Alokasi Umum paling rendah senilai Rp0,00 berada di Kabupaten Labuhanbatu Utara dan Labuhanbatu Selatan sebagai daerah pemekaran dari Labuhanbatu, sedangkan DAU paling tinggi berada di Kota Medan senilai Rp1.153,789 Milyar. Sesuai dengan Undang-undang 25 Tahun 1999 tentang Perimbangan Keuangan antara Pemerintah Pusat dan Daerah, kebutuhan DAU untuk suatu daerah ditentukan dengan menggunakan pendekatan konsep fiscal gap, dimana kebutuhan DAU suatu daerah ditentukan atas kebutuhan daerah fiscal need dengan potensi daerah fiscal capacity. Hal ini berarti bahwa dana alokasi umum dimaksudkan untuk menutup kebutuhan daerah yang melebihi dari potensi daerah yang sudah ada. Berdasarkan konsep fiscal gap tersebut, alokasi DAU kepada daerah-daerah yang memiliki kemampuan relatif besar akan lebih kecil dan sebaliknya daerah- daerah yang mempunyai kemampuan keuangan relatif kecil akan memperoleh alokasi yang lebih besar. Dengan konsep ini, daerah yang fiscal capacity-nya lebih besar dari fiscal needs perhitungan DAU-nya akan negatif. Universitas Sumatera Utara Dari uraian tersebut dapat disimpulkan bahwa pemerintah kabupatenkota di Sumatera Utara memperoleh proporsi DAU yang cenderung meningkat dan dapat dialokasikan untuk peningkatan pembangunan. Rata-rata Dana Alokasi Khusus DAK untuk 30 kabupatankota di Sumatera Utara sebesar Rp. 44,77 Milyar dan standar deviasinya sebesar 18,041. Pemerintah kabupatankota yang memiliki DAK paling rendah adalah Kabupaten Labuhanbatu Selatan sebesar Rp1,11 Milyar dan DAK paling tinggi adalah kabupaten Deli Serdang sebesar Rp91,19 Milyar. Dana Alokasi Khusus DAK dialokasikan dengan memperhatikan tersedianya data dalam APBN. Sesuai dengan UU No 25 Tahun 2009, yang dimaksud dengan kebutuhan khusus adalah: kebutuhan yang tidak dapat diperkirakan dengan menggunakan rumus alokasi umum, dalam pengertian kebutuhan yang tidak sama dengan kebutuhan daerah lain, misalnya: kebutuhan di kawasan transmigrasi, kebutuhan beberapa jenis investasiprasarana baru, pembangunan jalan kawasan terpencil, saluran irigasi primer, dan saluran drainase primer; dan kebutuhan yang merupakan komitmen atau prioritas nasional. Rata-rata Pendapatan Asli Daerah PAD untuk 30 kabupatankota di Provinsi Sumatera Utara sebesar Rp57,50 Milyar dan standar deviasinya sebesar 151,79. Pemerintah kabupatankota yang memiliki PAD paling rendah adalah Kabupaten Padang Lawas sebesar Rp4,34 Milyar dan PAD paling tinggi adalah Kota Medan sebesar Rp1.147,90 Milyar. Berdasarkan Undang-undang nomor 32 Tahun 2004 pasal 79 disebutkan bahwa pendapatan asli daerah PAD terdiri dari: hasil pajak daerah, retribusi daerah, bagian laba dari Badan Usaha Milik Daerah BUMD, lain-lain pendapatan Universitas Sumatera Utara yang sah. Pada tahun 2009, terbit undang-undang baru yaitu Undang-undang nomor 28 Tahun 2009 yang mengatur jenis pendapatan daerah. Sebagian pendapatan yang sebelumnya dikelola oleh pemerintah pusat diserahkan ke daerah kabupaten dan kota yaitu pajak bumi dan bangunan pedesaanperkotaan PBB-P2 dan pendapatan yang sebelumnya dikelola oleh pemerintah provinsi yaitu pajak air bawah tanah ABT. Pendapatan asli daerah kabupatenkota Provinsi Sumatera Utara cenderung mengalami kenaikan. Pendapatan asli daerah PAD yang diperoleh dari penerimaan daerah pada kabupatenkota di Provinsi Sumatera Utara memiliki peran penting dalam mendanai pembangunan daerah tersebut lihat lampiran Rata-rata Dana Bagi Hasil DBH untuk 30 kabupatankota di Provinsi Sumatera Utara sebesar Rp198,26 Milyar dan standar deviasinya sebesar 303,52. Pemerintah kabupatankota yang memiliki DBH paling rendah adalah Kabupaten Nias sebesar Rp8,62 Milyar dan DHH paling tinggi adalah Kota Medan sebesar Rp 1.787,48 Milyar. Dana Bagi Hasil DBH yang diperoleh dari penerimaan daerah pada kabupatenkota di Sumatera Utara memiliki peran penting dalam mendanai pembangunan daerah tersebut. Rata-rata Bantuan Keuangan Provinsi BKP untuk 30 kabupatankota di Provinsi Sumatera Utara sebesar Rp25,6 Milyar dan standar deviasinya sebesar 28,7. Pemerintah kabupatankota yang memiliki BKP paling rendah adalah Kabupaten Asahan sebesar Rp0,00 yang terdapat pada 13 kabupaten dan BKP paling tinggi adalah Kabupaten Simalungun sebesar Rp169,44 Milyar. Universitas Sumatera Utara Bantuan Keuangan Provinsi BKP yang diperoleh dari alokasi dana pemerintah Provinsi Sumatera Utara ke kabupatenkota di Provinsi Sumatera Utara memiliki peran penting dalam mendanai pembangunan daerah tersebut. Rata-rata proporsi Belanja Pelayanan Dasar BPD untuk 30 kabupatankota di Provinsi Sumatera Utara sebesar 60.86 dan standar deviasinya sebesar 14.83. Pemerintah kabupatankota yang memiliki BPD paling rendah adalah Kabupatan Labuhanbatu sebesar 0.14 dan BPD paling tinggi adalah Kabupaten Simalungun sebesar 81.40. Belanja pelayanan dasar yang dialokasikan pada pemerintah kabupatenkota di pemerintah Provinsi Sumatera Utara memiliki peran penting dalam menunjang keberhasilan pembangunan daerah tersebut Perkembangan Indeks Pembangunan Manusia IPM didasari faktor-faktor yaitu angka melek huruf penduduk dewasa, angka harapan hidup pada waktu lahir, rata-rata lama sekolah dan kemampuan daya beli. Pembangunan manusia yang terjadi pada kabupatenkota di Provinsi Sumatera Utara selama tahun 2009 s.d. 2012 cenderung mengalami kenaikan. Rata-rata IPM untuk 30 kabupatankota di Provinsi Sumatera Utara sebesar 73,75 poin dan standar deviasinya sebesar 2,41. IPM paling rendah adalah Kabupaten Nias Selatan sebesar 66,27 dan IPM paling tinggi adalah Kota Pematang Siantar sebesar 78,27 poin. Dengan semakin tingginya IPM maka akan menciptakan pembangunan manusia yang memiliki daya saing yang tinggi terhadap persaingan globalisasi. Universitas Sumatera Utara

5.1.2. Uji Asumsi Klasik

Secara teoritis, salah satu metode pendugaan parameter dalam model regresi linear adalah Ordinasy Least Square OLS. Metode OLS digunakan dengan berlandaskan pada sejumlah asumsi tertentu. Ada beberapa asumsi yang harus dipenuhi, dan pada prinsipnya model regresi linear yang dibangun sebaiknya tidak boleh menyimpang dari asumsi BLUE Best, Linear, Unbiased, Estimator, atau dalam pengertian lain model yang dibuat harus lolos dari penyimpangan asumsi adanya serial korelasi, normalitas, linearitas, heteroskedastisitas dan multikolinearitas. Hal ini dilakukan sebelum melakukan analisis regresi data panel. 5.1.2.1.Pengujian Normalitas Data Uji distribusi normal merupakan uji untuk mengukur data kita memiliki distribusi normal sehingga dapat dipakai dalam statistic parametric statistic inferensial. Pendugaan persamaan dengan menggunakan metode Ordinasy Least Square OLS harus memenuhi sifat kenormalan, karena jika tidak normal maka dapat menyebabkan varians infinitive ragam tidak hingga atau ragam yang sangat besar. Hasil pendugaan yang memiliki varian infinitive menyebabkan pendugaan dengan metode OLS akan menghasilkan nilai dugaan yang tidak berarti. Pengujian normalitas residual metode OLS secara formal dapat dilakukan metode yang dikembangkan oleh Jarque-Bera. Jarque-Bera test mempunyai distribusi chi square dengan derajad bebas dua df=2. Jika hasil Jarque-Bera test lebih besar dari chi square pada α=5, maka tolak hipotesis nul yang berarti tidak berdistribusi normal. Jika Jarque-Bera test lebih kecil dari chi square pada α=5, maka terima hipotesis nul yang berarti error term berdistribusi normal. Distribusi normal juga bisa dilihat dari nilai probabilitas p dari statistic, dimana apabila Universitas Sumatera Utara probabilitasnya lebih besar dari α=5 maka data berdistribusi normal Widarjono, 2013. Dengan demikian untuk mendeteksi apakah residualnya berdistribusi normal atau tidak dilakukan dengan membandingkan nilai Jarque-Bera JB dengan chi Square dengan α=5 dan df =2, sebesar 5.9915 yaitu: a. Jika nila JB 5.9915 maka residualnya berdistribusi tidak normal b. Jika nila JB 5.9915 maka residualnya berdistribusi normal Nilai residual hasil regresi dari pooled data panel dilihat hasil grafik histogram dan nilai Jarque-Bera JB. Hasil pengujian normalitas dengan menggunakan Eviews7 adalah sebagai berikut : Tabel 5.2. Hasil Pengujian Normalitas No KabupatenKota Kode Jarque-Bera JB Prob. 1. N i a s _nias 0.204869 0,902637 2. Mandailing Natal _madin 0.529471 0.767409 3. Tapanuli Selatan _tapse 0.564262 0.754175 4. Tapanuli Tengah _tapte 0.230445 0.891168 5. Tapanuli Utara _taput 0.506897 0.776120 6. Toba Samosir _tobas 0.241812 0.886117 7. Labuhanbatu _lab 0.928835 0.628501 8. A s a h a n _asah 0.479433 0,786851 9. Simalungun _simal 0.458745 0.795033 10. D a i r i _dairi 0.468995 0.790968 11. K a r o _kar 0.231293 0.890790 12. Deli Serdang _dser 0.529994 0.767208 13. L a n g k a t _lang 0.621085 0.733049 14. Nias Selatan _nisel 0.350002 0.839456 15. Humbang Hasundutan _humha 0.764051 0.682478 16. Pakpak Bharat _pakb 0.172256 0.917477 17. Samosir _samos 0.183268 0.912439 18. Serdang Bedagai _sergai 0.437117 0.803677 19. Batu Bara _bbara 0.230767 0.891024 20. Padang Lawas Utara _paluta 0.891918 0.640210 21. Padang Lawas _palas 0.650223 0.722447 22. Labuhanbatu Selatan _labusel 0.564589 0.754052 23. Labuhanbatu Utara _labura 0.279697 0.869490 24. S i b o l g a _sibol 0.564257 0.754177 25. Tanjungbalai _tjbalai 0.316329 0.853709 26. Pematangsiantar _psian 0.815574 0.665121 27. Tebing Tinggi _ttinggi 0.904526 0.636187 28. M e d a n _mes 0.380582 0.826719 29. B i n j a i _binj 0.235693 0.888832 30. Padangsidimpuan _psidem 0.897207 0.638519 Sumber : Hasil Eviews 7. 2014. Universitas Sumatera Utara Berdasarkan tabel diatas dapat disimpulkan bahwa nilai JB untuk variable IPM pada masing-masing Kabupaten dan Kota yang diamati mempunyai nilai JB lebih kecil dari Chi Square dengan α=5 dan df =2, sebesar 5.9915. Hal ini juga didukung dari hasil tingkat probability p untuk masing-masing Kabupaten dan Kota yang diamati mempunyai nilai yang lebih besar dari α=5, sehingga residual berdistribusi normal. Dengan demikian dapat disimpulkan bahwa IPM untuk seluruh Kabupaten dan Kota di Sumatera Utara yang diamati telah berdistribusi normal. 5.1.2.2.Pengujian Multikolinearitas Gujarati 2003 menyatakan bahwa multikolinearitas adalah fenomena sampling. Ia terjadi pada sampel dan bukan pada populasi. Metode yang dapat digunakan untuk mengukur derajat kolinearitas adalah jika terjadi R 2 yang tinggi tetapi sedikit variable yang signifikan. Jika model memiliki R 2 . Yang tinggi misalnya0,7 tetapi sedikit variable yang signifikan, maka dapat diduga bahwa model yang dibangun mengalami multikolinearitas Ariefianto, 2012. Model regresi penelitian yang dibangun dengan 1 satu variable dependen IPM dan 5 lima variable independen yaitu DAU, DAK, PAD, DBH dan BKP yang diolah dengan eviews7 adalah sebagai berikut: Universitas Sumatera Utara Tabel 5.3. Hasil Regresi Dengan Pooled Least Square Dependent Variable: IPM? Method: Pooled Least Squares Sample: 2009 2012 Included observations: 4 Cross-sections included: 30 Total pool balanced observations: 120 Variable Coefficient Std. Error t-Statistic Prob. C 73.91747 0.530370 139.3697 0.0000 DAU? 0.006060 0.001626 3.726506 0.0003 DAK? -0.070139 0.013560 -5.172588 0.0000 PAD? 0.003449 0.001615 2.135202 0.0349 DBH? -0.000990 0.000846 -1.170784 0.2441 BKP? 0.022783 0.007071 3.222082 0.0017 R-squared 0.342193 Mean dependent var 73.74917 Adjusted R-squared 0.313342 S.D. dependent var 2.414785 S.E. of regression 2.001008 Akaike info criterion 4.273886 Sum squared resid 456.4598 Schwarz criterion 4.413260 Log likelihood -250.4332 F-statistic 11.86062 Durbin-Watson stat 0.274451 ProbF-statistic 0.000000 Dari hasil output table 5.3. tersebut dapat diketahui bahwa nilai R 2 =.342193 yang berada dibawah rule of tumb 0,7 dan empat variable independen DAU p value= 0.0003, DAK p value= 0.0000, PAD p value=0.0349 dan BKP p value= 0.0017 signifikan dan hanya 1 variabel DBH p value= 0.2441 tidak signifikan. Dengan demikian model yang dibangun dalam penelitian ini tidak mengalami multikolinearitas . Deteksi adanya multikolinearitas dapat juga dilaksanakan dengan menghitung nilai Tolerance dan VIF. Perhitungan dilakukan dengan melihat hubungan secara individual antara variable independen dengan variable independen yang lainnya yang disebut dengan regresi auxiliary. Regresi ini menghasilkan koefisien determinasi Rj 2 dari setiap regresi auxiliary, dimana merupakan R 2 yang Universitas Sumatera Utara diperoleh dari regresi auxiliary antara variable independen dengan variable independen sisanya. Nilai tolerance TOL dan VIF dapat dicari dengan menggunakan formula sebagai berikut : TOL= 1-Rj2 VIF= 1 1−�� Dimana Rj 2 merupakan nilai R 2 regresi auxiliary Menurut Widarjono 2013 ketentuan yang digunakan untuk mendeteksi adanya multikolinearitas adalah sebagai berikut : 1. Apabila nilai VIP melebihi angka 10 maka terdapat multikolinearitas pada model karena nilai Rj 2 melebihi 0.9 dan sebaliknya apabila VIF lebih kecil dari 10 maka tidak terdapat multikolinearitas pada model 2. Apabila tolerance TOL mendekati 1 satu maka disimpulkan tidak ada masalah multikolinearitas. Regresi auxiliary beserta nilai koefisien determinasi Rj 2 adalah sebagai berikut: 1. DAU = b + b 1 DAK + b 2 PAD + b 3 DBH + b 4 BKP 2. DAK = b + b 1 DAU + b 2 PAD + b 3 DBH + b 4 BKP 3. PAD = b + b 1 DAU + b 2 DAK + b 3 DBH + b 4 BKP 4. DBH = b + b 1 DAU + b 2 DAK + b 3 PAD + b 4 BKP 5. BKP = b + b 1 DAU + b 2 DAK + b 3 PAD + b 4 DBH Universitas Sumatera Utara Tabel 5.4. Hasil Estimasi Nilai R-Squared R 2 , VIF dan TOL No Regresi Sebutan Rj 2 Nilai R 2 VIF TOL 1 Auxiliary 1 R 2 1 0.694420 3.272465 0.305580 2 Auxiliary 2 R 2 2 0.437808 1.778752 0.562192 3 Auxiliary 3 R 2 3 0.440325 1.786751 0.559675 4 Auxiliary 4 R 2 4 0.489447 1.958661 0.510553 5 Auxiliary 5 R 2 5 0.183949 1.225414 0.816051 Dari table 5.4. tersebut, hasil perhitungan nilai VIF, nilainya lebih kecil dari 10 sehingga dapat disimpulkan tidak ada masalah multikolinearitas dalam model. Begitu juga dengan nilai TOL mendekati angka 1 sehinga bisa disimpulkan juga bahwa tidak ada masalah multikolinearitas. 5.1.2.3.Pengujian Autokorelasi Pada output hasil regresi data panel dengan metode CEM terlihat hasil statistic DW- Test yang dapat dilihat di tebel 5.5. Output tersebut adalah sebagai berikut : Tabel 5.5. Hasil Regresi CEM Dependent Variable: IPM? Method: Pooled Least Squares Sample: 2009 2012 Included observations: 4 Cross-sections included: 30 Total pool balanced observations: 120 Variable Coefficient Std. Error t-Statistic Prob. C 73.91747 0.530370 139.3697 0.0000 DAU? 0.006060 0.001626 3.726506 0.0003 DAK? -0.070139 0.013560 -5.172588 0.0000 PAD? 0.003449 0.001615 2.135202 0.0349 DBH? -0.000990 0.000846 -1.170784 0.2441 BKP? 0.022783 0.007071 3.222082 0.0017 R-squared 0.342193 Mean dependent var 73.74917 Adjusted R-squared 0.313342 S.D. dependent var 2.414785 S.E. of regression 2.001008 Akaike info criterion 4.273886 Sum squared resid 456.4598 Schwarz criterion 4.413260 Log likelihood -250.4332 Hannan-Quinn criter. 4.330487 F-statistic 11.86062 Durbin-Watson stat 0.274451 ProbF-statistic 0.000000 Sumber : Hasil Eviews 7. 2014. Universitas Sumatera Utara Pada output hasil regresi data panel dengan metode CEM terlihat hasil statistic DW-Test. Nilai statistic DW-Test tersebut adalah 0.274451 yang berada pada kisaran angka 0, sedangkan nilai kritis d pada α=0.05 dengan n=30 dan k=5 untuk nilai du=1,090, dengan demikian nilai tersebut tidak berada di antara 1,090DW-Stat3,910. Hal ini mengindikasikan bahwa pada model CEM tersebut mempunyai masalah autokorelasi. Output regresi data panel dengan metode FEM adalah sebagai berikut: Tabel 5.6 : Hasil Regresi FEM Dependent Variable: IPM? Method: Pooled Least Squares Sample: 2009 2012 Included observations: 4 Cross-sections included: 30 Total pool balanced observations: 120 Variable Coefficient Std. Error t-Statistic Prob. C 72.19349 0.283364 254.7730 0.0000 DAU? 0.004125 0.000626 6.585771 0.0000 DAK? -0.005130 0.004221 -1.215530 0.2275 PAD? 0.000571 0.000567 1.005901 0.3173 DBH? 0.000491 0.000198 2.484538 0.0149 BKP? 0.001225 0.001675 0.731564 0.4664 Cross-section fixed dummy variables R-squared 0.982472 Mean dependent var 73.74917 Adjusted R-squared 0.975461 S.D. dependent var 2.414785 S.E. of regression 0.378277 Akaike info criterion 1.132114 Sum squared resid 12.16297 Schwarz criterion 1.945133 Log likelihood -32.92686 Hannan-Quinn criter. 1.462285 F-statistic 140.1279 Durbin-Watson stat 1.637305 ProbF-statistic 0.000000 Sumber : Hasil Eviews 7. 2014. Pada output hasil regresi data panel dengan metode FEM terlihat hasil statistic DW-Test. Nilai statistic DW-Test tersebut adalah 1.637305 yang berada pada kisaran angka 2, sedangkan nilai kritis d pada α=0.05 dengan n=30 dan k=5 untuk nilai du=1,090, dengan demikian nilai tersebut berada di antara 1,090DW- Universitas Sumatera Utara Stat3,910. Hal ini mengindikasikan bahwa pada model tersebut tidak mempunyai masalah autokorelasi : Output regresi data panel dengan metode REM adalah sebagai berikut: Tabel 5.7 : Hasil Regresi REM Dependent Variable: IPM? Method: Pooled EGLS Cross-section random effects Sample: 2009 2012 Included observations: 4 Cross-sections included: 30 Total pool balanced observations: 120 Swamy and Arora estimator of component variances Variable Coefficient Std. Error t-Statistic Prob. C 72.33272 0.436655 165.6518 0.0000 DAU? 0.003987 0.000607 6.574075 0.0000 DAK? -0.007445 0.004149 -1.794427 0.0754 PAD? 0.000688 0.000558 1.232201 0.2204 DBH? 0.000486 0.000196 2.474513 0.0148 BKP? 0.001730 0.001666 1.038469 0.3012 Weighted Statistics R-squared 0.537360 Mean dependent var 7.389635 Adjusted R-squared 0.517069 S.D. dependent var 0.572775 S.E. of regression 0.398040 Sum squared resid 18.06168 F-statistic 26.48242 Durbin-Watson stat 1.101148 ProbF-statistic 0.000000 Sumber : Hasil Eviews 7. 2014. Pada output hasil regresi data panel dengan metode REM terlihat hasil statistic DW-Test. Nilai statistic DW-Test tersebut adalah 1.101148 yang berada pada kisaran angka 1, sedangkan nilai kritis d pada α=0.05 dengan n=30 dan k=5 untuk nilai du=1,090, dengan demikian nilai tersebut berada di antara 1,090DW- Stat3,910. Hal ini mengindikasikan bahwa pada model REM tersebut mempunyai masalah autokorelasi Dari hasil estimasi ketiga model tersebut maka, diketahui bahwa hanya pada metode regresi panel dengan model FEM dan REM yang tidak terdapat masalah autokorelasi, sedangkan pada model CEM terjadi masalah autokorelasi. Universitas Sumatera Utara 5.1.2.4.Pengujian Heteroskedastisitas Uji Park dilakukan dengan cara menguji pengaruh antara nilai variable independen dengan logairtma natural nilai kuadrat residualnya. Jika nilai signifkansi antara logaritma natural kuadrat nilai residualnya LnResid 2 i lebih besar dari 5 0,05 mata tidak terjadi masalah heterokedastitas. Hasil pengujian dengan Eviews adalah sebagai berikut: Tabel 5.8 : Hasil Pengujian Heterokekastisitas Uji Park Dependent Variable: LOGRESID?2 Method: Pooled Least Squares Sample: 2009 2012 Included observations: 4 Cross-sections included: 30 Total pool balanced observations: 120 Variable Coefficient Std. Error t-Statistic Prob. C 0.563574 0.567319 0.993399 0.3226 DAU? -0.005083 0.001740 -2.921878 0.0042 DAK? 0.029181 0.014504 2.011905 0.0466 PAD? 0.000584 0.001728 0.337804 0.7361 DBH? 0.002037 0.000905 2.251207 0.0263 BKP? -0.009073 0.007563 -1.199559 0.2328 R-squared 0.088101 Mean dependent var 0.074001 Adjusted R-squared 0.048105 S.D. dependent var 2.193829 S.E. of regression 2.140411 Akaike info criterion 4.408580 Sum squared resid 522.2750 Schwarz criterion 4.547954 Log likelihood -258.5148 F-statistic 2.202763 Durbin-Watson stat 1.214914 ProbF-statistic 0.058771 Dari pengujian output regresi antara nilai variable independen dengan nilai logaritma natural kuadrat nilai residualnya di atas dapat diketahui bahwa nilai signifikansi PAD, dan BKP lebih dari 0,05. Pengujian dengan Uji Park juga menunjukkan 3 variabel variabel DAU, DAK dan DBH signifikan terhadap absolute residualnya dibanding 2 variabel lainnya, sehingga terjadi masalah heterokekastititas. Universitas Sumatera Utara Uji Glejser dilakukan dengan cara menguji pengaruh antara nilai variable independen dengan nilai absolut residualnya. Jika nilai signifkansi antara variable independen dengan absolut residual lebih besar dari 0,05 maka tidak terjadi masalah heterokedastitas. Hasil pengujian dengan Eviews adalah sebagai berikut: Tabel 5.9 : Hasil Pengujian Heterokekastisitas Uji Glejser Dependent Variable: ABSRESID? Method: Pooled Least Squares Sample: 2009 2012 Included observations: 4 Cross-sections included: 30 Total pool balanced observations: 120 Variable Coefficient Std. Error t-Statistic Prob. C 1.945383 0.311784 6.239523 0.0000 DAU? -0.002371 0.000956 -2.480072 0.0146 DAK? 0.011009 0.007971 1.381065 0.1700 PAD? -7.26E-05 0.000950 -0.076412 0.9392 DBH? 0.000769 0.000497 1.546292 0.1248 BKP? -0.004276 0.004157 -1.028602 0.3058 R-squared 0.075077 Mean dependent var 1.543567 Adjusted R-squared 0.034510 S.D. dependent var 1.197153 S.E. of regression 1.176315 Akaike info criterion 3.211357 Sum squared resid 157.7437 Schwarz criterion 3.350732 Log likelihood -186.6814 F-statistic 1.850702 Durbin-Watson stat 0.642952 ProbF-statistic 0.108554 Dari pengujian output regresi antara nilai variable independen dengan nilai absolut residualnya di atas dapat diketahui bahwa nilai signifikansi DAK, PAD, DBH dan BKP lebih dari 0.05 atau tidak signifikan. Pengujian dengan Uji Gletser juga menunjukkan variabel DAU signifikan terhadap absolute residualnya dibanding 4 variabel lainnya maka terdapat permasalahan heteroskedastisitas. Hasil ini tidak jauh berbada dengan kesimpulan dari uji Park. Universitas Sumatera Utara Karena terjadi heteroskedastisitas, maka data diolah kembali dengan menggunakan transformasi. Transformasi data bertujuan untuk mengubah data yang tidak mengikuti sebaran normal dengan keragaman antar perlakuan tidak homogen menjadi sebaran normal dengan keragaman perlakukan menjadi homogen. Transformasi data mengubah skala pengukuran data asli menjadi bentuk lain sehingga data dapat memenuhi asumsi-asumsi yang mendasari analisis ragam. Menurut Aswinda 2013 transformasi data yang biasa digunakan adalah: 1. Transformasi square root akar yang digunakan apabila data mengikuti sebaran Poisson yang ditandai dengan rata-rata ў data hasil pengamatan masing-masing perlakuan hampir sama dengan variannya. Data yang mengikuti sebaran Poisson biasanya data dalam persen dengan persentase yang sangat kecil atau sebaliknya sangat besar atau sebaran data 0-10 atau jika terdapat nilai 0 nol. 2. Transformasi logaritma yang digunakan bila berkaitan dengan waktu dan rata- rata ў mengikuti rata-rata Geometrik dengan ciri-ciri apabila rata-rata ў suatu perlakukan semakin besar, maka variannya juga semakin besar, sehingga homogenitas ragamvarian antar pelakuan tidak terpenuhi. Data yang mempunyai ciri-ciri tersebut adalah data yang berkaitan dengan waktu. 3. Transformasi arcsin yang digunakan jika data mengikuti sebaran binominal dengan ciri-ciri rata-rata ў sebandig dengan variannya. Data dalam satuan pengukuran persentase biasanya mengikuti sebaran ini. 4. Transformasi inverse kebalikan yang digunakan jika rata-rata ў mengikuti rata-rata Harmonik dengan ciri-ciri jika satuan pengukuran yang digunakan Universitas Sumatera Utara dalam penelitian dari dua satuan. Jika satuan terebut tidak rasional maka perlu dibalik atau diharmonisasikan dalam analisis data. Dalam penelitian ini, hasil akan diolah kembali dengan menggunakan transformasi akar agar memenuhi sebaran normal. Pemilihan transformasi akar juga karena terdapat nilai 0 sehingga digunakan transformasi akar x + 0.5. 5.1.2.5.Pengujian Normalitas Data Setelah Transformasi Nilai residual hasil regresi dari pooled data panel dilihat hasil grafik histogram dan nilai Jarque-Bera JB. Hasil pengujian normalitas dengan menggunakan Eviews7 adalah sebagai berikut : Tabel 5.10. Hasil Pengujian Normalitas Data Setelah Transformasi No KabupatenKota Kode Jarque-Bera JB Prob. 1. N i a s _nias 0.310632 0.856145 2. Mandailing Natal _madin 0.345874 0.841190 3. Tapanuli Selatan _tapse 0.345520 0.841339 4. Tapanuli Tengah _tapte 0.347580 0.840473 5. Tapanuli Utara _taput 0.339168 0.844016 6. Toba Samosir _tobas 0.351489 0.838832 7. Labuhanbatu _lab 0.352312 0.838487 8. A s a h a n _asah 0.396549 0.820145 9. Simalungun _simal 0.331121 0.847419 10. D a i r i _dairi 0.387965 0.823672 11. K a r o _kar 0.305956 0.858149 12. Deli Serdang _dser 0.333353 0.846473 13. L a n g k a t _lang 0.345522 0.841339 14. Nias Selatan _nisel 0.327380 0.849005 15. Humbang Hasundutan _humha 0.365274 0.833071 16. Pakpak Bharat _pakb 0.323020 0.850858 17. Samosir _samos 0.403982 0.817102 18. Serdang Bedagai _sergai 0.329480 0.848114 19. Batu Bara _bbara 0.347205 0.840631 20. Padang Lawas Utara _paluta 0.442916 0.801350 21. Padang Lawas _palas 0.404959 0.816703 22. Labuhanbatu Selatan _labusel 0.371439 0.830506 23. Labuhanbatu Utara _labura 0.389876 0.822886 24. S i b o l g a _sibol 0.415958 0.812224 25. Tanjungbalai _tjbalai 0.378664 0.827512 26. Pematangsiantar _psian 0.350600 0.839205 27. Tebing Tinggi _ttinggi 0.313585 0.854881 28. M e d a n _mes 0.330256 0.847785 29. B i n j a i _binj 0.352023 0.838608 30. Padangsidimpuan _psidem 0.276982 0.870671 Sumber : Hasil Eviews 7. 2014. Universitas Sumatera Utara Berdasarkan tabel diatas dapat disimpulkan bahwa nilai JB untuk variable IPM pada masing-masing Kabupaten dan Kota yang diamati mempunyai nilai JB lebih kecil dari Chi Square dengan α=5 dan df =2, sebesar 5.9915. Hal ini juga didukung dari hasil tingkat probability p untuk masing-masing Kabupaten dan Kota yang diamati mempunyai nilai yang lebih besar dari α=5, sehingga residual berdistribusi normal. Dengan demikian dapat disimpulkan bahwa IPM untuk seluruh Kabupaten dan Kota di Sumatera Utara yang diamati telah berdistribusi normal. 5.1.2.6.Pengujian Multikolinearitas Setelah Transformasi Model regresi penelitian yang dibangun dengan 1 satu variable dependen IPM dan 5 lima variable independen yaitu DAU, DAK, PAD, DBH dan BKP yang diolah dengan eviews7 adalah sebagai berikut: Tabel 5.11. Hasil Regresi Dengan Pooled Least Square Setelah Transformasi Dependent Variable: IPM? Method: Pooled Least Squares Sample: 2009 2012 Included observations: 4 Cross-sections included: 30 Total pool balanced observations: 120 Variable Coefficient Std. Error t-Statistic Prob. C 8.608073 0.053158 161.9351 0.0000 DAU? 0.010399 0.003283 3.167771 0.0020 DAK? -0.047243 0.009391 -5.030939 0.0000 PAD? 0.010485 0.002604 4.026347 0.0001 DBH? -0.001800 0.001654 -1.088235 0.0278 BKP? 0.017380 0.004325 4.018513 0.0001 R-squared 0.398608 Mean dependent var 8.615654 Adjusted R-squared 0.372231 S.D. dependent var 0.140842 S.E. of regression 0.111592 Akaike info criterion -1.499227 Sum squared resid 1.419618 Schwarz criterion -1.359852 Log likelihood 95.95360 F-statistic 15.11206 Durbin-Watson stat 0.297785 ProbF-statistic 0.000000 Universitas Sumatera Utara Dari hasil output table 5.11. tersebut dapat diketahui bahwa nilai R 2 =0.398608 yang berada dibawah rule of tumb 0,7 dan kelima variable independen DAU p value = 0.0020, DAK p value = 0.0000, PAD p value = 0.0001, DBH p value = 0.0278 dan BKP p value = 0.0001 seluruhnya signifikan. Dengan demikian model yang dibangun dalam penelitian ini tidak mengalami multikolinearitas . Deteksi adanya multikolinearitas dapat juga dilaksanakan dengan menghitung nilai Tolerance dan VIF. Perhitungan dilakukan dengan melihat hubungan secara individual antara variable independen dengan variable independen yang lainnya yang disebut dengan regresi auxiliary. Regresi ini menghasilkan koefisien determinasi Rj 2 dari setiap regresi auxiliary, dimana merupakan R 2 yang diperoleh dari regresi auxiliary antara variable independen dengan variable independen sisanya. Nilai tolerance TOL dan VIF dapat dicari dengan menggunakan formula sebagai berikut : TOL= 1-Rj2 VIF= 1 1−�� Dimana Rj 2 merupakan nilai R 2 regresi auxiliary Menurut Widarjono 2013 ketentuan yang digunakan untuk mendeteksi adanya multikolinearitas adalah sebagai berikut : 1. Apabila nilai VIP melebihi angka 10 maka terdapat multikolinearitas pada model karena nilai Rj 2 melebihi 0.9 dan sebaliknya apabila VIF lebih kecil dari 10 maka tidak terdapat multikolinearitas pada model Universitas Sumatera Utara 2. Apabila tolerance TOL mendekati 1 satu maka disimpulkan tidak ada masalah multikolinearitas. Regresi auxiliary beserta nilai koefisien determinasi Rj 2 adalah sebagai berikut: 1. DAU = b + b 1 DAK + b 2 PAD + b 3 DBH + b 4 BKP 2. DAK = b + b 1 DAU + b 2 PAD + b 3 DBH + b 4 BKP 3. PAD = b + b 1 DAU + b 2 DAK + b 3 DBH + b 4 BKP 4. DBH = b + b 1 DAU + b 2 DAK + b 3 PAD + b 4 BKP 5. BKP = b + b 1 DAU + b 2 DAK + b 3 PAD + b 4 DBH Tabel 5.12. Hasil Estimasi Nilai R-Squared R 2 , VIF dan TOL Setelah Transformasi No Regresi Sebutan Rj 2 Nilai R 2 VIF TOL 1 Auxiliary 1 R 2 1 0.613366 2.586425 0.386634 2 Auxiliary 2 R 2 2 0.402700 1.674201 0.597300 3 Auxiliary 3 R 2 3 0.332376 1.497849 0.667624 4 Auxiliary 4 R 2 4 0.458449 1.846548 0.541551 5 Auxiliary 5 R 2 5 0.152087 1.179366 0.847913 Analisis hasil perhitungan nilai VIF, nilainya lebih kecil dari 10 sehingga dapat disimpulkan tidak ada masalah multikolinearitas dalam model. Begitu juga dengan nilai TOL mendekati angka 1 sehinga bisa disimpulkan juga bahwa tidak ada masalah multikolinearitas. 5.1.2.7.Pengujian Autokorelasi Setelah Transformasi Pada output hasil regresi data panel dengan metode CEM terlihat hasil statistic DW-Test. Output tersebut adalah sebagai berikut : Universitas Sumatera Utara Tabel 5.13. Hasil Regresi CEM Setelah Transformasi Dependent Variable: IPM? Method: Pooled Least Squares Sample: 2009 2012 Included observations: 4 Cross-sections included: 30 Total pool balanced observations: 120 Variable Coefficient Std. Error t-Statistic Prob. C 8.608073 0.053158 161.9351 0.0000 DAU? 0.010399 0.003283 3.167771 0.0020 DAK? -0.047243 0.009391 -5.030939 0.0000 PAD? 0.010485 0.002604 4.026347 0.0001 DBH? -0.001800 0.001654 -1.088235 0.2788 BKP? 0.017380 0.004325 4.018513 0.0001 R-squared 0.398608 Mean dependent var 8.615654 Adjusted R-squared 0.372231 S.D. dependent var 0.140842 S.E. of regression 0.111592 Akaike info criterion -1.499227 Sum squared resid 1.419618 Schwarz criterion -1.359852 Log likelihood 95.95360 F-statistic 15.11206 Durbin-Watson stat 0.297785 ProbF-statistic 0.000000 Sumber : Hasil Eviews 7. 2014. Pada output hasil regresi data panel dengan metode CEM terlihat hasil statistic DW-Test. Nilai statistic DW-Test tersebut adalah 0.297785 yang berada pada kisaran angka 0 , sedangkan nilai kritis d pada α=0.05 dengan n=30 dan k=5 untuk nilai du=1,090, dengan demikian nilai tersebut tidak berada di antara 1,090DW-Stat3,910. Hal ini mengindikasikan bahwa pada model CEM tersebut mempunyai masalah autokorelasi. Output regresi data panel dengan metode FEM adalah sebagai berikut: Universitas Sumatera Utara Tabel 5.14. Hasil Regresi FEM Setelah Transformasi Dependent Variable: IPM? Method: Pooled Least Squares Sample: 2009 2012 Included observations: 4 Cross-sections included: 30 Total pool balanced observations: 120 Variable Coefficient Std. Error t-Statistic Prob. C 8.459965 0.024895 339.8204 0.0000 DAU? 0.006189 0.000943 6.563313 0.0000 DAK? -0.001457 0.002739 -0.531916 0.5962 PAD? 0.004550 0.001048 4.341658 0.0000 DBH? 0.001830 0.000353 5.181254 0.0000 BKP? -0.000305 0.001095 -0.278610 0.7812 Cross-section fixed dummy variables R-squared 0.985885 Mean dependent var 8.615654 Adjusted R-squared 0.980239 S.D. dependent var 0.140842 S.E. of regression 0.019799 Akaike info criterion -4.767880 Sum squared resid 0.033320 Schwarz criterion -3.954861 Log likelihood 321.0728 F-statistic 174.6126 Durbin-Watson stat 1.841452 ProbF-statistic 0.000000 Sumber : Hasil Eviews 7. 2014. Pada output hasil regresi data panel dengan metode FEM terlihat hasil statistic DW-Test. Nilai statistic DW-Test tersebut adalah 1.841452 yang berada pada kisaran angka 2, sedangkan nilai kritis d pada α=0.05 dengan n=30 dan k=5 untuk nilai du=1,090, dengan demikian nilai tersebut berada di antara 1,090DW- Stat3,910. Hal ini mengindikasikan bahwa pada model tersebut tidak mempunyai masalah autokorelasi : Output regresi data panel dengan metode REM adalah sebagai berikut Universitas Sumatera Utara Tabel 5.15. Hasil Regresi REM Setelah Transformasi Dependent Variable: IPM? Method: Pooled EGLS Cross-section random effects Sample: 2009 2012 Included observations: 4 Cross-sections included: 30 Total pool balanced observations: 120 Swamy and Arora estimator of component variances Variable Coefficient Std. Error t-Statistic Prob. C 8.467228 0.030747 275.3827 0.0000 DAU? 0.006194 0.000922 6.718661 0.0000 DAK? -0.002816 0.002704 -1.041400 0.2999 PAD? 0.004636 0.001010 4.589765 0.0000 DBH? 0.001759 0.000351 5.009208 0.0000 BKP? 0.000114 0.001090 0.104203 0.9172 Cross-section random S.D. Rho 0.106091 0.9663 Idiosyncratic random S.D. Rho 0.019799 0.0337 Weighted Statistics R-squared 0.610514 Mean dependent var 0.800457 Adjusted R-squared 0.593431 S.D. dependent var 0.032942 S.E. of regression 0.021005 Sum squared resid 0.050298 F-statistic 35.73871 Durbin-Watson stat 1.213675 ProbF-statistic 0.000000 Unweighted Statistics R-squared 0.159503 Mean dependent var 8.615654 Sum squared resid 1.984039 Durbin-Watson stat 0.030768 Sumber : Hasil Eviews 7. 2014. Pada output hasil regresi data panel dengan metode REM terlihat hasil statistic DW-Test. Nilai statistic DW-Test tersebut adalah 1.213675 yang berada pada kisaran angka 1 , sedangkan nilai kritis d pada α=0.05 dengan n=30 dan k=5 untuk nilai du=1,090, dengan demikian nilai tersebut berada di antara 1,090DW- Stat3,910. Hal ini mengindikasikan bahwa pada model REM tersebut tidak mempunyai masalah autokorelasi Universitas Sumatera Utara Dari hasil estimasi ketiga model tersebut maka, diketahui bahwa hanya pada metode regresi panel dengan model FEM dan REM yang tidak terdapat masalah autokorelasi, sedangkan pada model CEM terjadi masalah autokorelasi. Menurut gujarati 2003, masalah autokorelasi dapat diatasi apabila menggunakan model GLS Generalized Leas-Square dalam penelitian maka hasil output tidak memiliki masalah autokorelasi. Perlakuan data dengan model GLS akan memberikan nilai DW pada kisaran 2 seperti pada table berikut : Output regresi data panel dengan metode FEM Pooled EGLS Tabel 5.16. Hasil Regresi FEM Pooled EGLS Setelah Transformasi Dependent Variable: IPM? Method: Pooled EGLS Cross-section weights Sample: 2009 2012 Included observations: 4 Cross-sections included: 30 Total pool balanced observations: 120 Linear estimation after one-step weighting matrix Variable Coefficient Std. Error t-Statistic Prob. C 8.442662 0.019692 428.7362 0.0000 DAU? 0.008213 0.000712 11.53372 0.0000 DAK? -0.005401 0.002024 -2.668740 0.0091 PAD? 0.006189 0.000888 6.969818 0.0000 DBH? 0.001087 0.000281 3.867495 0.0002 BKP? 0.000391 0.000800 0.488091 0.6267 Weighted Statistics R-squared 0.999983 Mean dependent var 11.11523 Adjusted R-squared 0.999976 S.D. dependent var 3.808633 S.E. of regression 0.018468 Sum squared resid 0.028990 F-statistic 148855.4 Durbin-Watson stat 2.036063 ProbF-statistic 0.000000 Unweighted Statistics R-squared 0.984595 Mean dependent var 8.615654 Sum squared resid 0.036365 Durbin-Watson stat 1.705949 Universitas Sumatera Utara Pada output hasil regresi data panel dengan metode FEM Pooled EGLS terlihat hasil statistic DW-Test. Output tersebut adalah sebagai berikut senilai 2.036063 yang berada pada kisaran angka 2. Hal ini mengindikasikan bahwa pada model tersebut tidak mempunyai masalah autokorelasi 5.1.2.8.Pengujian Heteroskedastisitas Setelah Transformasi Uji Park dilakukan dengan cara menguji pengaruh antara nilai variable independen dengan logaritma natural nilai kuadrat residualnya. Jika nilai signifkansi antara logaritma natural kuadrat nilai residualnya LnResid 2 i lebih besar dari 5 0,05 mata tidak terjadi masalah heterokedastitas. Hasil pengujian dengan Eviews adalah sebagai berikut: Tabel 5.17. Hasil Pengujian Heteroskedastisitas Setelah Transformasi Uji Park Dependent Variable: LOGRESID?2 Method: Pooled Least Squares Sample: 2009 2012 Included observations: 4 Cross-sections included: 30 Total pool balanced observations: 120 Variable Coefficient Std. Error t-Statistic Prob. C -3.622468 1.041568 -3.477898 0.0007 DAU? -0.144960 0.064323 -2.253623 0.0261 DAK? 0.078523 0.183998 0.426761 0.6704 PAD? 0.020668 0.051024 0.405066 0.6862 DBH? 0.032788 0.032416 1.011467 0.3139 BKP? -0.103622 0.084744 -1.222760 0.2239 R-squared 0.072125 Mean dependent var -5.855606 Adjusted R-squared 0.031429 S.D. dependent var 2.221725 S.E. of regression 2.186534 Akaike info criterion 4.451219 Sum squared resid 545.0261 Schwarz criterion 4.590594 Log likelihood -261.0731 F-statistic 1.772270 Durbin-Watson stat 1.087261 ProbF-statistic 0.124097 Universitas Sumatera Utara Dari pengujian output regresi antara nilai variable independen dengan nilai logaritma normal kuadrat residualnya di atas dapat diketahui bahwa nilai signifikansi DAK, PAD, DBH, BKP lebih dari 0,05. Pengujian dengan Uji Park juga menunjukkan 1 variabel DAU signifikan terhadap absolute residualnya dibanding 4 variabel lainnya, namun masih dalam batas toleransi. Uji Glesjer dilakukan dengan cara menguji pengaruh antara nilai variable independen dengan nilai absolut residualnya. Jika nilai signifkansi antara variable independen dengan absolut residual lebih besar dari 0,05 maka tidak terjadi masalah heterokedastitas. Hasil pengujian dengan Eviews adalah sebagai berikut: Tabel 5.18. Hasil Pengujian Heteroskedastisitas Setelah Transformasi Uji Glesjer Dependent Variable: ABSRESID? Method: Pooled Least Squares Sample: 2009 2012 Included observations: 4 Cross-sections included: 30 Total pool balanced observations: 120 Variable Coefficient Std. Error t-Statistic Prob. C 0.160593 0.033963 4.728483 0.0000 DAU? -0.003706 0.002097 -1.766933 0.0799 DAK? 0.002144 0.006000 0.357349 0.7215 PAD? -0.001493 0.001664 -0.897068 0.3716 DBH? 0.000864 0.001057 0.817081 0.4156 BKP? -0.004641 0.002763 -1.679371 0.0958 R-squared 0.093141 Mean dependent var 0.083900 Adjusted R-squared 0.053367 S.D. dependent var 0.073280 S.E. of regression 0.071298 Akaike info criterion -2.395204 Sum squared resid 0.579500 Schwarz criterion -2.255830 Log likelihood 149.7122 F-statistic 2.341726 Durbin-Watson stat 0.334660 ProbF-statistic 0.045918 Dari pengujian output regresi dengan Uji Gletser antara nilai variable independen dengan nilai absolut residualnya di atas dapat diketahui bahwa nilai signifikansi DAU, DAK, PAD, DBH dan BKP lebih dari 0.05 atau tidak signifikan Universitas Sumatera Utara maka tidak terdapat permasalahan heteroskedastisitas. Hasil ini tidak jauh berbeda dengan kesimpulan dari uji Park.

5.1.3. Pemilihan Estimasi Model Regresi Data Panel

Penelitian ini menggunakan data yang berasal dari 30 kabupatenkota cross section yang diamati pada beberapa periode pengamatan dari tahun 2009-2012 time series. Penelitian ini mengandung dimensi tempat dan waktu atau dengan kata lain merupakan kombinasi data cross section dan time series, dengan demikian teknik regresi yang digunakan untuk model regresi data panel Gujarati,2003. Model regresi data panel secara umum mengakibatkan kesulitan dalam spesifikasi modelnya. Nilai residualnya akan mempunyai tiga kemungkinan yaitu residual time series, cross section maupun gabungan keduanya. Untuk mengatasi kesulitan tersebut, maka dalam analisis data panel terdapat beberapa metode analisis yakni model Ordinary Least Square OLS, model fixed effect FEM dan model random effect REM. Model Ordinary Least Square OLS merujuk kepada model dengan koefisien intersep dan slope yang tidak berbeda konstan antar kabupatenkota dan antar waktu 2009-2012, sehingga mengabaikan dimensi tempat dan waktu dari data penel dan menggunakan estimasi regresi OLS untuk estimasinya Gujarati, 2003. Kelemahan dalam model OLS ini yaitu adanya ketidaksesuaian model dengan keadaan yang sebenarnya, dimana kondisi tiap-tiap obyek saling berbeda, bahkan satu obyek pada suatu waktu akan sangat berbeda dengan kondisi obyek tersebut pada waktu yang lain. Model fixed effect FEM atau dikenal dengan Least Square Dummy Variables LSDV merujuk kepada model dengan slope tidak berbeda konstan tetapi intersep bervariasi atau berbeda berdasarkan cross section dalam hal ini Universitas Sumatera Utara kabupatenkota. Walaupun intersep dapat berbeda antar kabupatenkota namun tiap-tiap intersep tersebut tidak berbeda dari waktu ke waktu Gujarati,2003. Model random effect REM merujuk pada model dengan slope tidak berbeda konstan tetapi intersep bervariasi atau berbeda berdasarkan cross section dalam hal ini kabupatenkota secara random dan bukan fixed Gujarati,2003. Seperti yang telah disampaikan apada Bab III terdahulu, sebelum menentukan model data panel, terlebih dahulu dilakukan uji Chow Test, Hausman Test dan LM Test. Mekanisme uji tersebut untuk menentukan metode pemilihan data panel yang tepat yaitu dengan membandingkan metode OLS dengan metode pendekatan FEM terlebih dahulu. Jika hasil yang diperoleh menunjukkan model OLS yang diterima, maka model pendekatan OLS yang akan digunakan dalam analisis. Jika model pendekatan FEM yang diterima, maka akan melakukan perbandingan lagi dengan model pendekatan REM.

5.1.3.1. Uji Chow

Uji Chow yang menghasilkan nilai F test maupun chi-square dengan signifikan probabilitas stat lebih kecil dari α = 0,05 menghasilkan keputusan bahwa FEM lebih baik dibandingkan model PLS dalam menguji data panel Juanda dan Juanidi, 2012. Hipotesis dalam uji chow adalah: H0: Common Effect Model atau pooled OLS H1: Fixed Effect Model Dalam posisi setelah mengestimasi model FEM, dengan melakukan fixedrandom effect testing dan menggunakan alat uji redundant Fixed Effect- Likehood Ratio dalam Eviews, menghasilkan uji Chow seperti terlihat dalam tabel 5.19. Universitas Sumatera Utara Tabel 5.19. Chow testlikehood Ratio Test Redundant Fixed Effects Tests Pool: POOL_MODERATING Test cross-section fixed effects Effects Test Statistic d.f. Prob. Cross-section F 121.947539 29,85 0.0000 Cross-section Chi-square 450.238372 29 0.0000 Cross-section fixed effects test equation: Dependent Variable: IPM? Method: Panel Least Squares Sample: 2009 2012 Included observations: 4 Cross-sections included: 30 Total pool balanced observations: 120 Variable Coefficient Std. Error t-Statistic Prob. C 8.608073 0.053158 161.9351 0.0000 DAU? 0.010399 0.003283 3.167771 0.0020 DAK? -0.047243 0.009391 -5.030939 0.0000 PAD? 0.010485 0.002604 4.026347 0.0001 DBH? -0.001800 0.001654 -1.088235 0.2788 BKP? 0.017380 0.004325 4.018513 0.0001 R-squared 0.398608 Mean dependent var 8.615654 Adjusted R-squared 0.372231 S.D. dependent var 0.140842 S.E. of regression 0.111592 Akaike info criterion -1.499227 Sum squared resid 1.419618 Schwarz criterion -1.359852 Log likelihood 95.95360 Hannan-Quinn criter. -1.442626 F-statistic 15.11206 Durbin-Watson stat 0.297785 ProbF-statistic 0.000000 Sumber : Hasil Eviews 7. 2014. Output dari Eviews pada Tabel 5.19. chow testlikehood ratio test tersebut menunjukkan bahwa F test maupun Chi-square signifikan p-value 0.0000 dan 0.0000 lebih kecil dari 5, sehingga H ditolak, maka model FEM lebih baik dibandingkan dengan model PLS. Hasil estimasi regresi data panel dengan Common Effect Model CEM dapat dilihat pada Tabel 5.20. sebagai berikut : Universitas Sumatera Utara Tabel 5.20. Estimasi Regresi Data Panel Common Effect Model CEM Dependent Variable: IPM? Method: Pooled Least Squares Sample: 2009 2012 Included observations: 4 Cross-sections included: 30 Total pool balanced observations: 120 Variable Coefficient Std. Error t-Statistic Prob. C 8.608073 0.053158 161.9351 0.0000 DAU? 0.010399 0.003283 3.167771 0.0020 DAK? -0.047243 0.009391 -5.030939 0.0000 PAD? 0.010485 0.002604 4.026347 0.0001 DBH? -0.001800 0.001654 -1.088235 0.2788 BKP? 0.017380 0.004325 4.018513 0.0001 R-squared 0.398608 Mean dependent var 8.615654 Adjusted R-squared 0.372231 S.D. dependent var 0.140842 S.E. of regression 0.111592 Akaike info criterion -1.499227 Sum squared resid 1.419618 Schwarz criterion -1.359852 Log likelihood 95.95360 Hannan-Quinn criter. -1.442626 F-statistic 15.11206 Durbin-Watson stat 0.297785 ProbF-statistic 0.000000 Sumber : Hasil Eviews 7. 2014. Hasil estimasi regresi data panel dengan Fixed Effect Model FEM dapat dilihat pada Tabel 5.21. Perhitungan F statistic dengan menggunakan uji Chow adalah sebagai berikut Baltagi,2005: F= ��� −��� �− ��� ��−�−� Dimana : SSE 1 = Sum Square Error dari Model Common Effect SSE 2 = Sum Square Error dari Model Fixed Effect n= Jumlah Pemerintah Daerah cross section nt= jumlah cross section x jumlah time series k = Jumlah variable independen F Tabel didapat dari : Universitas Sumatera Utara F-Tabel = { α: df n-1,nt-n-k} Dimana : α= tingkat signifikasi yang dipakai alfa n= jumlah Pemerintah Daerah cross section nt= jumlah cross section x jumlah time series k=jumlah variable independensebagai berikut : Berdasarkan hasil regresi pada tabel 5.20 dan 5.21. diperoleh nilai F-statistic sebesar F-Statistik = . − . − . . − − = 1. . = 2655.135 F-tabel = {5; df30-1, 30.4-30-5} = 5;29,85= 1.60088 model valid untuk cross section fixed effect. Hasil pengujian ini menguatkan dugaan bahwa model untuk seluruh sampel data sebaiknya menggunakan model FEM dengan cross-section fixed effect. Dari output tersebut diperoleh nilai F-Statistik sebesar 2655.1348 sedangkan F Tabel untuk 30 pemerintah Kabupaten dan Kota n=30-1=29 dan jumlah observasi n = 120 dan jumlah parameter k =5, maka diperoleh F Tabel pada α=5 atau F 0,0529,85 adalah sebesar 1.60088, sehingga F Statistik F Tabel , maka H0 ditolak yang berarti model paling tepat adalah Fixed Effect Model FEM Universitas Sumatera Utara Tabel 5.21. Estimasi Regresi Data Penel Fixed Effect Model FEM Dependent Variable: IPM? Method: Pooled Least Squares Sample: 2009 2012 Included observations: 4 Cross-sections included: 30 Total pool balanced observations: 120 Variable Coefficient Std. Error t-Statistic Prob. C 8.459965 0.024895 339.8204 0.0000 DAU? 0.006189 0.000943 6.563313 0.0000 DAK? -0.001457 0.002739 -0.531916 0.5962 PAD? 0.004550 0.001048 4.341658 0.0000 DBH? 0.001830 0.000353 5.181254 0.0000 BKP? -0.000305 0.001095 -0.278610 0.7812 Effects Specification Cross-section fixed dummy variables R-squared 0.985885 Mean dependent var 8.615654 Adjusted R-squared 0.980239 S.D. dependent var 0.140842 S.E. of regression 0.019799 Akaike info criterion -4.767880 Sum squared resid 0.033320 Schwarz criterion -3.954861 Log likelihood 321.0728 Hannan-Quinn criter. -4.437709 F-statistic 174.6126 Durbin-Watson stat 1.841452 ProbF-statistic 0.000000

5.1.3.2. Uji Hausman

Hasil uji Chow yang menunjukkan bahwa FEM signifikan, dilanjutkan dengan uji Hausman untuk memilih metode FEM atau REM. Berdasarkan uji Hausman Test dengan menggunakan Eviws 7.0, diperoleh nilai probabilitas sebesar 1 pada persamaan unmoderated dan persamaan moderated. Hal ini menunjukkan bahwa Hausman Test tidak signifikan lebih besar dari 10 maka Ho diterima, artinya model fixed effect tidak dapat digunakan. Uji Chow yang menghasilkan nilai F test maupun chi-square dengan signifikan probabilitas stat lebih kecil dari α = 0,05 menghasilkan keputusan bahwa FEM lebih baik dibandingkan model PLS dalam menguji data panel Juanda dan Juanidi, 2012. Hipotesis dalam uji hausman adalah : Universitas Sumatera Utara H0 : Random Effect Model individual effect uncorrelated H1 : Fixed Effect Model Uji hausman mengikuti distribusi statistic chi-square dengan derajat bebas sebanyak peubah bebas p. Hipotesis nol ditolak jika nilai statistic Hausman lebih besar daripada nilai kritis statistic chi-square atau p- value lebih kecil dari α. Hal ini berarti bahwa model yang tepat untuk regresi data panel adalah FEM Juanda dan Juanidi, 2012. Dalam posisi setelah mengestimasi model REM, dengan melakukan fixedrandom effect testing dan menggunakan alat uji correlated random effect- Hausman Test dalam Eviews, menghasilkan uji Hausman seperti terlihat dalam Table 5.22. Tabel 5.22. Correlated Random Effet-Hausman Test Correlated Random Effects - Hausman Test Pool: POOL_MODERATING Test cross-section random effects Test Summary Chi-Sq. Statistic Chi-Sq. d.f. Prob. Cross-section random 19.310246 5 0.0017 Cross-section random effects test comparisons: Variable Fixed Random VarDiff. Prob. DAU? 0.006189 0.006194 0.000000 0.9772 DAK? -0.001457 -0.002816 0.000000 0.0020 PAD? 0.004550 0.004636 0.000000 0.7549 DBH? 0.001830 0.001759 0.000000 0.0571 BKP? -0.000305 0.000114 0.000000 0.0002 Sumber : Hasil Eviews 7. 2014. Output dari E-views pada Tabel Hausman Test tersebut menunjukkan bahwa p-value = 0.0017 lebih kecil dari 5, sehingga H0 ditolak, maka model FEM lebih baik dibandingkan dengan model REM. Universitas Sumatera Utara Selanjutnya, uji Lagrange Multiplier LM Test dilakukan untuk menentukan pemilihan model terbaik antara common effect OLS dan random effect. Uji signifikansi Random Effect ini dikembangkan oleh Breusch Pagan, dimana dalam uji ini didasarkan pada distribusi chi-square dengan degree of freedom sebesar jumlah variabel independen. Jika nilai LM statistic lebih besar dari nilai kritis satistik chi-square maka H ditolak, artinya estimasi yang tepat untuk model regresi data panel adalah metode random effect daripada common effect dan sebaliknya. Berdasarkan uji chow dan uji hausman tersebut di atas model yang paling tepat adalah Fixed Effect Model FEM. Uji LM digunakan apabila hasil pada Uji Chow menunjukkan bahwa model yang lebih tepat untuk digunakan adalah Common Effect Model CEM dan pada uji hausman menunjukkan bahwa model yang lebih tepat untuk digunakan adalah Random Effect Model REM. Berdasarkan pengujian untuk memilih model, dengan uji chow dan hausman dapat disimpulkan bahwa model lebih tepat mengikuti Fixed Effect Model atau FEM, dibandingkan dengan common effect model CEM maupun random effect model REM. Atas kondisi tersebut maka penulis tidak perlu lagi melakukan Uji Lagrange Multiplier LM data panel dengan demikian model data Fixed Effect Model FEM merupakan model yang paling sesuai. 5.1.3.3.Hasil Estimasi Model Regresi Data Panel Hasil estimasi untuk 120 observasi selama periode 2009-2012 yang memberikan dukungan empiris. Berdasarkan hasil pengolaan data diperoleh hasil bahwa dalam persamaan variabel yang signifikan mempengaruhi IPM kabupatenkota adalah variabel DAU, DAK, PAD dan DBH. Persamaan regresi Universitas Sumatera Utara data panel unmoderated model statis, dengan demikian dapat diuraikan sebagai berikut : Tabel 5.24. Estimasi Model Regresi Data Panel Statis Dependent Variable: IPM? Method: Pooled Least Squares Sample: 2009 2012 Included observations: 4 Cross-sections included: 30 Total pool balanced observations: 120 Variable Coefficient Std. Error t-Statistic Prob. C 8.459965 0.024895 339.8204 0.0000 DAU? 0.006189 0.000943 6.563313 0.0000 DAK? -0.001457 0.002739 -0.531916 0.5962 PAD? 0.004550 0.001048 4.341658 0.0000 DBH? 0.001830 0.000353 5.181254 0.0000 BKP? -0.000305 0.001095 -0.278610 0.7812 Effects Specification Cross-section fixed dummy variables R-squared 0.985885 Mean dependent var 8.615654 Adjusted R-squared 0.980239 S.D. dependent var 0.140842 S.E. of regression 0.019799 Akaike info criterion -4.767880 Sum squared resid 0.033320 Schwarz criterion -3.954861 Log likelihood 321.0728 F-statistic 174.6126 Durbin-Watson stat 1.841452 ProbF-statistic 0.000000 Sumber : Hasil Eviews 7. 2014. Adapun persamaan yang dihasilkan secara umum untuk keseluruhan Pemerintah Kabupaten dan Kota se-Sumatera utara adalah sebagai berikut: IPM= 8.459965 + 0.006189DAU - 0.001457DAK + 0.004550PAD + 0.001830DBH 0.000305BKP. Adapun persamaan yang dihasilkan masing-masing untuk keseluruhan Pemerintah Kabupaten dan Kota se-Sumatera Utara dapat dilihat di Lampiran 5.1. Universitas Sumatera Utara Dimana : IPM = Indeks Pembangunan Manusia IPM C = Constanta DAU = Dana Alokai Umum DAK = Dana Alokai Khusus PAD = Pendapatan Asli Daerah DBH = Dana Bagi Hasil BKP = Bantuan Keuangan Provinsi Ketika alokasi Dana Alokasi Umum terjadi perubahan dan variabel lainnya tetap, maka diharapkan akan memberikan peningkatan IPM kabupatenkota sebesar 0.006189 dengan arah yang sama. Ketika alokasi Dana Alokasi Khusus terjadi perubahan dan variabel lainnya tetap, maka akan memberikan peningkatan IPM kabupatenkota sebesar 0.001457 dengan arah yang berlawanan. Ketika alokasi Pendapatan Asli Daerah terjadi perubahan dan variabel lainnya tetap, maka diharapkan akan memberikan peningkatan IPM kabupatenkota sebesar 0.004550 dengan arah yang sama. Ketika alokasi Dana Bagi Hasil terjadi perubahan dan variabel lainnya tetap, maka diharapkan akan memberikan peningkatan IPM kabupatenkota sebesar 0.001830 dengan arah yang sama. Ketika alokasi Bantuan Keuangan Provinsi terjadi perubahan dan variabel lainnya tetap, maka diharapkan akan memberikan peingkatan IPM kabupatenkota sebesar 0.000305 dengan arah yang berlawanan. Model regresi data panel, selanjutnya dikembangkan dari bentuk statis ke model dinamis dengan metode Auto-Regressive Distributed Lag ADL. Untuk lag Universitas Sumatera Utara yang digunakan penulis menduga dari orde lag pada pengujian autokorelasi, yakni lag 1. Tabel 5.25. Estimasi Regresi Data Panel Model ADL Dependent Variable: IPM? Method: Pooled Least Squares Sample adjusted: 2010 2012 Included observations: 3 after adjustments Cross-sections included: 30 Total pool balanced observations: 90 Variable Coefficient Std. Error t-Statistic Prob. C 0.171361 0.862014 0.198791 0.8432 IPM?-1 0.980920 0.104743 9.365021 0.0000 DAU? 0.001634 0.001954 0.835962 0.4072 DAU?-1 0.000847 0.000496 1.707161 0.0941 DAK? 0.000796 0.001990 0.399889 0.6910 DAK?-1 -0.002842 0.001100 -2.583194 0.0128 PAD? -0.000896 0.001042 -0.859961 0.3940 PAD?-1 -0.000533 0.000669 -0.795675 0.4301 DBH? -0.000291 0.000210 -1.384299 0.1725 DBH?-1 -0.000621 0.000518 -1.198534 0.2365 BKP? 0.000762 0.000427 1.783198 0.0807 BKP?-1 -0.000588 0.000649 -0.905365 0.3697 Effects Specification Cross-section fixed dummy variables R-squared 0.998907 Mean dependent var 8.628475 Adjusted R-squared 0.998015 S.D. dependent var 0.138510 S.E. of regression 0.006171 Akaike info criterion -7.034856 Sum squared resid 0.001866 Schwarz criterion -5.896054 Log likelihood 357.5685 F-statistic 1119.794 Durbin-Watson stat 3.242044 ProbF-statistic 0.000000 Persamaan yang dihasilkan dari hasil regresi dinamis tabel 5.25 untuk Pemerintah Kabupaten dan Kota se-Sumatera utara memberikan perbaikan dibanding model statis tabel 5.24 dimana koefisien determinasi meningkat menjadi 0.998907 dari 0.985885, sedangkan statistik DW meningkat menjadi 3.242044 dari 1.841452 dan masih berada di antara 1,090DW-Stat3,910. Model Universitas Sumatera Utara dengan spesifikasi dinamis ini dengan demikian tidak mengalami permasalahan autokorelasi. Koefisien autoregressive IPM?-1 memenuhi persyaratan stasioneritas kerena memiliki nilai absolut dibawah 1, yakni 0,98092. Koefisien respon jangka pendek DAU terhadap IPM adalah sebesar 0.001634 dan 0.000847. Koefisien respon jangka pendek DAK terhadap IPM adalah sebesar 0.000796 dan -0.002842. Koefisien respon jangka pendek PAD terhadap IPM adalah sebesar -0.000896 dan -0.000533. Koefisien respon jangka pendek BDH terhadap IPM adalah sebesar -0.000291 dan -0.23650. Koefisien respon jangka pendek BKP terhadap IPM adalah sebesar 0.000762 dan -0.000588. Parameter respon jangka panjang bagi variabel DAU, DAK, PAD, DBH, BKP terhadap IPM dapat dilihat dari hasil perhitungan sebagai berikut: Tabel 5.26. Perhitungan Respon Jangka Panjang Λ Variabel Regresi Koefisien Variabel Perhitungan Λ Hasil Λ IPM?-1 0.980920 DAU? 0.001634 DAU . 1 + . 1− . 0.130031 DAU?-1 0.000847 DAK? 0.000796 DAK . − . 1− . -0.107233 DAK?-1 -0.002842 PAD? -0.000896 PAD − . − . 1− . -0.074895 PAD?-1 -0.000533 DBH? -0.000291 DBH − . 1− . 1 1− . -0.047799 DBH?-1 -0.000621 BKP? 0.000762 BKP . − . 1− . 0.009119 BKP?-1 -0.000588 Ketika alokasi Dana Alokasi Umum DAU terjadi perubahan dan variabel lainnya tetap, maka diharapkan akan memberikan peningkatan IPM kabupatenkota sebesar 0.130031 dengan arah yang sama. Ketika alokasi Dana Alokasi Khusus DAK terjadi perubahan dan variabel lainnya tetap, maka akan memberikan perubahan IPM kabupatenkota sebesar 0.107233 dengan arah yang berlawanan. Universitas Sumatera Utara Ketika alokasi Pendapatan Asli Daerah PAD terjadi perubahan dan variabel lainnya tetap, maka diharapkan akan memberikan perubahan IPM kabupatenkota sebesar 0.074895 dengan arah yang berlawanan. Ketika alokasi Dana Bagi Hasil DBH terjadi perubahan dan variabel lainnya tetap, maka diharapkan akan memberikan perubahan IPM kabupatenkota sebesar 0.047799 dengan arah yang berlawanan. Ketika alokasi Bantuan Keuangan Provinsi BKP terjadi perubahan dan variabel lainnya tetap, maka diharapkan akan memberikan perubahan IPM kabupatenkota sebesar 0.009119 dengan arah yang sama. 5.1.4. Pengujian Hipotesis Setelah dilakukan regresi data panel, selanjutnya dilakukan pengujian hipotesis. Pengujian hipotesis dalam penelitian ini ada 2 dua yaitu : 1. DAU, DAK, PAD, DBH dan BKP berpengaruh positif terhadap Indeks Pembangunan Manusia IPM secara parsial maupun simultan. 2. Belanja Pelayanan Dasar BPD memoderasi hubungan pengaruh DAU, DAK, PAD, DBH, DBDB terhadap Indeks Pembangunan Manusia IPM.

5.1.4.1. Uji Statistik F

Hasil pengujian statistik F uji simultan dengan metode statis pada variabel dana alokasi umum, dana alokasi khusus, pendapatan asli daerah, dana bagi hasil, bantuan keuangan provinsi diperoleh dari tabel diperoleh nilai F statistic sebesar 174.6126 pada tingkat kepercayaan α = 5 dengan tingkat signifikansi 0.000000 . Pada kepercayaan α = 0.000000 jauh dibawah 0.05 dengan demikian dapat disimpulkan sig = 0.000000 α = 5 yang berarti hipotesis pertama diterima, yang menyatakan dana alokasi umum, dana alokasi khusus, pendapatan asli daerah, dana Universitas Sumatera Utara bagi hasil, bantuan keuangan provinsi secara simultan berpengaruh terhadap indeks pembangunan manusia kabupaten dan kota di Provinsi Sumatera Utara. Pengujian statistik F uji simultan dengan model dinamis pada variabel dana alokasi umum, dana alokasi khusus, pendapatan asli daerah, dana bagi hasil, bantuan keuangan provinsi diperoleh dari tabel diperoleh nilai F statistic sebesar 1119.794 pada tingkat kepercayaan α = 5 dengan tingkat signifikansi 0.000000 . Pada kepercayaan α = 0.000000 jauh dibawah 0.05 dengan demikian dapat disimpulkan sig = 0.000000 α = 5 yang berarti hipotesis pertama diterima, yang menyatakan dana alokasi umum, dana alokasi khusus, pendapatan asli daerah, dana bagi hasil, bantuan keuangan provinsi secara simultan berpengaruh terhadap indeks pembangunan manusia kabupaten dan kota di Provinsi Sumatera Utara

5.1.4.2. Uji Statistik t

Hasil pengujian pengaruh secara parsial dengan uji statistik t dengan model statis atas variabel dana Alokasi Umum, Dana Alokasi Khusus, Pendapatan Asli Daerah, Dana Bagi Hasil, Bantuan Keuangan Provinsi terhadap terhadap indeks pembangunan manusia kabupaten dan kota di Provinsi Sumatera Utara dapat dilihat pada tabel berikut : Tabel 5.27. Uji t Model Statis Dependent Variable: IPM? Method: Pooled Least Squares Sample: 2009 2012 Cross-sections included: 30 Total pool balanced observations: 120 Variable Coefficient Std. Error t-Statistic Prob. C 8.459965 0.024895 339.8204 0.0000 DAU? 0.006189 0.000943 6.563313 0.0000 DAK? -0.001457 0.002739 -0.531916 0.5962 PAD? 0.004550 0.001048 4.341658 0.0000 DBH? 0.001830 0.000353 5.181254 0.0000 BKP? -0.000305 0.001095 -0.278610 0.7812 Universitas Sumatera Utara Berdasarkan hasil pengujian pada tabel 5.27, maka secara parsial pengaruh maing-masing variabel independen terhadap variabel dependen dapat diuraikan berikut: 1. Variabel DAU dengan t statistic sebesar 6.563313 pada tingkat kepercayaan α = 5 dengan signifikansi prob.= 0.0000 yang lebih kecil dari α = 0,05 sehingga dapat disimpulkan bahwa variabel DAU berpengaruh signifikan terhadap Indeks Pembangunan Manusia IPM pada pemerintah kabupatan dan kota di Sumatera Utara selama tahun 2009-2012 2. Variabel DAK mempunyai nilai t statistic = - 0.531916 pada tingkat kepercayaan α = 5, dengan signifikansi prob.=0.5962 yang lebih besar dari α=0,05 sehingga dapat disimpulkan bahwa variabel DAK berpengaruh tidak signifikan terhadap Indeks Pembangunan Manusia IPM pada pemerintah kabupatan dan kota di Sumatera Utara selama tahun 2009-2012. 3. Variabel PAD mempunyai nilai t statistic = 4.341658 pada tingkat kepercayaan α = 5, dengan signifikansi prob.=0.0000 yang lebih kecil dari α=0,05 sehingga dapat disimpulkan bahwa variabel PAD berpengaruh signifikan terhadap Indeks Pembangunan Manusia IPM pada pemerintah kabupatan dan kota di Sumatera Utara selama tahun 2009-2012. 4. Variabel DBH mempunyai nilai tstatistic = 5.181254 pada tingkat kepercayaan α = 5, dengan signifikansi prob.=0.0000 yang lebih kecil dari α=0,05 sehingga dapat disimpulkan bahwa variabel DBH berpengaruh signifikan terhadap Indeks Pembangunan Manusia IPM pada pemerintah kabupatan dan kota di Sumatera Utara selama tahun 2009-2012. Universitas Sumatera Utara 5. Variabel BKP mempunyai nilai t statistic = -0.278610 pada tingkat kepercayaan α=5, dengan signifikansi prob.=0.7812 yang lebih besar dari α=0,05 sehingga dapat disimpulkan bahwa variabel BKP tidak berpengaruh signifikan terhadap Indeks Pembangunan Manusia IPM pada pemerintah kabupatan dan kota di Sumatera Utara selama tahun 2009-2012. Dengan informasi yang disajikan pada tabel 5.25 dengan pendekatan model statis maka dapat dibangun persamaan sebagai berikut : Indeks Pembangunan Manusia IPM = 8.459965 + 0.006189DAU - 0.001457DAK + 0.004550PAD + 0.001830DBH - 0.000305 BKP. Model persamaan data panel tersebut merupakan model dengan skala square root transformation transformasi akar kuadrat, sehingga untuk keperluan model analisis dan pembahasan dilakukan penyesuaian perhitungan ke skala data awal untuk menilai pengaruh DAU, DAK, PAD, DBH dan BKP terhadap IPM dengan mengkuadratkan hasil transformasi tersebut setelah disesuaikan dengan variannya dengan rumusan y+vy 2. , dimana y merupakan nilai hasil transformasi dan vy merupakan varian dari y http:statisticalconcepts.blogspot.com201002 transformation-of-data-validity- of.html, sehingga model yang dibentuk adalah sebagai berikut : Indeks Pembangunan Manusia IPM = 8.459965+0.021105 2 x120 2 + 0.006189+0.001379 2 x120 2 DAU – 0.001457+0.001458 2 x120 2 DAK + 0.00455+0.001406 2 x120 2 PAD + 0.00183+0.000529 2 x120DBH 2 - 0.000305+0.000419 2 x120 2 BKP. Indeks Pembangunan Manusia IPM = 72.83490+0.01259DAU – 0.00111DAK + 0.00936PAD+0.00369DBH-0.00032BKP Universitas Sumatera Utara Berdasarkan hasil pengujian pada persamaan tersebut maka secara parsial pengaruh masing-masing variabel independen terhadap variabel dependen dengan model statis dapat diuraikan berikut:

1. Nilai konstanta sebesar 72.83490 yang menunjukkan bahwa apabila semua

variabel independen yaitu dana Alokasi Umum, Dana Alokasi Khusus, Pendapatan Asli Daerah, Dana Bagi Hasil, Bantuan Keuangan Provinsi dianggap nol, maka IPM adalah sebesar 72.83490. 2. Koefisien b 1 sebesar 0.01259 menunjukkan bahwa kenaikan variabel DAU sebesar 1 Milyar akan diikuti dengan kenaikan IPM sebesar 1,26 3. Koefisien b 2 sebesar -0.00111 menunjukkan bahwa kenaikan variabel DAK sebesar 1 Milyar akan diikuti dengan penurunan IPM sebesar 0,11 4. Koefisien b 3 sebesar 0.00936 menunjukkan bahwa kenaikan variabel PAD sebesar 1 Milyar akan diikuti dengan kenaikan IPM sebesar 0,94 5. Koefisien b 4 sebesar 0.00369 menunjukkan bahwa kenaikan variabel DBH sebesar 1 Milyar akan diikuti dengan kenaikan IPM sebesar 0,37 6. Koefisien b 5 sebesar 0.00032 menunjukkan bahwa kenaikan variabel BKP sebesar 1 Milyar akan diikuti dengan penurunan IPM sebesar 0,03. Hasil pengujian pengaruh secara parsial dengan uji statistik t dengan model dinamis atas variabel dana Alokasi Umum, Dana Alokasi Khusus, Pendapatan Asli Daerah, Dana Bagi Hasil, Bantuan Keuangan Provinsi terhadap terhadap indeks pembangunan manusia kabupaten dan kota di Provinsi Sumatera Utara dapat dilihat pada tabel berikut : Universitas Sumatera Utara