BAB I PENDAHULUAN 1.

Latar Belakang Krisis ekonomi dan kepercayaan yang dialami bangsa Indonesia telah membuka jalan bagi munculnya reformasi total di seluruh aspek kehidupan masyarakat. Era reformasi memberikan peluang bagi perubahan paradigma pembangunan nasional dari paradigma pertumbuhan menuju paradigma pemerataan pembangunan secara lebih adil dan berimbang. Perubahan paradigma ini antara lain diwujudkan melalui kebijakan otonomi daerah dan perimbangan keuangan pusat dan daerah yang diatur dalam paket undang-undang yaitu UU No. 22 Tahun 1999 tentang Pemerintahan Daerah dan UU No. 25 Tahun 1999 tentang Perimbangan Keuangan Antara Pemerintah Pusat dan Daerah Dalam rangka pelaksanaan . otonomi daerah dan desentralisasi fiskal, pemerintah daerah diberi keleluasaan untuk mengelola dan memanfaatkan sumber penerimaan daerah yang dimilikinya sesuai dengan aspirasi masyarakat daerah guna mendorong proses pembangunan daerah dan pertumbuhan ekonomi daerah. Anggaran Pendapatan dan Belanja Daerah (APBD) sebagai alat kebijakan fiskal pemerintah digunakan untuk menstabilkan ekonomi dan mendorong pertumbuhan ekonomi. APBD merupakan rencana kerja pemerintah daerah dinyatakan dalam satuan moneter (rupiah) dalam satu periode tertentu (satu tahun). Melalui APBD dapat diketahui arah kebijakan fiskal pemerintah, sehingga dapat dilakukan prediksi-prediksi dan estimasi ekonomi. Selain itu, APBD digunakan sebagai alat untuk menentukan besar pendapatan dan pengeluaran, membantu pengambilan keputusan dan perencanaan pembangunan (Mardiasmo,2002: 9). Berdasarkan uraian tersebut diatas, penulis tertarik untuk melakukan penelitian tentang keterkaitan antara realisasi penerimaan daerah dan realisasi penerimaan pajak terhadap realisasi pengeluaran daerah. Untuk selanjutnya penelitian mungkin dapat
digunakan sebagai acuan untuk meningkatkan efisiensi penerimaan daerah guna membiayai pengeluaran daerah.

2. Rumusan Masalah Berdasarkan latar belakang masalah yang telah dikemukakan di atas maka rumusan permasalahannya adalah 1. Apakah penerimaan daerah dan penerimaan pajak berpengaruh secara signifikan terhadap pengeluaran daerah ? 2. Bagaimana hubungan korelasi antara variabel predictor dan respon? 3. Model apakah yang cocok untuk memprediksi pengeluaran daerah berdasarkan kedua faktor tersebut?

3. Tujuan Penelitian Penelitian ini ditujukan untuk memperoleh informasi tentang seberapa besar pengaruh penerimaan daerah dan penerimaan pajak terhadap pengeluaran daerah. Diharapkan nantinya hasil penelitian ini dapat digunakan sebagai acuan meningkatkan efisiensi penerimaan daerah guna membiayai pengeluaran daerah. untuk

BAB II LANDASAN TEORI

I. Analisis Data Analisis data yang digunakan adalah: Analisis kuantitatif Analisis kuantitatif adalah metode analisis data dengan menggunakan angka-angka yang didapat dari pengolahan data melalui rumus yang tepat. Ada dua variabel bebas (X) dalam penelitian ini yakni: a. Realisasi penerimaan daerah (X1) b. Realisasi penerimaan pajak (X2) Sedangkan, realisasi pengeluaran daerah merupakan variable dependent (Y).

Hubungan sebuah variabel dependent dengan lebih dari satu variabel independent disebut analisis regresi linier berganda ( multiple linear regression ). Bentuk hubungan regresi linear berganda diilustrasikan dalam bagan berikut:
Y1 Y2
. . .

X11 X12 X11 X12 . .

. .

. .

. .

X 1k X 1k

Yn

. Xn1 Xn2 . . . Xnk

Analisis regresi linear berganda adalah suatu metode statistik umum yang digunakan untuk meneliti hubungan antara sebuah variabel dependent dengan dengan beberapa variabel independen. Tujuan dari analisis regresi berganda adalah menggunakan nilai-nilai variabel independent yang diketahui, untuk meramalkan nilai variabel dependent. II. 1. 1. Analisis Regresi Linier Berganda Jika suatu variabel dependent bergantung pada lebih dari satu variabel independent, hubungan antara kedua variabel disebut dengan analisis regresi linier berganda ( multiple regression ). Misalnya, pada tingkat penjualan produk sebagai fungsi dari promosi, pelayanan dan harga produk; gaji sekarang merupakan fungsi dari gaji mula -mula, tingkat pendidikan, posisi pekerjaan dan pengalaman kerja. Adapun secara matematis analisis regeresi linier berganda adalah:

Y = Fo + F1X1+ F2 X2+.+ F k X k +

Dengan:
F1, F2 adalah Koefisien berganda

X1 , X2 adalah Variable Independent

I Adalah suatu variabel random yang berdistribusi normal dengan nilai rata-rata nol ( ratarata ) dan memiliki variansi V .

II. 1. 2. Pengujian Kelinieran Model Pengujian ini digunakan untuk mengetahui apakah ada hubungan linier antara variabel dependent ( Y ) dengan variabel Independent X1 , X2 , , Xk. Hipotesis yang digunakan adalah : a. Menetapkan hipotesisnya H0: F1= F2 = 0 (tidak ada hubungan antara variabel X dan variabel Y) H1: F1 { F2 { 0 ( terdapat ada hubungan antara variabel X dan Y ) b. Menentukan level of significance : 95 % ( E =0,05 ). c. Kriteria Pengujian H0 diterima jika F hitung < F E/2 df ; (n-k-1)

H0 ditolak jika F hitung > F E/2 df ; (n-k-1) d. Perhitungan dan analisa nilai F e. Kesimpulan dengan membandingkan nilai F tabel dengan F hitung. Nilai F merupakan sebuah nilai statistik F dengan derajat bebas k-2 dan n-k bila QK bahwa regresinya linier. Bila kita melakukan perhitungan software SPSS, maka pengambilan kesimpulannya sebagai berikut: Kalau : Nilai sig. < E Tolak H0 Nilai Sig. u E H0 tidak ditolak.
| x

jatuh

pada sebuah garis lurus. Ini berarti statistik itu dapat digunakan untuk menguji hipotesis H0

II. 1. 3. Hipotesis dan Pengujian Koefisien Regresi Parsial Menguji ada tidaknya hubungan linier antara variabel independent terhadapa variabel dependent, perlu dirumuskan terlebih dahulu. Sebab hal ini merupakan bagian terpenting dalam analisa regresi. Adapun hipotesinya sebagai berikut: a. Menetapkan hipotesisnya H0: Fi
=

0 (tidak ada hubungan antara variabel X dengan variabel Y )

H1: Fi { 0 (ada hubungan antara variabel X dengan variabel Y ) b. Menentukan level of signifikan : 95 % (E= 0,05 ) c. Kriteria pengujian H0 diterima jika -t E/2; (n-k-1) < t hitung < t E/2; (n-k-1) H0 k jika t hitung > t E/2; (n-k-1) atau t hitung < - t E/2; (n-k-1) d. Perhitungan dan analisa nilai t e. Kesimpulan dengan membandingkan nilai t-tabel dengan t-hitung. Bila kita melakukan pengujian menggunakan SPSS maka pengambilan kesimpulannya sebagai berikut: Kalau : Nilai sig. < E Tolak H0 Nilai Sig. u E H0 tidak ditolak.

II. 1. 4. Kriteria Statistik Untuk memperoleh model regresi yang terbaik, dalam arti secara statistic adalah BLUE ( Best Liniear Unbiased Estimator ), maka model regresi yang diajukan harus memenuhi kriteria sebagai berikut: II. 1. 4.1. Uji R2 Nilai R2 mempunyai interval antara 0 sampai 1 ( 0 R2 1). Semakin besar R2 (

mendekati 1 ). Semakin baik hasil untuk model regresi tersebut dan semakin mendekati 0, maka variabel independent secara keseluruhan tidak dapat menjelaskan variabel dependen. Untuk memperoleh R2 digunakan rumus:

R2= 7 (Y*7 (Y -

)2/k )2/k

= Jumlah kuadrat regresi Jumlah Kuadrat Total

Dengan : Y = nilai pengamatan Y* = nilai Y yang ditaksir dengan model regresi = nilai rata-rata pengamatan K = jumlah variabel independent

II. 1. 4.2. Uji F Uji F dilakukan untuk melihat pengaruh variabel-variabel independent secara keseluruhan terhadap variabel dependen. Pengujian ini dilakukan dengan membandingkan nilai F hitung dengan F tabel Untuk memperoleh nilai F hitung dipakai rumus berikut: F = R 2/ K (1-R2 ) / (n -k-1 ) Keterangan : R2 k n = Koefisien korelasi ganda = banyaknya variabel independent = ukuran / jumlah sampel

II. 1. 4.3. Uji t

Uji t dipakai untuk melihat signifikansi dari pengaruh independen secara individu terhadap variabel dependen dengan menganggap variabel lain bersifat konstan. Uji ini dilakukan dengan membandingkan t hitung dengan t tabel . Untuk memperoleh t hitung dipakai rumus sebagai berikut: t=bi Sbi Keterangan : b i: : koefisien b 1, b 2 S : standart deviasi II. 1. 5. Pengujian Model Setelah model kita peroleh, maka kita harus menguji model tersebut sudah termasuk BLUE ( Best Linier Unbiased Estimator ) atau tidak. Suatu model dikatakan BLUE bila memenuhi persyaratan sebagai berikut: II. 1. 5.1. Linieritas Untuk menguji linieritas hubungan 2 variabel maka kita harus membuat diagram pencar ( Scatter Plot ) antara 2 variabel tersebut. Dari sini bisa terlihat apakah titk-titik data membentuk pola linier atau tidak. Ada satu metode lagi yang dapat menguji kelinieran model yang terbentuk, yaitu membuat plot residual terhadapa harga-harga prediksi. Jika grafik antara harga-harga prediksi dan harga-harga residual tidak membentuk suatu pola tertentu ( parabola, kubik dan sebagainya ) maka asumsi linieritas terpenuhi. Jika asumsi linieritas terpenuhi, maka residual-residual akan didistribusikan secara random dan akan terkumpul di sekitar garis lurus melalui titik 0. II. 1. 5.2. Homokedastisitas (kesamaan varian) Heterokedastisitas Keadaan heterokedastisitas adalah lawan dari homokedastisitas. Dalam uji heterokedasitas, pengujian yang dilakukan adalah dengan uji park. Park menyarankan penggunaan e12 sebagai pendekatan dan
i 2

melakukan regresi sebagai berikut :

Ln e12 = ln = Dengan : +

+ ln Xi + vi ln Xi + vi

vi = unsur gangguan yang stokastik Jika ternyata signifikan secara statistik, maka dikatakan bahwa dalam data tersebut

terjadi heterokedasitas, dan apabila tidak signifikan, maka dikatakan data tersebut terjadi homokedastisitas. Disamping cara diatas, ada satu metode visual untuk membuktikan kesamaan varian ( homokedastisitas ) yaitu dengan melihat penyebaran nilai-nilai residual terhadap nilai-nilai prediksi. Jika penyebarannya tidak membentuk suatu pola tertentu seperti meningkat atau menurun, maka keadaan homokedastisitas terpenuhi, bila tidak, maka harus mempertanyakan asumsi varian konstan dari Y terhadap nlai-nilai X.

II. 1. 5.3. NonAutokorelasi Autokorelasi Untuk mendeteksi ada tidaknya autokorelasi maka dilakukan pengujian Durbin-Watson (DW). Harga yang mungkin untuk statistik d ini adalah antara 0 dan 4. Untuk mengetahui ada tidaknya autokorelasi dengan ketentuan sebagai berikut: a. du < d < 4-du tidak ada autokorelasi. Jika nilai Durbin Watson mendekati 2 maka

residualnya tidak berkorelasi satu sama lain. b. d < dL atau 4-du < d < 4-dL tidak dapat disimpulkan. c. d < dL atau d > du terjadi autokorelasi.

II. 1. 5.4. NonMultikolinieritas Multikolinieritas Multikolinearitas berarti ada hubungan linier yang sempurna ( pasti ) di antara beberapa atau semua variabel independen dari model regresi. Adapun cara pendeteksiannya adalah jika

multikolinearitas tinggi, seseorang mungkin memperoleh R2 yang tinggi tetapi tidak satu pun atau sangat sedikit koefisien yang ditaksir signifikan secara statistik. Selain itu, variabel variabel predictor diduga ada multikolinieritas apabila eigenvaluenya mendekati nol atau VIF > 5. II. 1. 5.5. Normalitas Salah satu cara mengecek normalitas adalah dengan plot Probabilitas Normal. Melalui plot ini, masing-masing nilai pengamatan dipasangkan dengan nilai harapan dari distribusi normal, dan apabila titik-titik (data) terkumpul disekitar garis lurus. Selain plot normal ada satu plot lagi untuk menguji normalitas, yaitu Detrend Normal Plot. Jika sample berasal dari populasi normal, maka titik-titik tersebut seharusnya terkumpul di sekitar garis lurus yang melalui 0 dan tidak memiliki pola. Meskipun Plot probabilitas menyediakan dasar yang nyata untuk memeriksa kenormalan, uji hipotesis juga sangat diperlukan. Dua buah uji yang sering digunakan adalah uji Shapiro-Wilks dan uji Lillifors.

Hipotesis : H0: Sampel ditarik dari populasi dengan distribusi tertentu H1: Sampel ditarik bukan dari populasi dengan distribusi tertentu. Jika : Nilai sig. < E Tolak H0 Nilai Sig. > E H0 tidak ditolak. Untuk jumlah sampel dengan ukuran besar, kebanyakan uji goodness-of-fit menghasilkan keputusan menolak H0, jadi hampir tidak mungkin mendapatkan data yang benar-benar berdistribusi normal. Pada kebanyakan uji statistic, cukup diperoleh data yang berdistribusi mendekati normal. Sehingga untuk sampel berukuran besar, seharusnya tidak hanya melihat taraf signifikansi yang dihasilkan saja, tetapi juga keberangkatan ( asal ) data dari normalitas. Untuk Uji keberangkatan ( asal ) data dari normalitas digunakan uji sampel

kolmogorov Smirnov sebab metode ini dirancang untuk menguji keselarasan pada data yang kontinyu. Oleh karena itu, skala pengukuran yang dipakai minimal ordinal. Uji 1 sampel Kolmogorov Smirnov digunakan untuk menentukan seberapa baik sebuah sample random data menjajaki distribusi teoritis tertentu ( normal, uniform, poisson, eksponensial ). Uji ini didasarkan pada perbandingan fungsi distribusi kumulatif sample dengan fungsi distribusi kumulatif hypothesis. Tujuan dari uji 1 sampel Kolmogorov Smirnov adalah untuk memastikan apakah kita dapat berkesimpulan bahwa F(x) = F0(x) untuk semua x cocok dengan fungsi distribusi sample { S (x) } yang teramati atau fungsi distribusi empiris. Hipotesis : H0 : Sampel ditarik dari populasi dengan distribusi tertentu H1 : Sampel ditarik bukan dari populasi denga distribusi tertentu. Kalau : Nilai taraf signifikansi < E Tolak H0 Nilai taraf signifikansi > E H0 tidak ditolak.

II. 1. 6. Pemilihan Variabel Untuk memilih variabel agar mendapatkan model terbaik, dapat menggunakan tiga metode : 1. Metode Forward 2. Metode Backword 3. Metode Stepwise

BAB III HASIL DAN PEMBAHASAN I. Deskripsi Data Berdasarkan hasil penelitian yang telah kami lakukan dengan mengambil data realisasi penerimaan daerah, penerimaan pajak daerah dan pengeluaran daerah se-Jawa Tengah tahun 2003 yang berasal dari BPS Provinsi Jawa Tengah, maka didapat hasil sebagai berikut:

Kabupaten/Kota Kab. Cilacap Kab. Banyumas Kab. Purbalingga Kab. Banjarnegara Kab. Kebumen Kab. Purworejo Kab. Wonosobo Kab. Magelang Kab. Boyolali Kab. Klaten Kab. Sukoharjo Kab. Wonogiri Kab. Karanganyar Kab. Sragen Kab. Grobogan Kab. Blora Kab. Rembang Kab. Pati Kab. Kudus Kab. Jepara Kab. Demak Kab. Semarang Kab. Temanggung Kab. Kendal Kab. Batang Kab. Pekalongan Kab. Pemalang Kab. Tegal Kab. Brebes Kota Magelang Kota Surakarta Kota Salatiga Kota Semarang Kota Pekalongan Kota Tegal

Realisasi Pengeluaran Daerah (Y) 545722.0 471803.0 350142.0 316761.0 431376.0 374020.0 352361.0 390323.0 430750.0 483855.0 336907.0 403593.0 348659.0 390467.0 344866.0 403971.0 265460.0 419773.0 330809.0 370344.0 327643.0 357770.0 294674.0 407490.0 296802.0 304569.0 408865.0 422813.0 458170.0 178913.0 351968.0 110040.0 621670.0 107177.0 218967.0

Realisasi Penerimaan Daerah (X1) 570554.0 478004.0 374540.0 336002.0 413250.0 362723.0 391881.0 383146.0 389247.0 536435.0 338998.0 404098.0 357224.0 405554.0 439831.0 367896.0 252361.0 417563.0 340091.0 359872.0 309846.0 363288.0 291372.0 449116.0 279676.0 293063.0 430201.0 401978.0 457563.0 178643.0 356484.0 163267.0 637999.0 172742.0 245420.0

Realisasi Penerimaan Pajak (X2) 24269.0 12881.0 4415.0 4451.0 7323.0 4129.0 3560.0 14465.0 5821.0 8605.0 9316.0 5008.0 10008.0 4934.0 5623.0 4368.0 3989.0 7266.0 9536.0 8682.0 4774.0 10952.0 3935.0 9557.0 4132.0 5371.0 5250.0 7989.0 8240.0 3318.0 24657.0 3463.0 82476.0 4725.0 4986.0

I.

Prosedur Pengolahan Data Data diolah dengan menggunakan program SPSS. Seperti biasa, terlebih dahulu kami

menginputkannya ke dalam data view. Lalu memasukkan nilai dari data tersebut sesuai dengan variabel-variabel yang dimaksud. Selanjutnya diolah sedemikian sehingga

menghasilkan ouput yang diinginkan lalu menganalisisnya.

II. Hasil (Output terlampir)

III. Analisis
y

Uji Normalitas

P-P Plots Dari grafik Normal P-P Plot of Regression Standardized Residual yang ditampilkan pada output terlihat bahwa titik-titik data tersebar di sekitar garis lurus dan mengikuti pola garis lurus, jadi dapat diasumsi bahwa kenormalan terpenuhi.

y Uji Linieritas

Dari grafik Scatter Plot yang ditampilkan terlihat bahwa titik-titik data tersebar dan tidak membentuk pola tertentu ( parabola, kubik dan sebagainya ). Maka dapat diasumsi bahwa linieritas dari data populasi tersebut terpenuhi.

Persamaan Regresi

Y = - 3061,047 + 0,984X1 - 0,017X2

Uji Determinasi ( R2 )

R2 = 0,926 = 92,6 % Artinya variabel penerimaan daerah dan penerimaan pajak mempengaruhi variable pengeluaran daerah sebesar 92,6 %. Sementara 7,4 % lagi dipengaruhi oleh variabel yang lain.
y

Uji-F

Hipotesis :

H0 : F1= F2 = F3 = 0 H1 : Fi { 0 , i = 0,1,2 Statistik Uji Kriteria Uji Keputusan Kesimpulan

( Model Regresi Linier Berganda tidak cocok untuk digunakan ) ( Model Regresi Linier Berganda cocok untuk digunakan )

: Pengujian dilakukan dengan melihat nilai Sig-F pada tabel ANOVA : Sig-F < (E)= 0,05 H0 ditolak : Sig-F = 0,000 maka Sig-F < (E) = 0,05 maka H0 ditolak : Model Regresi Linier Berganda yakni Y = - 3061,047 + 0,984X1 - 0,017X2

cocok untuk digunakan.

y y

Uji t

Uji-t terhadap F1 Hipotesis : H0 : F1= 0 ( Koefisien variabel penerimaan daerah tidak signifikan ) H1 : F1 {0 ( Koefisien variabel penerimaan daerah signifikan ) Statistik Uji : Pengujian dilakukan dengan melihat nilai Sig-t pada table Coefficients Kriteria Uji : Sig-t < (E)= 0,05 H0 ditolak Keputusan : Sig-t = 0,000 maka Sig-t < E, jadi H0 ditolak Kesimpulan : Koefisien variabel penerimaan daerah signifikan

Uji-t terhadap Hipotesis :

H0 : F2= 0 ( Koefisien variabel penerimaan pajak tidak signifikan) H1: F2 {0 ( Koefisien variabel penerimaan pajak signifikan) Statistik Uji: Pengujian dilakukan dengan melihat nilai Sig-t pada table Coefficients Kriteria Uji : Sig-t < (E)= 0,05 H0 ditolak Keputusan : Sig-t = 0,970 maka Sig-t > E, jadi H0 diterima Kesimpulan : Koefisien variabel penerimaan pajak tidak signifikan
y

Non Autokorelasi maka residualnya tidak berkorelasi satu sama lain. Sehingga, asumsi NonAutokorelasi diterima.

Kriteria Uji : Jika nilai Durbin Watson yang ditampilkan mendekati 2 ( du< d < 4-du )

Keputusan

: Durbin Watson (DW) = 2,233 sehingga dapat diasumsi bahwa nilai tersebut

mendekati 2 ( du< d < 4-du ) maka residualnya tidak berkorelasi satu sama lain. Kesimpulan : Non-autokorelasi terpenuhi

Non Multikolinieritas

Karena nilai VIF = 1,505 maka menurut metode pegujian non-multikolinieritas , dapat disimpulkan bahwa tidak terjadi multikolinieritas karena nilai VIF = 1,505 < 5

Homokedastisitas( Kesamaan Varian ) Pengujian kesamaan varian pada data yang dianalisa dapat dilakukan dengan melihat

grafik Scatter Plot. Dimana karena titik-titik data yang ditampilkan tidak membentuk pola tertentu dan bersifat menyebar maka keadaan homokedastisitas terpenuhi, atau dengan kata lain tidak terjadi heterokedastisitas.

BAB IV PENUTUP

I.

KESIMPULAN Dari analisis output yang telah dilakukan dapat disimpulkan bahwa data yang

ditampilkan berasal dari populasi yang berdistribusi normal dan bersifat linier. Semua uji asumsi terpenuhi untuk model Y = - 3061,047 + 0,984X1 - 0,017X2 . Model tersebut cocok untuk digunakan. Namun, untuk variabel X2 koefisiennya tidak signifikan sehingga diperoleh model akhir Y = - 3061,047 + 0,984X1. II. DAFTAR PUSTAKA
Tarno. 2005. Modul Praktikum Analisis Regresi. Universitas Diponegoro : Semarang.