HASIL PENELITIAN DAN PEMBAHASAN
4.2 Analisis Data
4.2.1 Analisis Deskriptif
Berdasarkan pengujian yang dilakukan, maka dapat dilihat deskripsi variabel penelitian yang meliputi jumlah sampel penelitian, nilai tertinggi (maximum), nilai terendah (minimum), nilai rata-rata (mean), dan nilai standard
deviation pada tabel 4.1 dibawah ini:
Tabel 4.1
Descriptive Statistics
N Minimum Maximum Mean Std. Deviation
Coupon 71 6.150 13.000 8.94000 1.700704
Jatuh_Tempo 71 1 10 3.58 2.176
Likuiditas 71 1 2688 574.99 646.414
Harga 71 .0002 .1450 .016111 .0217837
Valid N (listwise) 71
Sumber: Hasil Penelitian, 2016 (Data Diolah)
Berdasarkan Tabel 4.1 diatas dapat dijelaskan sebagai berikut: 1. Coupon (Bunga Obligasi)
Bunga Obligasi adalah pendapatan suku bunga yang akan diterima oleh pemegang obligasi sesuai perjanjian dengan penerbit obligasi tersebut dan biasanya pembayaran kupon tersebut dilakukan secara periode tertentu. Dalam penelitian ini, bunga obligasi diukur dengan menggunakan kupon yang diberikan oleh emiten obligasi selama periode 2012-2014.
Dari hasil perhitungan yang dilakukan, jumlah sampel (N) sebanyak 71, nilai Coupon tertinggi adalah 13% (Obligasi PT Sumber Alfaria Trijaya tahun
Indonesia Tahun 2013), nilai rata-rata Coupon adalah 8.94% serta nilai standart
deviation sebesar 1.700704.
2. Waktu Jatuh Tempo
Waktu Jatuh Tempo adalah menunjukkan umur obligasi. Dalam penelitian ini waktu jatuh tempo diukur dari jangka waktu jatuh tempo obligasi selama periode 2012-2014.
Dari hasil perhitungan yang dilakukan, jumlah sampel (N) sebanyak 71, nilai waktu jatuh tempo tertinggi adalah 10 tahun (Obligasi PT. Bank Bukopin Tahun 2012 dan PT. Bank Tabungan Negara) dan yang terendah adalah 1 tahun. Terdapat 19 obligasi yang memiliki jangka waktu 1 tahun yaitu PT Indomobil Wahana Trada Tahun 2012, PT Serasi Autoraya Tahun 2012, PT Adira Dinamika Multifinance Tahun 2012, PT Astra Sedaya Finance Tahun 2012, PT BII Finance Center Tahun 2012, PT BCA Finance Tahun 2012, PT CIMB Niaga Auto Finance Tahun 2012, PT Federal International Finance Tahun 2012, PT Perum Pegadaian Tahun 2012, PT Mandala Multifinance Tahun 2012, PT Toyota Astra Financial Service Tahun 2012, PT Verena Multifinance Tahun 2012, PT Jasa Marga Tahun 2013, PT Tower Bersama Infrastructure Tahun 2013, Lembaga Pembiayaan Ekspor Indonesia Tahun 2013, PT Bank OCBC NISP Tahun 2013, PT Surya Artha Nusantara Finance Tahun 2013, PT Siantar Top Tahun 2014, PT Mandala Multifinance Tahun 2014 dan PT Sumber Alfaria Trijaya Tahun 2014. Nilai rata-rata waktu jatuh tempo adalah 3,58 tahun, serta nilai standart deviation sebesar 2.176.
Likuiditas adalah tingginya volume transaksi perdagangan obligasi di pasar obligasi. Dalam penelitian ini likuiditas diukur dengan banyaknya volume perdagangan obligasi selama periode 2012-2014.
Dari hasil perhitungan yang dilakukan, jumlah sampel (N) sebanyak 71, nilai likuiditas tertinggi adalah 2688 (Obligasi PT Indofood Sukses Makmur Tahun 2012) dan yang terendah adalah 1 (Obligasi PT Mitra Adiperkasa Tahun 2012), nilai rata-rata likuiditas adalah574.99 dan nilai standart deviation sebesar 646.414.
4. Harga Obligasi
Harga obligasi adalah harga pasar obligasi yang diperdagangkan di BEI.Dalam penelitian ini harga obligasi diukur dari harga pasar masing-masing obligasi selama periode 2012-2014.
Dari hasil perhitungan yang dilakukan, jumlah sampel (N) sebanyak 71, nilai tingkat perubahan harga obligasi tertinggi adalah0.145 (Obligasi PT Modernlan Realty Tahun 2012) dan yang terendah adalah 0.0002 (Obligasi PT Waskita Karya Tahun 2012, PT Adira Dinamika Multifinance Tahun 2012 dan PT Astra Sedaya Finance), nilai rata-rata harga obligasi adalah 0.016111 dan nilai standart deviation sebesar0.0217837.
4.2.2 Uji Asumsi Klasik
Pengujian ini dilakukan untuk mengetahui apakah hasil estimasi regresi yang dilakukan terbebas dari gejala heteroskedastisitas. Hasil hipotesis yang baik adalah pengujian yang tidak melanggar asumsi klasik tersebut.
4.2.2.1Uji Normalitas
atau tidak, jika terdapat normalitas maka residual akan terdistribusi secara normal dan independen. Model regresi yang baik adalah yang memiliki distribusi data normal atau mendekati normal. Ada dua cara untuk mendeteksi apakah residual berdistribusi normal atau tidak yaitu dengan uji statistikKolmogorov-Smirnov dan analisis grafik. Dimana data dikatakan terdistribusi normal jika dalam uji statistik angka signifikannya lebih dari taraf signifikansinya yaitu 0,05 atau 5% dan dalam analisis grafik data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal. Berikut hasil uji normalitas dengan menggunakan uji statistik
Kolmogorov-Smirnov dan analisis grafik yang berupa histogram dan P-Plot
residual :
Tabel 4.2
Hasil Uji Normalitas Kolmogorov-Smirnov
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 71
Normal Parametersa,b Mean 0E-7
Std. Deviation .02089051 Most Extreme Differences
Absolute .209
Positive .209
Negative -.157
Kolmogorov-Smirnov Z 1.762
Asymp. Sig. (2-tailed) .004
a. Test distribution is Normal. b. Calculated from data.
Sumber: Hasil Penelitian, 2016 (Data Diolah)
Gambar 4.1
Hasil Uji Normalitas Grafik Histogram
Sumber: Hasil Penelitian, 2016 (Data Diolah)
Gambar 4.2
Hasil Uji Normalitas P-Plot Residual
Pada Tabel 4.2, menunjukkan bahwa uji statistik Kolmogorov-Smirnov tidak mencapai taraf signifikansi dan untuk analisis grafik dalam grafik histogram sangat melenceng ke kiri ataupun tidak teratur dan terdapat grafik berada jauh diluar kurva serta pada grafik plot linear menunjukkan bahwa masih ada data yang tidak menyebar mendekati atau menghimpit garis diagonalnya. Oleh karena itu, perlu dilakukan penanganan data yang tidak normal. Ada beberapa cara mengubah
1. Lakukan transformasi data ke bentuk lainnya. 2. Lakukan trimming, yaitu membuang data outlier,
3. Lakukan winsorizing, yaitu mengubah nilai data yang outlier ke suatu nilai tertentu.
Untuk mengubah nilai residual agar berdistribusi normal, peneliti melakukan transformasi data kebentuk lain. Transformasi data kebentuk lain dengan melakukan Logaritma10 (LG10). Setelah peneliti melakukan transformasi data ke dalam bentuk Logaritma10 data tetap saja masih belum berdistribusi normal sehingga peneliti melakukan cara kedua yaitu dengan melakukan
trimming, yaitu membuang data outliers.. Outliers adalah kasus atau data yang
memiliki karakteristik unik yang terlihat sangat jauh dari observasi-observasi lainnya dan muncul dalam bentuk nilai ekstrim baik untuk sebuah variabel tunggal atau variabel kombinasi (Ghozali, 2005). Ada empat penyebab timbulnya data
outliers:
1. Kesalahan dalam mengentri data.
2. Gagal menspesifikasikan adanya missing value dalam program komputer. 3. Outliers bukan merupakan anggota populasi yang kita ambil sebagai sampel.
4. Outliers berasal dari populasi yang kita ambil sebagai sampel, tetapi distribusi
dari variabel dalam populasi tersebut memiliki nilai ekstrim dan tidak terdistribusi secara normal.
Ada beberapa cara untuk melihat data yang tidak normal atau teridentifikasi outlier. Salah satunya yaitu dengan melihat hasil casewise
diagnostics (Syahputra, 2014). Berikut hasil casewise diagnostics salah satu dari
Tabel 4.3
Hasil Casewise Diagnostics yang Teridentifikasi Outlier
Casewise Diagnosticsa
Case Number Std. Residual Harga Predicted Value Residual
5 5.749 .1450 .022249 .1227507
a. Dependent Variable: Harga_Obligasi
Sumber: Hasil Penelitian, 2016 (Data Diolah)
Dari tabel 4.3 di atas memberikan hasil data yang teridentifikasi outlier. Dari kolom case number, kita dapat mengetahui data yang terkena outlier. Setelah
outlier teridentifikasi langkah berikutnya adalah tetap mempertahankan data outlier atau membuang data outlier. Namun demikian outlier harus dibuang jika
data outlier tersebut memang tidak menggambarkan observasi dalam populasi (Ghozali, 2005). Berikut hasil setelah pengeluaran data outlier:
Tabel 4.4
Hasil Uji Normalitas Kolmogorov-Smirnov
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 64
Normal Parametersa,b Mean 0E-7
Std. Deviation .00731193 Most Extreme Differences
Absolute .126
Positive .126
Negative -.058
Kolmogorov-Smirnov Z 1.009
Asymp. Sig. (2-tailed) .261
a. Test distribution is Normal. b. Calculated from data.
Sumber: Hasil Penelitian, 2016 (Data Diolah)
Gambar 4.3
Hasil Uji Normalitas Grafik Histogram
Sumber: Hasil Penelitian, 2016 (Data Diolah)
Gambar 4.4
Hasil Uji Normalitas P-Plot Residual
Berdasarkan tabel 4.4, dapat dilihat bahwa sampel yang valid setelah
outlier data. Besarnya nilai Kolmogorov-Smirnov (K-S) adalah 1.009 dan nilai
signifikansi 0,261. Sehingga dapat disimpulkan bahwa data dalam model regresi telah terdistribusi secara normal, karena nilai signifikansinya lebih besar dari 0,05. Dengan demikian, secara keseluruhan dapat disimpulkan bahwa nilai-nilai observasi data telah terdistribusi secara normal dan dapat dilanjutkan dengan uji asumsi klasik.
4.2.2.2Uji Heteroskedastisitas
Untuk mendeteksi ada tidaknya heterokedastisitas dapat dilihat dari grafik scatterplot antara nilai prediksi variabel terikat (dependen) yaitu ZPRED dengan SRESID. Jika ada pola tertentu yang teratur, maka telah terjadi heterokedastisitas. Sebaliknya, jika tidak ada pola yang jelas serta titik-titik yang menyebar maka tidak terjadi heterokedastisitas.
Hasil dari uji Heterokedastisitas dapat ditunjukkan dalam grafik scatterplot antara ZPRED dan SRESID sebagai berikut:
Sumber: Hasil Penelitian, 2016 (Data Diolah)
Gambar 4.5 Scatterplot
Suatu regresi dikatakan terdeteksi heterokedastisitas apabila diagram pencar residual membentuk pola tertentu. Tampak pada output diatas, diagram pencar residual tidak membentuk pola tertentu serta titik- titik menyebar di atas dan di bawah angka 0 pada sumbu Y. Kesimpulannya, regresi terbebas dari kasus heterokedastisitas dan memenuhi persyaratan asumsi klasik tentang heterokedastisitas.
4.2.2.3 Uji Multikolinearitas
terjadi korelasi antar variabel independennya. Pengujian ini menggunakan
variance inflation factor (VIF) dan nilai tolerance. Multikolinearitas terjadi jika
VIF > 5 dan nilai tolerance < 0,1. Berikut hasil untuk pengujian multikolinearitas:
Tabel 4.5
Hasil Uji Multikolinearitas
Coefficientsa
Model Collinearity Statistics Tolerance VIF 1 (Constant) LG10_Coupon .680 1.471 LG10_JatuhTempo .706 1.417 LG10_Likuiditas .938 1.066 a. Dependent Variable: Harga_Obligasi
Sumber: Hasil Penelitian, 2016 (Data Diolah)
Dari tabel 4.6 diatas memberikan hasil bahwa semua nilai VIF berada di bawah 5 atau nilai tolerance di atas 0,1. Hal ini menunjukkan bahwa tidak terdapat gejala multikolinearitas antar variabel independen dalam penelitian ini.
4.2.2.4 Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi linierada korelasi antara kesalahan pengganggu pada periode t dengan kesalahanpengganggu pada periode t-1 (sebelumnya).Autokorelasi muncul karena observasi yang berurutansepanjang waktu berkaitan satu sama lainnya (Ghozali, 2011). Hal ini sering ditemukan pada time series. Cara yang dapat digunakan untuk mendeteksi masalah autokorelasi adalah dengan menggunakan uji Durbin
Watson dengan ketentuan sebagai berikut:
1) Angka D-W di bawah -2 berarti ada autokorelasi positif,
2) Angka D-W di antara -2 sampai +2 berarti tidak ada autokorelasi, 3) Angka D-W di atas +2 berarti autokorelasi negatif.
Tabel 4.6
Hasil Uji Autokorelasi
Model Summaryb
Model R R Square Adjusted R Square
Std. Error of the Estimate
Durbin-Watson
1 .446a .199 .159 .0074925 1.916
a. Predictors: (Constant), LG10_Likuiditas, LG10_JatuhTempo, LG10_Coupon b. Dependent Variable: Harga_Obligasi
Sumber: Hasil Penelitian, 2016 (Data Diolah)
Hasil uji autokorelasi di atas menunjukkan nilai statistik Durbin Watson (DW) sebesar 1,916 dari jumlah sampel 64 dengan 3 variabel (n = 64, k = 3) dan tingkat signifikansi 0,05. Dengan melihat tabel Durbin-Watson, diperoleh nilai dU=1,689 dan nilai dL=1,480, maka diinterpretasikan sebagai berikut :
Tabel 4.7
Interpretasi Nilai Durbin-Watson (n=64 ; k=3)
Jika Keputusan
0 – dL 0 – 1,480
Terjadi autokorelasi positif
dL – dU 1,480 – 1,689
Tanpa kesimpulan
dU – (4-dU) 1,689 – 2,311
Tidak terjadi autokorelasi
(4-dU) – (4-dL) 2,311 – 2,520
Tanpa kesimpulan
(4-dL) – 4 2,520 – 4
Terjadi autokorelasi negative
Tabel 4.8 menunjukkan bahwa nilai D-W yang dihasilkan, 1,881, terletak diantara nilai dU dan 4-dU yaitu 1,689 < 1,916 < 2,311, sehingga dapat
autokorelasi positif atau negatif atau dapat disimpulkan tidak terdapat autokorelasi (Ghozali, 2011).