METODE PENELITIAN
G. Teknik Analisis Data
2. Analisis Inferensial
Metode analisis data dalam penelitian ini menggunakan analisis regresi data panel dengan menggunakan software eviews. Sifat data menggunakan data panel adalah kombinasi dari data time series dan cross section. Model regresi data panel bertujuan untuk memprediksi parameter model regresi yaitu nilai intersep atau konstanta (α) dan slope atau koefisien regresi (βi). Penggunaan data panel dalam regresi akan meghasilkan intersep dan slope yang berbeda pada setiap perusahaan dan setiap periode waktu (Widarjono, 2007). Pada penelitian ini akan dilakukan beberapa tahap analisis inferensial yaitu;
perumusan model penelitian, pemilihan model regresi eviews, pengujian asumsi klasik, dan uji hipotesis.
a. Perumusan Model Penelitian
Sebelum melakukan pemilihan model yang dikehendaki apakah menggunakan Common Effect, Fixed Effect, Random Effect. Maka terlebih dahulu merumuskan model penelitian.
Y= α + β1X1 +β2X2 + ϵ
Dimana :
Y = Nilai Perusahaan α = konstanta
β = koefisien X1 = Struktur Modal X2 = Ukuran Perusahaan = error
b. Pemilihan Model Regresi eviews
(Widarjono, 2009) menyatakan terdapat beberapa metode yang biasa digunakan dalam mengestimasi model regresi dengan data panel, yaitu pooling least square (Common Effect), pendekatan efek tetap (Fixed Effect), pendekatan efek random (Random Effect).
Model common effect tidak dapat membedakan varians antara silang tempat dan titik waktu karena memiliki intercept yang tetap, dan bukan bervariasi secara random dan model ini mengasumsikan bahwa perilaku data antar perusahaan adalah sama dalam berbagai kurun waktu (Widarjono, 2009). Model fixed effect adalah model dengan intercept berbeda-beda untuk setiap subjek (cross section), tetapi slope setiap
subjek tidak berubah seiring waktu (Gujarati, 2012). Model fixed effect mengasumsikan bahwa intercept adalah berbeda setiap subjek sedangkan slope tetap sama antar subjek. Random effect mengestimasi data panel yang variabel residual diduga memiliki hubungan antar waktu dan antar subjek (Widarjono, 2009). Metode analisis data panel dengan model random effect harus memenuhi persyaratan yaitu jumlah cross section harus lebih besar daripada jumlah variabel penelitian.
Penentuan model terbaik antara common effect, fixed effect, dan random effect menggunakan tiga uji teknik estimasi model. Tiga uji teknik ini digunakan dalam regresi data panel untuk memperoleh model yang tepat dalam mengestimasi regresi data panel. Tiga uji yang digunakan, pertama Chow test digunakan untuk memilih antara model common effect atau fixed effect. Kedua, Hausman test digunakan untuk memilih antara model fixed effect atau random effect dan ketiga, lagrange multiplier untuk memilih model random effect atau common effect (Widarjono, 2007
; 258). Penggunaan ketiga pengujian tersebut dalam pemilihan model terbaik regresi data panel ditunjukkan sebagai berikut :
1) Chow Test ; Chow test merupakan uji untuk membandingkan model common effect dengan fixed effect yang paling tepat digunakan dalam mengestimasi data panel (Widarjono, 2009:220). Pengambilan keputusan dilakukan jika:
a) Nilai prob. F < batas kritis, maka tolak H0 atau memilih fixed effect daripada common effect.
b) Nilai prob. F > batas kritis, maka tolak H0 atau memilih common effect daripada fixed effect.
2) Hausman Test ;Pengujian ini membandingkan model fixed effect dengan random effect dalam menentukan model yang terbaik untuk digunakan sebagai model regresi data panel (Gujarati, 2012). Pengambilan keputusan dilakukan jika:
a) Nilai chi squares hitung > chi squares tabel atau nilai probabilitas chi squares < taraf signifikansi, maka tolak H0 atau memilih fixed effect daripada random effect.
b) Nilai chi squares hitung < chi squares tabel atau nilai probabilitas chi squares > taraf signifikansi, maka tidak menolak H0 atau memilih random effect daripada fixed effect.
3) Lagrange Multiplier Test; Pengujian ini membandingkan apakah model random effect lebih baik daripada common effect. Pengambilan keputusan dilakukan jika:
a) Nilai p value < batas kritis, maka tolak H0 atau memilih random effect daripada common effect.
b) Nilai p value > batas kritis, maka terima H0 atau memilih common effect daripada random effect.
Namun tidak selamanya ketiga uji tersebut dilakukan, jika peneliti menangkap adanya perbedaan intersep yang terjadi antar perusahaan maka model common effect diabaikan sehingga hanya dilakukan uji hausman.
Pemilihan model fixed effect atau random effect juga dapat dilakukan dengan mempertimbangkan jumlah waktu dan individu pada penelitian. Menurut Nachrowi dan Hardius (2006;318), beberapa ahli ekonometrika telah membuktikan secara matematis, dimana dikatakan bahwa:
1. Jika data panel yang dimiliki mempunyai jumlah waktu (T) lebih besar dibanding jumlah individu (N) maka disarankan untuk menggunakan model fixed effect.
2. Jika data panel yang dimiliki mempunyai jumlah waktu (T) lebih kecil dibanding jumlah individu (N) maka disarankan untuk menggunakan model random effect.
c. Pengujian Asumsi Klasik
Pengujian asumsi klasik dilakukan agar hasil analisis regresi memenuhi kriteria BLUE (best linier unbiased estimator). Uji asumsi klasik terdiri dari uji normalitas data, uji multikolinearitas dan uji heteroskedastisitas.
a) Uji Normalitas
Uji Normalitas dilakukan untuk mengetahui apakah data dari variabel pengganggu atau residual atau error dalam model regresi terdistribusi normal atau tidak. Model regresi yang baik adalah memiliki data residual yang terdistribusi normal, sehingga data tersebut dianggap bias mewakili populasi. Pengamatan data yang terdistribusi normal akan memberikan nilai ekstrim rendah dan ektrim tinggi yang sedikit dan kebanyakan akan mengumpul ditengah. Demikian juga nilai rata-rata, modus, dan median relative dekat (Wibowo, 2012:61; Ghozali, 2005:154;
Sugiyono, 2006:75). Uji normalitas dapat dilakukan dengan uji kolmogorov-Smirnov, dengan pedoman pengambilan keputusan (Wibowo, 2012:65; Ghozali, 2005;156) sebagai berikut
1) Nilai signifikansi kurang dari 0,05 (sig. < 0,05), data residual tidak terdistribusi secara normal; dan
2) Nilai signifikansi lebih dari 0,05 (sig. > 0,05), data residual terdistribusi secara normal.
b) Uji Multikolinearitas
Uji Multikolinearitas digunakan untuk mengetahui ada tidaknya pengaruh yang bermakna atau korelasi yang tinggi diantara variabel independent dalam model regresi. JIka terjadi multikolinearitas akibatnya adalah nilai prediksi dari model regresi yang dirumuskan menjadi bias atau tidak valid sehingga akan sulit mendeteksi pengaruh masing-masing variabel independent terhadap dependen (Ghozali, 2005:103; Sugiyono, 2006:75; (Sunyoto, 2013:87). Metode untuk mendeteksi multikolonieritas antara variance influence factor dan korelasi berpasangan. Metode korelasi berpasangan mendeteksi multikolonieritas akan lebih bermanfaat karena dengan menggunakan ide tersebut peneliti dapat mengetahui secara rinci variabel bebas apa saja yang meimiliki korelasi yang kuat. Menurut Widarjono (2007:114) pengambilan keputusan metode korelasi berpasangan dilakukan jika:
1) Nilai korelasi dari masing-masing variabel bebas <0,85 maka tidak terjadi masalah multikolonieritas.
2) Nilai korelasi dari masing-masing variabel bebas >0,85 maka terjadi masalah multikolonieritas.
c) Uji Autokorelasi
Uji Autokorelasi (autocorrelation) bertujuan untuk menguji apakah dalam model regeresi terdapat korelasi di antara variabel pengganggu
atau residua tau error € pada periode t dengan eriode sebelumnya (t-1).
Adanya gejala autokorelasi mengakibatkan nilai prediski dari model regresi yang dirumuskan menjadi bias atau tidak valid (Wibowo, 2012:101; Ghozali, 2005:107; Sunyoto, 2013:97).
Pengujian Autokorelasi dilakukan dengan uji Durbin-Watson (DW).
Terdapat tiga kategori ketentuan pengambilan keputusan terjadinya autokorelasi berdasarkan pengujian DW, yaitu (Ghozali, 2005:109)
1) 1,65 < DW < 2,35 maka tidak terjadi autokorelasi;
2) 1,21 < DW <1,65 atau 2,35 < DW < 2,79 maka tidak dapat disimpuklan; dan
3) DW <1,21 atau DW > 2,79 maka terjadi autokorelasi
d) Uji heteroskedastisitas
Uji Heteroskedatisitas menunjukkan adanya ketidaksamaan varians dari variabel pengganggu atau residual atau error satu pengamatan ke pengamatan lainnya. Jika varians dari residual tetap (konstan) maka disebut homoskedastisitas dan jika berbeda (tidak konstan) maka terjadi heteroskdastisitas. Model regresi yang baik yaitu homokesdastisitas atau tidak terjadi heteroskedatisitas. Adanya gejala heteroskedastisitas mengakibatkan nilai prediksi daro model regresi yang dirumuskan bias atau tidak valid.
Pengujian asumsi ini dilakukan dengan menggunakan uji korelasi Rank-Spearman. Pengujian dilakukan dengan meregresikan nilai absolute dari residual sebagai variabel dependen terhadaps emua variabel independent. Selanjutnya membandingkan signifikansi dari uji tersebut
terhadap α sebesar 5%. Jika signifikansi lebih besar fari 5% (sig. > 5%), berarti tidak mengandung heteroskedastisitas atau tidak terdapat hubungan antara nilai residual dengan variabel independent. Sebaliknya, jika signifkansi lebih kecil dari 5% (sig. <5%) maka terdapat heteroskedastisitas (Ghozali, 2005:134).
e) Uji Kelayakan Model
Uji Kelayakan model dilakukan untuk mengindentifikasi model regresi yang terbentuk layak atau tidak untuk menjelaskan pengaruh variabel independen terhadap variabel dependen. Uji kelayakan model dengan menggunakan adjusted R_Squared. Uji koefisien determinasi (R2) digunakan untuk menjelaskan seberapa besar proporsi variasi variabel dependen dapat dijelaskan oleh variabel independen (Widarjono, 2009:275). Pengujian ini pada intinya mengukur seberapa jauh variabel independen menerangkan variasi variabel dependen. Menurut Kuncoro (2011) nilai koefisien determinasi (R2) berkisar diantara nol dan satu (0 <
R2 < 1). Nilai R2 yang kecil atau mendekati nol artinya kemampuan variabel independen dalam menjelaskan variabel dependen sangat terbatas. Nilai R2 yang besar atau mendekati satu artinya variabel independen mampu memberikan hampir semua informasi yang dibutuhkan dalam menjelaskan perubahan variabel dependen.
f) Uji Hipotesis
Pengujian hipotesis menggunakan standar alpha 0.05 dan Uji t-statistic, yang dilakukan untuk mengetahui pengaruh signifikansi setiap
variabel independen terhadap variabel dependen. Menurut Kuncoro (2011) rumus yang digunakan adalah sebagai berikut :
Hipotesis dalam pengujian t-statistic adalah :
H0 : secara parsial tidak berpengaruh signifikan terhadap variabel dependen
H1 : secara parsial berpengaruh signifikan terhadap variabel dependen Jika probabilitas nilai thitung > 0,05 maka H0 diterima atau menolak H1, sebaliknya jika probabilitas nilai thitung < 0,05 maka H0 ditolak atau menerima H1. Tingkat signifikansi yang digunakan dalam pengujian ini sebesar 5%. Pengujian t-statistic juga dapat dilakukan dengan membandingkan nilai statistik t dengan titik kritis menurut tabel (Widarjono, 2009).
45