BAB I

PENDAHULUAN
Pendapatan Asli Daerah (PAD) merupakan tolok ukur yang penting untuk
menentukan tingkat kemampuan daerah dalam melaksanakan otonomi daerah secara
nyata dan bertanggungjawab. Sejalan dengan hal tersebut, maka keberhasilan
pembangunan perkonomian dari suatu wilayah dan kinerjanya dapat diamati melalui
beberapa indikator makro. Indikator makro tersebut dapat dianalisis melalui PDRB
yang dapat didefinisikan sebagai penjumlahan nilai tambah bruto yang dihasilkan
oleh seluruh unit kegiatan ekonomi yang beroperasi di wilayah/daerah tersebut
dalam periode tertentu. Jadi, PDRB adalah nilai tambah yang pengukurannya
berdasarkan adanya aktivitas ekonomi di suatu wilayah.
Pertumbuhan ekonomi daerah berkaitan erat dengan peningkatan produksi
barang dan jasa, yang diukur dengan besaran dalam Produk Domestik Regional
Bruto (PDRB), dan juga sebagai indikator untuk mengetahui kondisi ekonomi suatu
daerah dalam suatu periode tertentu. Data PDRB juga dapat menggambarkan
kemampuan daerah mengelola sumberdaya pembangunan yang dimilikinya, oleh
karena itu besaran PDRB setiap daerah bervariasi sesuai dengan potensi yang
dimiliki dan faktor produksi masing-masing daerah. Selain data tersebut, digunakan
juga data yang diduga memengaruhi PAD yaitu jumlah penduduk, pengeluaran
pemerintah, inflasi, pajak daerah, dana alokasi umum (DAU), sumber daya alam
yang dalam hal ini diwakili oleh PDRB sektor pertanian, nilai investasi penanaman
modal asing (PMA) dan penanaman modal dalam negeri (PMDN).

BAB II
KONSEP DAN DEFINISI
2.2.1 Inflasi
Inflasi merupakan persentase kenaikan harga sejumlah barang dan jasa yang secara
umum dikonsumsi rumah tangga. Ada barang yang harganya naik dan ada yang
tetap. Namun, tidak jarang ada barang/jasa yang harganya justru turun. Hitungan
perubahan harga tersebut tercakup dalam suatu indeks harga yang dikena dengan
Indeks Harga Konsumen (IHK) atau Consumer Price Index (CPI). Persentase
kenaikan IHK dikenal dengan inflasi, sedangkan penurunannya disebut deflasi.
2.2 PDRB
PDRB adalah penjumlahan nilai tambah yg dihasilkan oleh unit-unit ekonomi dan
seluruh sektor 1 s/d 9, atau penjumlahan dari pendapatan yg diterima oleh empat
kelompokfaktor produksi, atau juga merupakan penjumlahan dari pengeluaran akhir
yg dilakukan oleh 5 kelompok institusi dlm masyarakat. PDRB yang digunakan
adalah PDRB sektor pertanian yang menggambarkan keadaan sumber daya alam
provinsi di Indonesia.
2.3 Sumber Daya Alam
Menurut Sadono Sukirno (2004), kekayaan alam akan mempermudah usaha untuk
mengembangkan perekonomian, tertutama pada masa-masa permulaan dari proses
pertumbuhan ekonomi. Apabila suatu negara (daerah) mempunyai kekayaan alam
yang dapat diusahakan dengan menguntungkan, hambatan yang baru saja dijelaskan
akan dapat diatasi dan pertumbuhan ekonomi dipercepat. Kemungkinan untuk
mendapatkan keuntungan tersebut akan menarik pengusaha-pengusaha dari negara
(daerah) yang lebih maju untuk mengusahakan kekayaan alam tersebut. Kekayaan
alam tersebut diwakilkan oleh PDRB Sektor Pertanian setiap provinsi di Indonesia.
2.4 Pendapatan Asli Daerah dan Pajak Daerah
Pengeritan pendapatan asli daerah menurut Undang-Undang No. 28 Tahun
2009 yaitu sumber keuangan daerah yang digali dari wilayah daerah yang
bersangkutan yang terdiri dari hasil pajak daerah, hasil retribusi daerah, hasil
pengelolaan kekayaan daerah yang dipisahkan dan lain-lain pendapatan asli daerah
yang sah. Menurut Nurcholis (2007:182), pendapatan asli daerah adalah pendapatan

yang diperopleh daerah dari penerimaan pajak daerah, retribusi daerah, laba
perusahaan daerah, dan lain-lain yang sah.
Dari beberapa pendapat di atas maka penulis dapat menyimpulkan bahwa
pendapatan asli daerah adalah semua penerimaan keuangan suatu daerah, dimana
penerimaan keuangan itu bersumber dari potensi-potensi yang ada di daerah
tersebut misalnya pajak daerah, retribusi daerah dan lain-lain, serta penerimaan
keuangan tersebut diatur oleh peraturan daerah.
Adapun sumber-sumber pendapatan asli menurut Undang-Undang RI
No.32 Tahun 2004 yaitu :
1. Pendapatan asli daerah (PAD) yang terdiri dari :
a. Hasil pajak daerah yaitu Pungutan daerah menurut peraturan yang ditetapkan oleh
daerah untuk pembiayaan rumah tangganya sebagai badan hukum publik. Pajak
daerah sebagai pungutan yang dilakukan pemerintah daerah yang hasilnya
digunakan untu pengeluaran umum yang balas jasanya tidak langsung diberikan
sedang pelaksanannya bisa dapat dipaksakan.
b. Hasil retribusi daerah yaitu pungutan yang telah secara sah menjadi pungutan
daerah sebagai pembayaran pemakaian atau karena memperoleh jasa atau karena
memperoleh

jasa

pekerjaan,

usaha

atau

milik

pemerintah

daerah

bersangkutan. Retribusi daerah mempunyai sifat-sifat yaitu pelaksanaannya bersifat

ekonomis, ada imbalan langsung walau harus memenuhi persyaratan-persyaratan
formil dan materiil, tetapi ada alternatif untuk mau tidak membayar, merupakan
pungutan yang sifatnya budgetetairnya tidak menonjol, dalam hal-hal tertentu
retribusi daerah adalah pengembalian biaya yang telah dikeluarkan oleh pemerintah
daerah untuk memenuhi permintaan anggota masyarakat.
c. Hasil perusahaan milik daerah dan hasil pengelolaan kekayaan daerah yang
dipisahkan. Hasil perusahaan milik daerah merupakan pendapatan daerah dari
keuntungan bersih perusahaan daerah yang berupa dana pembangunan daerah dan
bagian untuk anggaran belanja daerah yang disetor ke kas daerah, baik perusahaan
daerah yang dipisahkan,sesuai dengan motif pendirian dan pengelolaan, maka sifat
perusahaan dareah adalah suatu kesatuan produksi yang bersifat menambah
pendapatan daerah, memberi jasa, menyelenggarakan kemamfaatan umum, dan
memperkembangkan perekonomian daerah.
d. Lain-lain pendapatan daerah yang sah ialah pendapatan-pendapatan yang tidak
termasuk dalam jenis-jenis pajak daerah, retribusli daerah, pendapatan dinas-

dinas. Lain-lain usaha daerah yang sah mempunyai sifat yang pembuka bagi
pemerintah daerah untuk melakukan kegiatan yang menghasilkan baik berupa
materi dalam kegitan tersebut bertujuan untuk menunjang,melapangkan, atau
memantapkan suatu kebijakan daerah disuatu bidang tertentu.
2. Dana perimbangan diperoleh melalui bagian pendapatan daerah dari penerimaan
pajak bumi dan bangunan baik dari pedesaan, perkotaan, pertambangan sumber
daya alam dan serta bea perolehan hak atas tanah dan bangunan. Dana perimbangan
terdiri atas dana bagi hasil, dana alokasi umum, dan dana alokasi khusus.
3. Lain-lain pendapatan daerah yang sah adalah pendapatan daerah dari sumber lain
misalnya sumbangan pihak ketiga kepada daerah yang dilaksanakan sesuai dengan
peraturan perundangan-undangan yang berlaku.
2.5 Dana Alokasi Umum
Dana Perimbangan terdiri dari Dana Bagi Hasil , Dana Alokasi Umum , dan Dana
Alokasi Khusus dalam UU no 32/2004. Salah satu dana perimbangan dari
pemerintah ini adalah Dana Alokasi Umum (DAU) yang pengalokasiannya
menekankan aspek pemerataan dan keadilan yang selaras dengan penyelenggaraan
urusan pemerintahan (UU 32/2004). Dana alokasi umum (DAU) merupakan dana
hibah (grants) yang kewenangan pengguna diserahkan penuh kepada pemerintah
daerah. Berdasarkan UU No. 33 Tahun 2004 pengertian dana alokasi umum yaitu:
Dana alokasi umum adalah dana yang bersumber dari pendapatan APBD yang
dialokasikan dengan tujuan untuk pemerataan kemampuan keuangan antar daerah,
untuk mendanai kebutuhan daerah dalam rangka pelaksanaan desentralisasi.
Dengan perimbangan tersebut, khususnya DAU akan memberikan kepastian bagi
daerah dalam memperoleh sumbersumber pembiayaan untuk membiayai kebutuhan
pengeluaran yang menjadi tanggung jawabnya.

2.6 Investasi
Menurut Sadono Sukirno (2005), teori ekonomi mendefinisikan investasi sebagai :
pengeluaran pengeluaran untuk membeli barang-barang modal dan peralatan
produksi dengan tujuan untuk mengganti dan terutama menambah barang-barang
modal dalam perekonomian yang akan digunakan untuk memproduksi barang dan
jasa. Investasi terbagi menjadi dua yaitu penanaman modal dalam negeri dan luar
negeri.
Undang-undang Republik Indonesia No. 25 Tahun 2007 tentang penanaman modal,
penanaman modal dalam negeri (PMDN) adalah kegiatan menanam modal untuk
melakukan usaha di wilayah negara Republik Indonesia yang dilakukan oleh
penanam modal dalam negeri dengan menggunakan modal dalam negeri. Menurut
definisi yang diberikan oleh Undang-undang Republik Indonesia No. 25 Tahun
2007 tentang penanaman modal, penanaman modal asing (PMA) adalah kegiatan
menanam modal untuk melakukan usaha di wilayah negara Republik Indonesia
yang dilakukan oleh penanam modal asing, baik yang menggunakan modal asing
sepenuhnya maupun yang berpatungan dengan penanam modal dalam negeri.
2.7 Penduduk
Penduduk adalah mereka yang sudah menetap di suatu wilayah paling sedikit 6
bulan atau kurang dari 6 bulan tetapi bermaksud untuk menetap.
2.8 Pengeluaran pemerintah
Pengeluaran pemerintah merupakan

seperangkat

produk

yang

dihasilkan

yang memuat pilihan atau keputusan yang dibuat oleh pemerintah untuk
menyediakan barang-barang publik dan pelayanan kepada masyarakat. Total
pengeluaran pemerintah merupakan penjumlahan keseluruhan dari keputusan
anggaran pada masing-masing tingkatan pemerintahan (Pusat-Prop-Kab/Kota).
Pada masing-masing tingkatan dalam pemerintah ini dapat mempunyai keputusan
akhir proses pembuatan yang berbeda, dan hanya beberapa hal pemerintah yang
dibawahnya dapat dipengaruhi oleh pemerintahan yang lebih tinggi (Lee Robert
D, Jr and Ronald W. Johnson)

BAB III
METODOLOGI
3.1 Regresi Linier Berganda
Analisis regresi linier merupakan suatu metode analisis yang digunakan untuk
menganalisis hubungan linier antara variabel tidak bebas (dependent variable) dengan
satu atau lebih variabel bebas (independent variable). Jika banyaknya variabel bebas
yang digunakan lebih dari satu variabel maka model yang terbentuk disebut model
regresi linier berganda.
Analisis regresi linier berganda pada penelitian ini memiliki variabel bebas yang
berasal dari analisis faktor. Analisis regresi linier berganda dilakukan untuk mengatuhi
kontribusi masing-masing faktor yang terbentuk dari hasil analisis faktor, sehingga
dapat diurutkan dari faktor yang paling dominan sampai faktor yang paling tidak
dominan.
Persamaan regresinya adalah sebagai berikut :
Y i= 0 + 1 Z 1 + .+ i Z i
Dimana
Yi = Pendapatan Asli Daerah (PAD) per provinsi tahun 2013
0 = intersept/ konstanta
i =koefisien regresi parsial ke-n pada variabel dependen
Zn = faktor skor ke-n yang terbentuk dari analisis faktor
Metode yang digunakan dalam analisis regresi linier berganda adalah metode
kuadrat terkecil (OLS = ordinary Least Square). Sebelum analisis regresi linier
berganda dilakukan dengan metode OLS, terlebih dahulu dilakukan uji asumsi dari
error.
Asumsi yang harus dipenuhi untuk penerapan metode OLS sebagai berikut :
1. Pendeteksian kenormalan
Salah satu asumsi model regresi adalah residual mempunyai distribusi
normal. Konsekuensi apabila jika model tidak mempunyai residual yang
berdistribusi normal maka uji t dalam melihat signifikansi variabel independent

terhadap variabel dependent tidak bisa diaplikasikan jika residual tidak

mempunyai distribusi normal (Widarjono, Agus, 2010, 111).
Uji normalitas digunakan untuk menguji kenormalan dari suatu variabel
pengganggu dan untuk mengetahui distribusi data dari suatu penelitian. Apabila
sbaran data berada disekitar garis linier maka dapat disimpulkan data
berdistribusi normal (Gunawan Sumodiningrat, 2001: 145). Dengan demikian
apabila residual tersebut berasal dari distribusi normal maka akan dibuktikan
dengan gambar grafik yang nilai-nilai sebaran datanya akan terletak disekitar
garis lurus. Baru setelah itu dapat disimpulkan persyaratan normalitas bisa
dipenuhi.
Terdapat beberapa test yang digunakan, diantaranya adalah: (1) chi-square
goodness of fit test, dan (2) jarque-bera test. Keduanya menguji residual dan
dengan distribusi probalibitas chi-square
N k 2 K 3
JB
S
6
4

S : skewness, K : kurtosis, k : jumlah koefisien yang diestimasi.

2. Uji varian sama (homoskedastis)
Salah satu uji formal untuk menguji apakah terjadi pelanggaran asumsi
Klasik homokedastisitas, digunakan uji White. Misal persamaan yang akan kita
uji adalah sebagai berikut:
Y t = 0+ 2 X t 2 + 3 X t 3 + t
Langkah-langkahnya adalah sebagai berikut:
1. Estimasi persamaan diatas dengan OLS dan hitung nilai
2. Regresikan model di bawah:
2t = 1+ 2 X t 2+ 3 X t 3 + 4 X t 4 + 5 X t 5 + 6 X t 6 + t
3. Hitung nilai nR2, dimana n adalah besarnya contoh dan R2 adalah unadjusted
R-square dari persamaan regresi auxiliary pada langkah 2.
4. Tolak hipotesis nol jika nR2 >
3. Uji tidak ada autokorelasi

(tidak terdapat heterokedastisitas)

Autokorelasi

menggambarkan

adanya

korelasi

antara

variabel

pengganggu (error term) (Sritua arief, 1993:38). Adanya gejala autokorelasi

dalam model regerasi OLS dapat menimbulkan :
a. Estimator OLS menjadi tidak efisien karena selang keyakinan melebar.
b. Akibat butir di atas, R2 bisa ditaksir terlalu tinggi (overestimated)
c. Pengujian signifikansi (t dan f) menjadi lemah (Sritua arief, 1993: 38).
Autokorelasi adalah adanya korelasi antar variabel-variabel yang diurutkan
menurut waktu(time series) dan individu (cross-section). Pemeriksaan
adanya autokorelasi dapat dilakukan dengan menggunakan statistik d Durvin
Watson (Gujarati,1999). Prosedurnya sebagai berikut :
a. Pengujian hipotesis
b. Lakukan regresi OLS dan dapatkan ei
c. Hitung angka Durvin Watson(D-W) (diperoleh dari hasil
pengolahan SPSS)
d. Untuk ukuran sampel tertentu dan banyaknya variabel yang
menjelaskan tertentu, dapatkan nilai kritis dL dan d U.
Pengambilan keputusan :

Jika hipotesis nol H0 adalah bahwa tidak ada serial

korelasi negatif, maka jika

d>4-dL

: menolak H0

d<4-dU

: tidak menolak H0

4-dL d 4dU

: pengujian tidak meyakinkan

Jika hipotesis nol H0 adalah bahwa tidak ada korelasi

negatif, maka jika ;
d>4-dL

: menolak H0

d<4-dU

: tidak menolak H0

4-dU d 4dL

: pengujian tidak meyakinkan

4. Uji multikolinieritas
Multikolinier ialah kondisi dimana adanya hubungan antara variabelvariabel bebas. Jika multikolinier itu sempurna maka setiap koefisien regresi
dari variabelvariabe bebasnya tidak dapat menentukan dan standar errornya

tidak terbatas. Jika multikolinier kurang dari sempurna maka koefisien regresi
walaupun bisa menentukan, tetapi memiliki standar error yang besar (dalam
hubungan dengan koefisien mereka itu sendiri), yang berarti koefisienkoefisiennya tidak bisa diestimasi dengan akurasi yang tepat. Cara umum untuk
mendeteksi adanya multikolinear dalam model ialah dengan melihat bahwa
adanya R2 yang tinggi dalam model tetapi tingkat signifikansi tstatistiknya
sangat kecil dari hasil regresi tersebut dan cenderung banyak yang tidak
signifikan. Selain itu untuk menguji multikolinear, bisa dilihat matrik
korelasinya. Jika masing-masing variabel bebas berkorelasi lebih besar dari 80
% maka termasuk yang memiliki hubungan yang tinggi atau ada indikasi
multikolinearitas (Gujarati,2003).
Beberapa alternatif cara untuk mengatasi masalah multikolinearitas adalah
sebagai berikut:
1. Mengganti atau mengeluarkan variabel yang mempunyai korelasi yang tinggi.
2. Menambah jumlah observasi.
3. Mentransformasikan data ke dalam bentuk lain, misalnya logaritma natural,
akar kuadrat atau bentuk first difference delta.
Selanjutnya untuk menguji apakah persamaan koefisien regresi sudah layak atau
tidak maka perlu diuji dengan uji signifikansi persamaan regresi. Pengujian persamaan
regresi dilakukan untuk semua koefisien regresi. Uji statistik yang dilakukan meliputi :
1. Uji signifikansi Koefisien Regresi Secara Simultan (Uji F)
Uji F dilakukan untuk mengetahui apakah variabel bebas secara simultan
mempunyai pengaruh yang signifikan terhadap variabel tak bebas. Prosedur
pengujian untuk persamaan regresi dari model produksi dengan pengujian secara
simultan adalah :
1. Merumuskan hipotesis. Adapun hipotesisnya adalah:
i=0
Ho :
; untuk semua i, artinya secara simultan tidak ada pengaruh

H1 :

i 0

signifikan dari variabel bebas terhadap variabel tak bebas.

; banyaknya parameter (1, 2, ...., p), artinya sekurangkurangnya ada satu variabael bebas (Zi) memiliki pengaruh
signifikansi terhadap variabel tak bebas.

2. Menentukan tingkat signifikansi ( ). Dalam penelitian ini digunakan

=5%.

3. Menghitung Fhitung. Dihitung dengan rumus :

F
MSR SSR/( K1)
hitung=

MSE

SSE /(nk )

Dimana SSR = jumlah kuadrat regresi,

SSE = jumlah kuadrat error/sisaan,
k = jumlah parameter
n = jumlah sampel
4. Mengambil keputusan. Jika nilai Fhitung >Ftabel ( ; k 1, nk ) maka
H0 ditolak. Selain dengan membandingkan nilai Fhitung dan Ftabel, langkah
ini juga dapat dilakukan dengan melihat nilai p-value hasil olahan komputer.
Apabila nilai p-value lebih kecil dari

maka H0 ditolak.

2. Uji signifikansi Koefisien Regresi Secara Parsial (Uji T)

Untuk mengetahui keberartian dari intersep dan masing-masing penduga
parameter/ koefisien regresi dilakukan pengujian parsial dengan uji t, dengan
prosedur pengujian sebagai berikut :
1. Merumuskan hipotesis. Adapun hipotesisnya adalah :
H0 : =0 (tidak ada pengaruh dari peubah Zskori terhadap variabel tak
bebas),
H1 : 0 (ada pengaruh dari peubah Zskori terhadap variabel tak bebas)
2. Menentukan tingkat signifikansi ( ).
3. Menghitung thitung dengan statistik uji :
t
^

hitung ( ^i )=

var ( ^ )
i

4. Mengambil keputusan. Jika nilai thitung >ttabel ( ; nk ) maka H0 ditolak.

Apabila yang digunakan adalah nilai p-value,maka H0 ditolak jika nilai pvalue lebih kecil dari , maka model tersebut layak untuk digunakan.
3. Koefisien Determinasi (R2)
Kebaikan suatu model dapat dilihat dari koefisien determinasi (R 2) yang
menunjukkan proporsi variasi dalam peubah tak bebas yang dijelaskan oleh
peubah-peubah bebas secara bersama-sama. Koefisien determinasi adalah rasio

antara jumlah kuadrat regresi dengan jumlah kuadrat total. Untuk analisis regresi
linier berganda, koefisien determinasi yang sebaiknya diginakan adalah nilai
Adjusted R2, sebab pada Adjusted R2 sudah tidak ada pengaruh derajat bebas.
Secara matematis nilai Adjusted R2 dirumuskan sebagai berikut :
2
2 n1
Adj R =1(1R )
nk , dengan :
2

R=

Jumlah kuadrat regresi SSR

=
Jumlah Kuadrat Total SST

R2=1

, atau

SSE
e2i
=1
SST
y 2i

3.2 Analisis Komponen Utama

Analisis komponen utama merupakan suatu teknik analisis statistik untuk
mentransformasi peubah-peubah asli yang masih saling berkorelasi satu dengan
yang lain menjadi satu set peubah baru yang tidak berkorelasi lagi. Peubahpeubah baru itu disebut sebagai komponen utama (Johsnon dan Wichern, 1982).
Secara aljabar linier, komponen utama merupakan kombinasi linierkombinasi linier dari p peubah acak x1, x2, x3, ..., xp. Secara geometris
kombinasi linier ini merupakan sistem koordinat baru yang di dapat dari rotasi
sistem semula dengan x1, x2,x3, ..., xp sebagai sumbu koordinat. Sumbu baru
tersebut merupakan arah dengan variabilitas maksimum dan memberikan
kovariansi yang lebih sederhana.
Komponen utama tergantung kepada matriks ragam peragam
matrik korelasi

dan

dari x1, x2,x3, ...,xp, dimana pada analisisnya tidak

memerlukan asumsi populasi harus berdistribusi normal peubah ganda. Apabila

komponen utama diturunkan dari populasi normal peubah ganda, interpretasi
dan inferensi dapat dibuat dari komponen sampel. Melalui matriks ragam
peragam

bisa

diturunkan

akar

ciri-ciri

(eigen

values)

yaitu

1 2 1 0 dan vektor-vektor cirinya yaitu 1, 2, . , p .

Untuk menguji asumsi distribusi normal peubah ganda dapat dilakukan

dengan mencari jarak kuadrat untuk setiap observasi (Johnson dan Wichern :
1982). Hipotesis untuk uji ini adalah :

H0 : Peubah-peubah berdistribusi normal

H1 : Peubah-peubah tidak berdistribusi normal
Jarak kuadrat dihitung dengan rumus :

Dimana :
d 2j = jarak kuadrat observasi ke-j terhadap nilai rataan
Xj

= nilai observasi ke-j, dimana :

Secara umum pembentukan komponen utama disusun sebagai berikut :

'
Dengan keragaman masing-masing adalah Var(Yi) = a i ai=i

Dimana : i= 1, 2,....,p dan

= akar ciri dari komponen utama ke-i dan

keragaman totalnya adalah :

Dimana :

= simpangan baku dan

adalah akar ciri daari

komponen utama.
3.3 Uji Kaiser Meyer Olkin (KMO)
Sebelum melakukan analisis faktor, perlu dilakukan pengujian kelayakan
data yaitu dengan menggunakan Uji Kaiser Meyer Olkin (KMO). Uji KMO
digunakan untuk mengetahui apakah metode penarikan sampel yang digunakan
memenuhi syarat atau tidak. Di samping itu, uji KMO dalam Analisis Faktor

berguna untuk mengetahui apakah data yang digunakan dapat dianalisis lebih
lanjut atau tidak dengan Analisis Faktor. Rumusan uji KMO adalah:

r 2ij
KMO=

i j

r ij+ a2ij
i

i j

; i=1, 2, , p ; j=1, 2, , p

i j

di mana:
rij = Koefisisen korelasi sederhana antara peubah i dan j
aij = Koefisien korelasi parsial antara peubah i dan j
Adapun penilaian uji KMO dari matrik antar peubah adalah sebagai berikut:

0,90KMO<1,00 ; data sangat baik untuk analisis faktor.

0,80KMO<0,90 ; data baik untuk analisis faktor.

0,70KMO<0,80 ; data agak baik untuk analisis faktor.

0,60KMO<0,70 ; data lebih dari cukup untuk analisis faktor.

0,50KMO<0,60 ; data cukup untuk analisis faktor.

KMO<0,50 ; data tidak layak untuk uji lebih lanjut dengan analisis faktor.
Dari kriteria penilaian di atas, dapat dilihat bahwa analisis faktor dapat
dilakukan jika nilai KMO lebih dari 0,50.
3.4 Uji Bartlet
Jika sebagian besar dari koefisien kurang dari 0,5 maka dilakukan uji Bartlett.
Uji tersebut digunakan untuk melihat apakah matrik uji korelasinya bukan
merupakan suatu matrik identitas. Urutan pengujiannya sebagai berikut:
2. Hipotesis
H0 : matrik korelasi merupakan matrik identitas.
H1 : matrik korelasi bukan merupakan matrik identitas
2. Statistik uji 2= [ (1) (2+5)6 ]ln||
dimana
N = jumlah observasi
p = jumlah peubah
|R| = determinan dari matrik korelasi
3. Keputusan
Pengujian Bartlet akan menolak H0 jika nilai : 2> 2 (1)/2
3.5 Uji MSA (Measure of Sampling Adequacy)
Measure of Sampling Adequacy (MSA) adalah metode untuk
mengidentifikasi komponen-komponen variasi dalam pengukuran. Hal ini

digunakan untuk mengukur dampak dari kesalahan pengukuran dan untuk

memastikan integritas data yang digunakan untuk analisis.Sama seperti proses
memiliki variasi yang melekat, proses pengukuran memiliki variasi juga. Oleh
karena itu, ketika membuat keputusan yang bergantung pada data, adalah
penting untuk memastikan bahwa sistem yang mengumpulkan data yang akurat
dan tepat. Meskipun tidak mungkin untuk benar-benar menghilangkan kesalahan
pengukuran, tujuan MSA adalah untuk memastikan bahwa varians pengukuran
relatif jauh lebih kecil daripada varians diamati.MSA adalah prasyarat penting
untuk analisis data. Hal ini karena sistem pengukuran yang tidak akurat dan /
atau tepat dapat menyebabkan keputusan yang salah yang dibuat. Sebagai
contoh, sebuah proses yang terganggu dengan kesalahan pengukuran mungkin
tampak tidak mampu dan membuat perbaikan untuk proses dapat membuat
keadaan menjadi lebih buruk.
Angka MSA berkisar antara 0 dan 1 dengan criteria :
1. MSA = 1, variabel tersebut dapat diprediksi tanpa kesalahan oleh variabel lain
2. MSA>0,5 variabel masih bisa diprediksi dan dianalisis lebih lanjut
3. MSA<0,5 variabel tidak bisa diprediksi dan tidak bisa dianalisis lebih lanjut

3.6 Analisis Faktor

Untuk menarik kesimpulan dari suatu data hasil penelitian yang
mempunyai banyak peubah, tentunya bukanlah persoalan yang sederhana.
Analisis faktor adalah salah satu tektnik statistika yang dapat digunakan untuk
memberikan deskripsi yang relatif sederhana melalui reduksi jumlah peubah
yang disebut faktor.
Pembentukan himpunan faktor sebagai transformasi dari peubah-peubah
asal berdasrkan hubungan dalam matriks korelasi, dan metode yang paling
sering dipakai ialah AKU. Kombinasi linear terbaik membentuk KU pertama
dan merupakan faktor pertma. KU kedua sebagai faktor kedua yang menjelaskan
keragaman data yang tidak diterangkan oleh faktor pertama. Proses ini berlanjut
sampai dengan semua keragaman dapat memberikan inormasi sebagaimana data
asalnya melalui saling ketergantungan (interdependency) di antara peubahpeubah asal yang bersifat mutually exclusive.

Dengan demikian Analisis Faktor merupakan perluasan dari AKU yang

bertujuan untuk mendapatkan sejumlah kecil faktor yang memiliki sifat sebagai
berikut:
1. Mampu menjelaskan semaksimal mungkin keragaman data
2. Antar faktor saling bebas
3. Setiap faktor dapat diinterpretasikan dengan lebih jelas
Analisis faktor adalah suatu analisis data untuk mengetahui faktor-faktor
yang dominan dalam menjelaskan suatu masalah. Menurut Johnson dan Wichern
(2002:478) yang dimaksud dengan analisis faktor adalah:
1.

Pengembangan dari AKU yang lebih terperinci dan teliti.

2.

Mengecek konsistensi data terhadap struktur peubah.

Sedangkan kegunaan dari Analisis Faktor (Supranto, 2004:114-115) adalah:
1.

Untuk mengidentifikasi dimensi yang mendasari (underlying dimensions)

atau faktor, yang menjelaskan korelasi antara suatu set variabel.

2.

Untuk mengidentifikasi suatu set variabel baru yang tidak berkorelasi

(independent) yang lebih sedikit untuk menggantikan suatu set variabel asli
yang saling berkorelasi.

3.

Untuk mengidentifikasi suatu set variabel yang penting dari suatu set
variabel yang banyak.
Analisis Faktor pada dasarnya bertujuan untuk mendapatkan sejumlah kecil
faktor/komponen utama yang memiliki sifat berikut (Ekaria, 2004:5):

1.

Mampu menerangkan semaksimum mungkin keragaman data.

2.

Terdapatnya kebebasan antar faktor.

3.

Tiap faktor dapat diinterpretasikan sejelas -jelasnya.

Perbedaan antara Analisis Faktor dan Analisis Komponen Utama adalah:
1.

Pada Analisis Komponen Utama, tujuannya adalah untuk memilih sejumlah

peubah baru (yang disebut sebagai komponen utama) yang menjelaskan

2.

total variasi dalam set data sebesar besarnya,

Pada Analisis Faktor, tujuan utamanya adalah memilih faktor faktor yang
dapat menjelaskan keterkaitan (Interrelationship) antar peubah asli.
Dengan perkataan lain, Analisis Faktor bertujuan untuk menjelaskan arti
peubah peubah dalam set data.

Pada Analisis Faktor diperlukan nilai estimasi dari faktor-faktor bersama

yang disebut dengan skor faktor. Berdasarkan skor faktor pada setiap
observasi, kita dapat menyatakan untuk masing masing observasi tinggi
rendahnya nilai skor faktornya. Skor faktor tertentu menunjukkan penting
tidaknya peranan faktor-faktor tersebut bagi observasi itu. Skor faktor
benilai negatif, nol dan positif, dimana jika nilainya semakin besar maka
semakin besarlah peranan faktor tersebut terhadap suatu permasalahan pada
observasi yang kita teliti.
Secara umum, model Analisis Faktor adalah sebagai berikut :
X 11=l 11 F 1+l 12 F 1 +l 12 F1 ++ l1 m F 1+ 1
X 22=l 21 F 2 +l 22 F 2+l 23 F 2 ++l 2 m F2 + 2
X 33 =l31 F 3 +l 32 F 3+ l33 F3 ++ l3 m F 3+ 3
:
:
:
X p p =l p 1 F p+ l p 2 F2 +l p 3 F p ++l pm F p + p
Atau dalam notasi matriks, dituliskan
X pxl pxl =L pxm F mxl + pxl
di mana :
Fj

= Faktor Umum ;

j = 1,2, m; m<p

= Faktor Spesifik ;

i = 1,2,.p

= ratarata peubah ke i

l ij

= loading untuk peubah ke i pada faktor ke j

= Matriks faktor loading

dengan asumsi:
1.

E(F) =0

2.

Var (F) = E (FF') = Imxm

3.

E( )=0

Var ( ) = E(

4.

Cov (

F') = E (

') =
F') =0, sehingga F dan

independent

Adapun struktur kovarian untuk model adalah:

1. Cov (X) = LL' +
2

Var (Xi) = l i 1 +l i 2 + +l ij + i
Cov (Xi, Yj) =

l i 1 l j 1 +l i 2 l j 2 ++l l jm

2. Cov (X,F) = L
Cov (X1,Fj) =

l ij

Model (X-) = LF + adalah linier dalam faktor bersama. Bagian dari Var
(Xi) yang dapat diterangkan oleh faktor bersama disebut communality ke-i.
Sedangkan bagian dari Var (Xi) karena faktor spesifik disebut varian spesifik ke-i.
ii =l i 12+l i 22 ++l 2 + i=h i2 + i
di mana:
hi

= communality

i = varian spesifik ke-i

Dalam praktek, matriks ragam peragam di taksir dengan matriks ragam
peragam sampel S dan matrik korelasi peubah ditaksir dengan matriks korelasi R.
Dalam hal ini, paket progarm SPSS/PC+ langsung menggunakan matriks korelasi R
sebagai matriks ragam peragam dalam menghitung akar ciri dan vektor ciri maupun
analisis faktornya.
Faktor-faktor yang diperoleh melalui metode komponen utama pada
umumnya masih sulit diinterpretasikan secara langsung. Untuk itu dilakukan
manipulasi dengan cara merotasi loading L dengan menggunakan metode Rotasi
Tegak Lurus Varimax (Varimax Orthogonal Rotation) sesuai dengan saran
beberapa ahli, karena rotasi tegak lurus varimax lebih mendekati kenyataan
dibanding yang lain. Rotasi varimax adalah rotasi yang memaksimalkan faktor
pembobot, dan mengakibatkan korelasi variabel-variabel dengan suatu faktor
mendekati satu, serta korelasi dengan faktor lainnya mendekati nol, sehingga

mudah diinterpretasikan. Dari rotasi tersebut menghasilkan matriks loading baru L*,
yaitu:
L*(pxq) = L(pxq) . T(qxq)
di mana T adalah matriks transformasi yang dipilih sehingga,
T'T = TT' = I
Matriks transformasi T ditentukan sedemikian serupa hingga total keragaman
kuadrat loading L, yaitu:
q

1
V=
p j=1

[ ( ) { ( ) } ]
p

i=1

l ij 4

hi

i=1

l ij
hi

2 2

/p

menjadi maksimum, di mana:

q

V=

i=1

(keragaman dari kuadrat loading untuk faktor ke-j)

hi2=l i 12+ l i22 ++l iq 2

(komunalitas, yaitu jumlah varians dari suatu variable

ke-i yang dapat dijelaskan oleh sejumlah m common factors).

Dari perumusan diatas, rotasi merupakan suatu upaya untuk menghasilkan
faktor penimbang baru yang lebih mudah diinterpretasikan yaitu dengan
mengalikan faktor penimbang awal dengan matriks transformasi yang bersifat
orthogonal, sehingga matriks korelasinya tidak akan berubah. Dari merotasi
matriks loading tadi menyebabkan setiap variabel asal mempunyai korelasi yang
tinggi dan faktor tertentu saja, sedangkan dengan faktor lain mempunyai korelasi
relatif rendah sehingga pada akhirnya setiap faktor akan lebih mudah
diinterpretasikan.
Pengantar (principal component analysis factor analysis) Dalam analisis
faktor ini seluruh variabel yang ada akan dilihat hubungan-nya (inter-dependent
antar variabel), sehingga akan menghasilkan pengelompokan atau tepatnya
abstraction dari banyak variabel menjadi hanya beberapa variabel baru atau
faktor. Dengan sedikit faktor ini akan menjadi lebih mudah untuk dikelola.
Dapat disimpulkan bahwa pada analisis faktor terdapat beberapa konsep
dasar yaitu sebagai berikut:

1. Analisis faktor bukan mengkaitkan antara dependen variabel dengan

independen variabel, tapi membuat reduksi atau abstraksi atau meringkas dari
banyak variabel menjadi sedikit variabel.
2. teknik yang digunakan adalah teknik interdepensi, yakni seluruh set
hubungan yang interdependen diteliti. prinsipnya menggunakan korelasi r = 1
dan r = 0. dipergunakan dalam hal mengidentifikasi variabel yang berkorelasi
dan yang tidak/kecil korelasi-nya.
3. analisis faktor menekankan adanya communality= jumlah varian yang
4.

disumbangkan oleh suatu variabel pada variabel lainnya.

kovariasi antar-variabel yang diuraikan akan memunculkan common factors
(jumlahnya sedikit) dan unique factors setiap variabel. (faktor-faktor tidak

secara jelas terlihat).

5. adanya koefisien nilai faktor (factor score coefficient), sehingga faktor 1
menyerab sebagian besar seluruh variabel, faktor 2 menyerab sebagian besar
sisa varian setelah diambil untuk faktor 1. faktor 2 tidak berkorelasi dengan
faktor 1. dilakukan oleh komputer.
Teknik statistik untuk analisis faktor:
1. Bartletts test of sphericity: uji statistik untuk menguji hipotesis bahwa
variabel tidak saling berkorelasi dalam populasi.
2. Matriks korelasi.
3. Communality: jumlah varian yang disumbangkan oleh variabel terhadap
seluruh variabel lain.
4. Eigenvalue: jumlah varian yang dijelaskan oleh setiap faktor. Hanya
eigenvalue >1 yang dimasukkan dalam model.
Scree plot: plot dari eigenvalue sebagai sumbu vertikal dan banyaknya
faktor sebagai sumbu datar; untuk menentukan banyaknya faktor yang
bisa ditarik (factor extraction).

BAB IV
ANALISIS DAN PEMBAHASAN
Dalam penelitian ini digunakan sembilan variabel bebas yang diduga
memengaruhi Pendapatan Asli Daerah (PAD) di 33 provinsi di Indonesia, yaitu jumlah
penduduk, pengeluaran pemerintah, PDRB, inflasi, pajak daerah, DAU, sumber daya
alam, investasi PMA, dan ivestasi PMDN.
Untuk menentukan variabel yang paling dominan dari sembilan variabel tersebut
dapat digunakan regresi linear berganda. Namun, karena terdapat korelasi antarvariabel
bebas maka peneliti melakukan transformasi menggunakan logaritma natural untuk
menghilangkan multikolinearitas. Kemudian, sebagai perbandingan, peneliti juga
melakukan transformasi dengan menggunakan analisis komponen utama dan analisis
faktor sehingga diperoleh variabel baru yang tidak saling berkorelasi.
4.1 Analisis Regresi Linier Berganda
Analisis regresi linier berganda adalah suatu analisis yang sudah lazim
digunakan untuk menyelidiki hubungan antara beberapa peubah. Menurut Gujarati
adalah suatu analisis yang berkenaan dengan studi ketergantungan suatu peubah,
peubah tak bebas pada satu atau lebih peubah lain, peubah yang menjelaskan atau
peubah tak bebas, dengan maksud menaksir dan atau meramalkan nilai rata-rata hitung
peubah tak bebas, dipandang dari segi nilai yang diketahui atau tetap (pengambilan
sampel berulang) peubah yang menjelaskan.

Metode OLS dapat diterapkan jika asumsi-asumsinya terpenuhi. Asumsi yang

harus terpenuhi adalah asumsi kenormalan, asumsi multikolinieritas, asumsi
homoskedastis,da asumsi non-autokorelasi.
Berikut merupakan hasil uji asumsi dari data yang belum ditransformasi (data
asli) :
1. Uji Asumsi Normalitas
Uji normalitas data dimaksudkan untuk memperlihatkan bahwa data sampel
berasal dari populasi yang berdistribusi normal. Dalam penelitian ini, teknik
yang digunakan adalah uji normalitas dengan uji kologorov-smirnov dengan
SPSS.
Hipotesis pada uji kolmogorov-smirnov juga tidak memerlukan asumsi
bahwa populasi terdistribusi secara normal.
Hipotesis pada uji kolmogorov-smirnov adalah sebagai berikut :
H0 : data mengikuti distribusi yang ditetapkan
H1 : data tidak mengikuti distribusi yang ditetapkan
Tabel 4.1.1 Uji Asumsi Normalitas dengan Kolomogorov-Smirnov
One-Sample Kolmogorov-Smirnov Test
Unstandardized
N
Mean
Normal Parametersa,b

Most Extreme Differences

Std. Deviation
Absolute
Positive
Negative

Kolmogorov-Smirnov Z
Asymp. Sig. (2-tailed)
a. Test distribution is Normal.
b. Calculated from data.

Residual
33
-.0099284
6701163952989.88
100000
.075
.066
-.075
.429
.993

Berdasarkan uji normalitas dengan Kolmogorov-smirnov Test diperoleh nilai

KSZ sebesar 0,429 dan Asymp.Sig. (2-tailed) sebesar 0,993 lebih besar dari nilai
tingkat signifikansi (5%) maka dapat disimpulkan data berdistribusi normal.
2. Uji Asumsi Homoskedastis
Uji Asumsi Homoskedastis bertujuan menguji apakah dalam model regresi terjadi
ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain.
Pendeteksian ada tidaknya heteroskedastis bisa dilakukan dengan menggunakan
metode Glejser Test dengan menggunakan SPSS 20.

Berikut hasil output dengan uji Glejser Test :

Tabel 4.1.2 Uji Asumsi Heteroskedastis dengan Glejser Test
Coefficientsa
Model

Unstandardized Coefficients

Standardized

Sig.

2.032

.054

-1.322
1.342
.345

-1.403
1.023
.853

.174
.317
.402

-.127

-.708

.486

-1.178
-.274
.281
.378
.553

-1.394
-.616
.914
.903
1.729

.177
.544
.370
.376
.097

Coefficients
B

Std. Error

8227438082380.

4047948874110.

610

821

Jumlah_pdd
PDRB
Pengeluaran_pemerintah

-499980.849
.044
.124
-

356489.558
.043
.146

Inflasi

318728514105.7

(Constant)

Pajak_daerah
DAU
PDRB_pertanian
Investasi_PMA
Investasi_PMDN
a. Dependent Variable: RES_2

98
-1.084
-.143
.006
.103
.332

450206223502.1
65
.778
.231
.006
.114
.192

Beta

Dari hasil perhitungan tersebut menunjukkan tidak ada gangguan heteroskedastis yang
terjadi dalam proses estimasi parameter model penduga, dimana tidak ada nilai hitung
yang signifikan atau signifikan (sig) lebih dari 0,05 (p > 0,05). Jadi secara keseluruhan
dapat disimpulkan bahwa tidak ada masalah heteroskedastis.
3. Uji Asumsi Tidak Ada Multikolinearitas
Uji multikolinieritas bertujuan untuk menguji apakah model regresi ditemukan
adanya korelasi antar variabel bebas (independen). Dari hasil multikoliniertitas
dapat diketahui besaran korelasi dan varian inflation faktor (VIF) dengan SPSS
20.0 sebagai berikut :

Tabel 4.1.3 Uji Multikolinieritas dengan Varian Inflation Factor (VIF)

Coefficientsa
Model

Unstandardized Coefficients
B
(Constant)

77888542651

Jumlah_pdd
PDRB
Pengeluaran_pemerinta
1

Std. Error

Sig.

Collinearity
Statistics

Beta

Tolerance VIF

25.339

-.960

.347

47.359
-1901089.083 714629.993
.203
.087

-.438
.534

-2.660
2.332

.014
.029

.034
.017

29.772
57.619

-.191

-.046

-.655

.519

.183

5.479

.034

1.076

.293

.929

1.076

.832
.027
-.010
.026
-.384

5.645
.352
-.181
.359
-6.886

.000
.728
.858
.723
.000

.042
.151
.317
.170
.292

23.916
6.632
3.156
5.888
3.429

3.111
8.804
.163
-.002
.082
-2.653

Pajak_daerah
DAU
PDRB_pertanian
Investasi_PMA
Investasi_PMDN

Coefficients

81146434914

.292

97133507230 90249731776

Inflasi

Standardized

6.522
1.560
.464
.013
.228
.385

a. Dependent Variable: PAD

Dari tabel di atas diketahui bahwa hasil perhitungan Tolerance ada beberapa
variabel yang nilai Tolerance melebihi tingkat siginifikasi menunjukkan adanya
terlanggar asumsi homoskedastisitas. Hasil perhitungan Variance Inflation Factor (VIF)
juga menunjukkan hal yang sama dimana ada beberapa variabel yang nilai VIF lebih
dari 10.
4. Uji Asumsi Non-Autokorelasi
Tabel 4.1.4 Uji Non-Autokorelasi dengan uji Durbin-Watson
Model Summaryb
Model

R Square

Adjusted

R Std. Error of the Durbin-Watson

Square
1

.989a

.979

.971

Estimate
7904261773948
.23200

1.940

a. Predictors: (Constant), Investasi_PMDN, Inflasi, PDRB_pertanian, Pengeluaran_pemerintah,

Pajak_daerah, DAU, Investasi_PMA, Jumlah_pdd, PDRB
b. Dependent Variable: PAD

Menurut Gujarati (1978), masalah auotkorelasi dapat dideteksi melalui

pendekatan uji Durbin Watson. Dari output hasil pengolahan dengan SPSS 20
diperoleh nilai statistik d durbin watson 1,940. Sedangkan nilai tabel durbin
watson dengan tingkat signifikansi 0,05 (n=33, k=9) diperoleh dL sebesar 0,698

dan dU sebesar 1,975. Nilai d berada diantara dL dan dU maka tidak dapat
diambil kesimpulan.
Untuk mengetahui kelayakan dari model yang terbentuk, maka dilakukan pengujian
terhadap model diantaranya dilakukan uji sebagai berikut ;
1. Uji Simultan
Uji ini digunakan untuk mengetahu apakah semua peubah bebas dalam model
secara bersama-sama memberi pengaruh yang signifikan terhadap pendapatan
asli daerah. Hasil pengolahan dengan SPSS 20.0 diperoleh nilai uji pada tabel
berikut.
Tabel 4.1.5 Uji Simultan
ANOVAa
Model
1

Regression

Sum of Squares Df
106.798
9

Mean Square
11.866

Residual

25.950

22

1.180

Total

132.748

31

a. Dependent Variable: log_PAD

b.
Predictors:
(Constant),
log_Pengeluaran_pemerintah,

log_Investasi_PMDN,

log_Pajak_daerah,

F
10.060

log_Inflasi,

log_Investasi_PMA,

Sig.
.000b

log_DAU,

log_Jumlah_pdd,

log_PDRB_pertanian, log_PDRB

Berdasarkan tabel diatas, nilai p-value jauh dibawah nilai signifikan

maka dapat disimpulkan bahwa semua peubah bebas dalam model yang
dibentuk secara simultan memberi pengaruh yang signifikan terhadap
pendapatan asli daerah.
2. Uji Parsial (uji t)
Uji ini digunakan untuk mengetahui apakah peubah bebas secara parsial
memberikan pengaruh yang signifikan terhadap pendapatan asli daerah. Hasil
pengolahan dengan SPSS 20.0 diperoleh nilai uji pada tabel
Tabel 4.1.6 Uji Parsial
Coefficients

Model

Unstandardized

Standardized

Coefficients

Coefficients

Std. Error

(Constant)

5.162

12.276

log_Jumlah_pdd

.384

.533

Sig.

.420

.678

.721

.479

Beta
.186

Correlations

Zero-order Partial

Part

.559

.068

.152

log_PDRB
log_Pengeluaran_peme
rintah
log_Inflasi
log_Pajak_daerah
log_DAU
log_PDRB_pertanian
log_Investasi_PMA
log_Investasi_PMDN

.027

.492

.016

.055

.957

.669

.012

.005

.564

.151

.447

3.746

.001

.745

.624

.353

2.585
.224
-.779
.180
.258
-.047

1.093
.090
.441
.340
.182
.187

.237
.301
-.324
.115
.235
-.039

2.364
2.480
-1.764
.529
1.415
-.251

.027
.021
.092
.602
.171
.804

.297
.535
.049
.333
.500
.395

.450
.467
-.352
.112
.289
-.053

.223
.234
-.166
.050
.133
-.024

a. Dependent Variable: log_PAD

Berdasarkan tabel di atas diperoleh p-value sebesar pengeluaran pemerintah,

inflasi, dan pajak daerah bernilai 0,001, 0,027, dan 0,021. Ketiga nilai tersebut
jatuh di bawah signifikansi 0,05 sedangkan peubah bebas lainnya memiliki nilai
p-value di atas signifikansi 0,05. Maka dari itu, dapat disimpulkan bahwa yang
berpengaruh secara signifikan terhadap peubah pendapatan asli daerah adalah
peubah pengeluaran pemerintah, inflasi, dan pajak daerah.
3. Koefisiensi Determinasi (R2)
Persamaan regresi linier berganda yang diperoleh menghasilkan R 2 sebesar
0,805 dan Adjusted R-Square 0,725. Hal ini berarti keragaman peubah
Pendapatan Ali Daerah (PAD) yang dapat dijelaskan oleh peubah bebas yang
dimasukkan dalam model sebesar 72,5 persen. Dengan demikian, dapat
dikatakan model yang terbentuk layak digunakan untuk menentukan faktorfaktor yang memengaruhi Pendapatan Asli Daerah.
Tabel 4.1.7 Output Koefisien Determinasi
b

Model Summary
Model
R
1
a.

.897a
Predictors:

R Square

Adjusted

R Std. Error of the Durbin-Watson

.805
(Constant),

Square
Estimate
.725
1.08607
2.157
log_Investasi_PMDN,
log_Inflasi,
log_DAU,

log_Pengeluaran_pemerintah, log_Pajak_daerah, log_Investasi_PMA, log_Jumlah_pdd,

log_PDRB_pertanian, log_PDRB
b. Dependent Variable: log_PAD

4.2 Analisis Regresi Linier Berganda Dengan Metode AKU dan Analisis Faktor
Tabel 4.2.1 Nilai statistik KMO dan Bartletts Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy.

Approx. Chi-Square
Bartlett's Test of Sphericity
Df
Sig.

.679
289.492
36
.000

Berdasarkan tabel di atas, nilai KMO sebesar 0,679, nilai tersebut berada dalam
kategori lebih dari cukup dan signifikansi Bartletts Test sebesar 0,000 menandakan
bahwa analisis faktor layak untuk dilanjutkan.
Langkah selanjutnya dalam analisis komponen utama adalah melihat nilai MSA
tiap peubah yang dianalisis. Nilai MSA menginformasikan apakan suatu peubah sudah
memiliki kecukupan observasi untuk dilakukan analisis lebih lanjut.

Tabel 4.2.2. Nilai MSA Tiap Peubah

Peubah

Nilai MSA

Nilai MSA

Nilai MSA

(tanpa inflasi)

(tanpa

inflasi

dan

PDRB

pertanian)
(1)
Jumlah penduduk
PDRB
Pengeluaran

(2)
0,651
0,643
0,801

(3)
0,660
0,656
0,811

(4)
0,722
0,674
0,826

pemerintah
Inflasi
Pajak daerah
DAU
PDRB pertanian
Investasi PMA
Investasi PMDN

0,101
0,486
0,865
0,389
0,819
0,853

0,502
0,862
0,399
0,832
0,851

0,545
0,768
0,734
0,836

Berdasarkan hasil keluaran Matriks Anti-Image dengan SPSS 20.0 pada tabel di
atas, terdapat tiga variabel yang memiliki nilai MSA < 0,5 pada awalnya, yaitu variabel
inflasi, pajak daerah, dan PDRB pertanian. Hal ini berarti variabel tidak bisa diprediksi
dan dianalisis lebih lanjut. Oleh karena itu, langkah pertama yang dilakukan peneliti

yaitu mengeluarkan variabel inflasi yang memiliki nilai MSA paling rendah sebesar
0,101. Setelah variabel inflasi dikeluarkan, masih ada satu variabel yang nilai MSA <
0,5 yaitu variabel PDRB pertanian sehingga variabel ini juga dikeluarkan dari analisis.
Nilai MSA semua variabel > 0,5 setelah variabel inflasi dan PDRB pertanian
dikeluarkan. Hal ini berarti terdapat tujuh variabel yang dapat digunakan untuk analisis
faktor.
Penentuan jumlah komponen dapat dilakukan dengan dua pendekatan berdasarkan
nilai akar ciri atau besarnya nilai kumulatif keragaman yang dijelaskan oleh masingmasing komponen yang terbentuk (Cumulative Sum of Squares Loadings). Menurut
Anderson, jika nilai akar ciri lebih dari satu maka komponen tersebut dapat dipilih
sebagai komponen utama. Berikut tabel pembentukan komponen utama dan keragaman
data yang dijelaskan.
Tabel 4.2.3. Pembentukan Komponen Utama dan Keragaman Data yang
Dijelaskan
Compone Initial Eigenvalues

Extraction

nt

Loadings
Total

% of Variance Cumulative

Total

Sums

of

Squared Rotation Sums of Squared Loadings

of Cumulative

Variance

Total

of Cumulative

Variance

4.728

67.548

67.548

4.728

67.548

67.548

2.909

41.555

41.555

1.073

15.333

82.881

1.073

15.333

82.881

2.893

41.327

82.881

.723

10.322

93.204

.283

4.048

97.251

.113

1.615

98.866

.064

.916

99.782

.015

.218

100.000

Extraction Method: Principal Component Analysis.

Berdasarkan tabel di atas, kedua komponen yang terbentuk secara bersama-sama

dapat menjelaskan keragaman total data sebesar 82,881 persen. Komponen utama
pertam dengan akar ciri sebesar 4,728 dapat menjelaskan keragaman data sebesar
67,548 persen. Kemudian, komponen kedua dengan akar ciri sebesar 1,073 dapat
menjelaskan keragaman data sebesar 15,333 persen. Kedua komponen utama tersebut
menghasilkan matriks loading faktor L yang tidak berkorelasi satu sama lain dan nilainilainya merupakan koefisien korelasi antarpeubah dan faktor tersebut.

Keeratan hubungan faktor-faktor yang terbentuk dengan peubah-peubah asal dapat

dilihat dari nilai komunalitas. Nilai komunalitas masing-masing peubah disajikan pada
tabel 4 di bawah ini.
Tabel 4.2.4. Nilai Komunalitas Peubah Asal
Communalities
Initial
Extraction
Jumlah_pdd
1.000
.943
PDRB
1.000
.962
Pengeluaran_pemerintah
1.000
.790
Pajak_daerah
1.000
.847
DAU
1.000
.920
Investasi_PMA
1.000
.694
Investasi_PMDN
1.000
.645
Extraction Method: Principal Component Analysis.

Pada tabel tersebut dapat diketahui bahwa keragaman peubah asal yang paling
besar dapat dijelaskan oleh faktor yang terbentuk adalah peubah PDRB dengan nilai
komunalitas sebesar 0,962. Hal ini berarti bahwa 96,2 persen keragaman peubah PDRB
dapat dijelaskan oleh faktor yang terbentuk. Nilai komunalitas yang terkecil terlihat
pada peubah investasi PMDN yakni sebesar 0,645. Ini berarti keragaman investasi
PMDN cukup dapat dijelaskan oleh faktor yang terbentuk.
Analisis faktor digunakan dalam penelitian ini untuk memperoleh faktor-faktor
umum yang mampu menjelaskan arti dari suatu variabel. Untuk itu dilakukan proses
rotasi dengan menggunakan metode tegak lurus varimax seperti hasil berikut.
Tabel 4.2.5. Matriks Loading Hasil Rotasi
Rotated Component Matrixa
Component
1
2
Jumlah_pdd
.874
.423
PDRB
.503
.842
Pengeluaran_pemerintah
.355
.815
Pajak_daerah
.072
.918
DAU
.955
.093
Investasi_PMA
.563
.614
Investasi_PMDN
.730
.336
Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization.
a. Rotation converged in 3 iterations.

Dari tabel di atas, dapat dilakukan analisis seperti berikut:

a. Faktor pertama berkorelasi cukup tinggi dan positif dengan jumlah penduduk,
Dana Alokasi Umum (DAU), dan investasi PMDN. Ketiga faktor tersebut

memberikan sumbangan relatif besar dalam membangun faktor pertama

dibandingkan dengan peubah yang lain. Dengan mempertimbangkan peubahpeubah penyusunnya, maka faktor pertama diberi nama faktor potensi SDM dan
pemodalan dalam negeri.
b. Faktor kedua berkorelasi relatif tinggi dan positif dengan PDRB, pengeluaran
pemerintah, pajak daerah dan investasi PMA. Keempat faktor tersebut
memberikan sumbangan relatif sama besar dibandinngkan dengan peubah yang
lain. Dengan mempertimbangkan peubah-peubah penyusunnya, maka faktor
kedua diberi nama faktor keuangan daerah dan investasi asing
Setelah memperoleh faktor utama, maka dilanjutkan dengan analisis regresi
linear berganda. Analisis linear berganda digunakan untuk melihat pengaruh faktor
yang telah terbentuk dengan analisis faktor. Persamaan regresi diperoleh dengan
metode OLS lanjut pengujian asumsi dan pengujian model seperti berikut :
1. Uji Asumsi Normalitas
Pengujian ini bertujuan untuk mengetahui distribusi dari peubah-peubah bebas
dalam model regresi apakah berdistribusi normal atau tidak. Hasil pengolahan
dengan SPSS 20.0. diperoleh diagram pencar seperti gambar dibawah ini.

Gambar 4.2.1 Plot P-P Dalam Pengujian Asumsi Kenormalan

2. Uji Asumsi Homokedastis

Untuk menguji asumsi ini dapat dilakukan dahulu pendeteksian dengan melihat
plot antara nilai sisa dengan nilai taksiran , jika plot membentuk pola tertentu
maka asumsi tidak terpenuhi (Gujarati, 1978). Ouput hasil pengolahan dengan
SPSS 20 diperoleh scatter plot sepeerti pada gambar 4.2.2 dibawah ini. Sumbu
X adalah nilai Y yang telah diprediksi, dan sumbu Y adalah nilai residual yang
telah dibakukan.

Gambar 4.2.2 Plot P-P Dalam Pengujian Asumsi Kenormalan

Dari gambar diatas mengindikasikan terjadinya pola tertentu dari plot sehingga
asumsi homoskedastis terlanggar.
3. Uji Asumsi Non-Autokorelasi
Menurut Gujarati (1978), masalah auotkorelasi dapat dideteksi melalui
pendekatan uji durbin watson. Dari output hasil pengolahan(Lampiran) dengan
SPSS 20 diperoleh nilai statistik d durbin watson 1,97. Sedangkan nilai tabel
durbin watson dengan tingkat signnifikansi 0,05 (n=33, k=2) diperoleh dl
sebesar 1,114 dan du sebesar 1,358.

Maka dapat disimpulkan tidak ada

autokorelasi.
4. Uji Asumsi Tidak Ada Multikolinieritas
Pengujian tidak ada multikolinieritas dilakukan dengan melihat besarnya nilai
VIF. Pada umumnya, jika VIF nilainya lebih besar dari 5 berarti peubah tersebut
memiliki masalah multikolineritas. Adapun nilai VIF hasil pengolahan SPSS 20

dari kedua faktor dalam penelitian ini adalah sebesar sama dengan 1. Dengan
demikian peubah peubah yang digunakan dalam analisis ini tidak mengalami
analisis multikolineritas.
Berdasarkan output hasil pengolahan SPSS 20.0 diperoleh model persamaan
regresi sebagai berikut:
Y =1,153 X 1013 +5,639 X 10 12 Z 1 +7,774 X 1012 Z 2
Dimana :
Z1 = faktor potensi SDM dan pemodalan dalam negeri.
Z2 = keuangan daerah dan investasi asing
Untuk mengetahui kelayakan dari model yang terbentuk, maka dilakukan
pengujian terhadap model diantaranya dilakukan uji sebagai berikut ;
1. Uji Simultan
Uji ini digunakan untuk mengetahu apakah kedua faktor dalam model secara
bersama-sama memberi pengaruh yang signifikan terhadap pendapatan asli
daerah. Hasil pengolahan dengan SPSS 20 diperoleh nilai uji pada tabel berikut :
Tabel 4.2.6. Uji Simultan
ANOVAa
Model
Regression

Residual

Total

Sum of Squares df
2951753442081

Mean Square
F
1475876721040

Sig.

9930000000000 2

9964000000000 29.238

.000b

00.000
1514316528519

00.000
5047721761730

2953000000000 30

9840000000000

00.000
4466069970601

.000

2880000000000 32

00.000
a. Dependent Variable: ABS_res
b. Predictors: (Constant), REGR factor score 2 for analysis 6, REGR factor score 1 for analysis

Berdasarkan tabel diatas, nilai p-value jauh dibawah nilai signifikan maka
dapat disimpulkan bahwa kedua faktor dalam model yang dibentuk secara
simultan memberi pengrauh yang signifikan terhadap pendapatan asli daerah.

2. Uji Parsial (uji t)

Uji ini digunakan untuk mengetahui apakah kedua faktor secara parsial
memberikan pengaruh yang signifikan terhadap pendapatan asli daerah. Hasil
pengolahan dengan SPSS 20 diperoleh nilai uji pada tabel
Tabel 4.2.7. Uji Parsial
Model

Unstandardized

Coefficientsa
Standar T
Sig.

Coefficients

dized

Correlations

Collinearity
Statistics

Coeffici
Std.

115276

Error
123677

787339

510286

REGR

89.201
factor 563933

6.320
125595

score

1 for 608506

105419

analysis 6
2.505
REGR factor 777432

7.946
125595

score

105419

(Constant)

ents
Beta

2 for 849735

analysis 6
4.235
7.946
a. Dependent Variable: ABS_res

9.32
1

.477

.658

4.49
0
6.19
0

Zero-

Parti

Part

Toler

order

al

.000

.477

.634

.477

1.000

.000

.658

.749

.658

1.000

VIF

ance

.000

1.00
0
1.00
0

Berdasarkan tabel di atas diperoleh masing-masing p-value sebesar o,ooo. Nilai

tersebut jauh di bawah signifikansi 0,05 maka dapat disimpulkan kedua faktor
yang diperoleh secara parsial memberi pengaruh signifikan terhadap Pendapatan
Asli Daerah.
3. Koefisiensi Determinasi (R2)
Persamaan regresi linier berganda yang diperoleh menghasilkan R2 sebesar
0,661 dan Adjusted R Square 0,638. Hal ini berarti keragaman variabel
Pendapatan Ali Daerah yang dapat dijelaskan oleh kedua faktor yang
dimasukkan dalam model sebagai 63,8%. Dengan demikian, dapat dikatakan
model yang terbentuk layak digunakan utuk menentukan faktor yang
memengaruhi Pendapatan Asli Daerah.
Tabel 4.2.8. Uji Simultan
Model Summaryb

Model

R Square

Adjusted
Square

.813a

.661

.638

R Std. Error of the Durbin-Watson

Estimate
7104732058094
.08700

1.973

a. Predictors: (Constant), REGR factor score 2 for analysis 6, REGR factor score 1 for analysis 6
b. Dependent Variable: ABS_res

LAMPIRAN
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy.
Approx. Chi-Square
Bartlett's Test of Sphericity
Df
Sig.

.679
289.492
36
.000

Anti-image Matrices
Jumlah PDRB Pengel Inflasi

Pajak_ DAU PDRB_

_pdd

daerah

uaran_

Investasi Investasi

pertanian _PMA

_PMDN

pemeri
ntah
Jumlah_pdd

.034

-.018

-.020

.031

.026

PDRB
Pengeluaran_

-.018

.017

.004

-.030

-.025

-.020

.004

.183

-.046

-.025

Inflasi

.031

-.030

-.046

.929

.050

Pajak_daerah
DAU
PDRB_pertani

.026
-.038

-.025
.006

-.025
-.001

.050
-.001

.042
.002

-.066

.036

.047

-.070

-.063

-.002

-.019

-.077

.057

.032

-.008

-.015

.108

.006

.000

Jumlah_pdd

.651a

-.729

-.257

.173

.683

PDRB
Pengeluaran_

-.729

.643a

.074

-.232

-.934

-.257

.074

.801a

-.111

-.287

Inflasi

.173

-.232

-.111

.101a

.253

Pajak_daerah

.683

-.934

-.287

.253

.486a

DAU

-.527

.125

-.008

-.002

.021

-.638

.490

.197

-.129

-.548

-.031

-.359

-.436

.143

.385

-.082
-.211
N
a. Measures of Sampling Adequacy(MSA)

.468

.011

-.004

pemerintah
Anti-image
Covariance

an
Investasi_PMA
Investasi_PMD
N

pemerintah
Anti-image
Correlation

PDRB_pertani
an
Investasi_PMA
Investasi_PMD

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy.
Bartlett's Test of Sphericity
Approx. Chi-Square
df

.694
290.830
28

-.03
8
.006
-.00
1
-.00
1
.002
.151
-.00
9
.014
-.04
9
-.52
7
.125
-.00
8
-.00
2
.021
.
865a
-.03
9
.087
-.23
2

-.066

-.002

-.008

.036

-.019

-.015

.047

-.077

.108

-.070

.057

.006

-.063
-.009

.032
.014

.000
-.049

.317

.047

.052

.047

.170

.009

.052

.009

.292

-.638

-.031

-.082

.490

-.359

-.211

.197

-.436

.468

-.129

.143

.011

-.548

.385

-.004

-.039

.087

-.232

.389a

.204

.171

.204

.819a

.039

.171

.039

.853a

Sig.

.000

Anti-image Matrices
Jumlah

PDR

Pengelu

Pajak_d

_pdd

aran_pe

aerah

DAU

PDRB_p Investasi Investasi

ertanian

_PMA

_PMDN

merintah
Jumlah_pdd
PDRB
Pengeluaran_p

.035
-.018

-.018
.018

-.019
.003

.026
-.027

-.039
.007

-.067
.037

-.004
-.019

-.009
-.016

-.019

.003

.185

-.024

-.001

.045

-.076

.110

.026
-.039

-.027
.007

-.024
-.001

.045
.002

.002
.151

-.064
-.009

.032
.014

-.001
-.049

-.067

.037

.045

-.064

-.009

.322

.054

.053

-.004

-.019

-.076

.032

.014

.054

.173

.008

-.009

-.016

.110

-.001

-.049

.053

.008

.292

.660a

-.719

-.243

.671

-.535

-.630

-.057

-.085

-.719

.656

.049

-.930

.128

.477

-.338

-.214

-.243

.049

.811a

-.270

-.008

.185

-.427

.472

.671
-.535

-.930
.128

-.270
-.008

.502a
.022

.022
.862a

-.537
-.040

.365
.088

-.007
-.232

-.630

.477

.185

-.537

-.040

.399a

.227

.174

-.057

-.338

-.427

.365

.088

.227

.832a

.038

-.085
-.214
N
a. Measures of Sampling Adequacy(MSA)

.472

-.007

-.232

.174

.038

.851a

Anti-image
Covariance

emerintah
Pajak_daerah
DAU
PDRB_pertania
n
Investasi_PMA
Investasi_PMD
N
Jumlah_pdd
PDRB
Pengeluaran_p

Anti-image
Correlation

emerintah
Pajak_daerah
DAU
PDRB_pertania
n
Investasi_PMA
Investasi_PMD

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy.
Approx. Chi-Square
Bartlett's Test of Sphericity
Df
Sig.

.719
261.581
21
.000

Anti-image Matrices
Jumlah_

PDRB Pengelua

pdd

Pajak_da

DAU

ran_peme erah

Investasi_ Investasi_
PMA

PMDN

rintah
Anti-image

Jumlah_pdd

.057

-.023

-.017

.030

-.067

.012

.004

Covariance

PDRB
Pengeluaran_pe

-.023

.024

-.003

-.035

.010

-.034

-.029

-.017

-.003

.191

-.022

.000

-.092

.109

.030

-.035

-.022

.063

6.048E-

.063

.014

merintah
Pajak_daerah

005

-.067

.010

.000

Investasi_PMA
Investasi_PMDN
Jumlah_pdd

.012
.004
.722a

-.034
-.029
-.613

PDRB
Pengeluaran_pe

-.613

6.048E-

.151

.017

-.049

-.092
.109
-.165

005
.063
.014
.508

.017
-.049
-.721

.183
.000
.113

.000
.301
.033

.674a

-.045

-.909

.168

-.522

-.344

-.165
-.045
merintah
Correlation
Pajak_daerah
.508
-.909
DAU
-.721
.168
Investasi_PMA
.113
-.522
Investasi_PMDN
.033
-.344
a. Measures of Sampling Adequacy(MSA)
Communalities
Initial
Jumlah_pdd
1.000
PDRB
1.000
Pengeluaran_pemerintah
1.000
Pajak_daerah
1.000
DAU
1.000
Investasi_PMA
1.000
Investasi_PMDN
1.000
.645
Extraction Method: Principal Component Analysis.

.826a

-.205

-.001

-.490

.454

-.205
-.001
-.490
.454

.545a
.001
.592
.104

.001
.768a
.100
-.229

.592
.100
.734a
-.002

.104
-.229
-.002
.836a

Anti-image

DAU

Extraction
.943
.962
.790
.847
.920
.694

Total Variance Explained

Compo

Initial Eigenvalues

Extraction Sums of Squared

nent

Rotation Sums of Squared Loadings

Loadings
Total

% of

Cumulati

Total

% of

Cumulativ

Total

% of

Cumulativ

Variance

ve %

Variance

e%

Variance

e%

4.728

67.548

67.548

4.728

67.548

67.548

2.909

41.555

41.555

1.073

15.333

82.881

1.073

15.333

82.881

2.893

41.327

82.881

.723

10.322

93.204

.283

4.048

97.251

.113

1.615

98.866

.064

.916

99.782

.015

.218

100.000

Extraction Method: Principal Component Analysis.

Component Matrixa

Jumlah_pdd
PDRB
Pengeluaran_pemerintah
Pajak_daerah
DAU
Investasi_PMA
Investasi_PMDN

Component
1
2
.918
-.317
.950
.242
.827
.327
.698
.600
.742
-.608
.832
.038
.754
-.277

Extraction Method: Principal Component Analysis.

a. 2 components extracted.
Rotated Component Matrixa
Component
1
2
Jumlah_pdd
.874
.423
PDRB
.503
.842
Pengeluaran_pemerintah
.355
.815
Pajak_daerah
.072
.918
DAU
.955
.093
Investasi_PMA
.563
.614
Investasi_PMDN
.730
.336
Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization.
a. Rotation converged in 3 iterations.

Coefficientsa
Model

Unstandardized

Standardi

Coefficients

zed

Sig.

Correlations

Collinearity
Statistics

Coefficie
nts

(Constant)

Std. Error

1152767

1236775

8733989. 102866.3
201

factor 5639336

score

1 for 085062.5 054197.9

analysis 6
05
REGR
factor 7774328

Partia

order

Part

Tolera

VIF

nce

9.321

.000

.477

4.490

.000

.477

.634

.477

1.000

1.000

.658

6.190

.000

.658

.749

.658

1.000

1.000

1255951
46
1255951

2 for 497354.2 054197.9

analysis 6
35
a. Dependent Variable: ABS_res

Zero-

20

REGR

score

Beta

46

DAFTAR PUSTAKA
Lee, Robert D and Ronald W Johnson, 1998, Public Budgeting System 6th
Edition. AN Asper Publication Gaithering Maryland.
Sadono Sukirno, 2009, Makroekonomi Modern, PT. Raja Grafindo, Jakarta
Republik Indonesia, 2004. Undang-undang Nomor 33 Tahun 2004 tentang
Perimbangan Keuangan antara Pemerintah Pusat dan Daerah.
Badan Pusat Statistik, 2014, Aceh Dalam Angka Tahun 2014, (berbagai provinsi
penerbitan), BPS Republik Indonesia.