TINJAUAN PUSTAKA
METODE PENELITIAN
3.9 Metode Analisis Data
3.9.1 Analisis Regresi Berganda
Menurut Wijaya (2012 : 98) analisis regresi bertujuan menganalisis besarnya pengaruh variabel bebas (independent) terhadap variabel terikat (dependent). Dalam Ghozali (2012 : 96) analisis regresi selain mengukur “kekuatan hubungan antara dua variabel atau lebih, juga menunjukkan arah hubungan antara variabel dependen dengan variabel independen”.
Sedangkan menurut Sunjoyo (2013 : 153) regresi linier berganda digunakan untuk “menguji pengaruh lebih dari satu independent variable terhadap
dependent variable”.
Model persamaan regresi berganda yang dirumuskan adalah sebagai berikut:
Y = a + b1X1 + b2X2 + b3X3 + b4X4 + b5X5 + e dimana:
Y = ROI
a = konstanta atau intercept (merupakan nilai Y bila X = 0) b = koefisien regresi atau slope
42 X1 = CR X2 = RTO X3 = ITO X4 = WCTO X5 = DER
e = error residual (tingkat kesalahan) 3.9.2 Uji Asumsi Klasik (Uji Data)
Dalam Sunjoyo (2013 : 54) uji asumsi klasik adalah
persyaratan statistik yang harus dipenuhi pada analisis regresi linier berganda yang berbasis ordinary least square (OLS). Jadi analisis regresi yang tidak berdasarkan OLS tidak memerlukan persyaratan asumsi klasik, misalnya regresi logistik atau regresi ordinal. Demikian juga tidak semua uji asumsi klasik harus dilakukan pada analisis regresi linear, misalnya uji multikolinieritas tidak dapat dipergunakan pada analisis regresi linear sederhana dan uji autokorelasi tidak perlu diterapkan pada data cross sectional.
3.9.2.1 Uji Normalitas
Menurut Ghozali (2012 : 160) uji normalitas bertujuan menguji ‘apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal”. Seperti diketahui bahwa uji t dan F mengasumsikan bahwa nilai residual mengikuti distribusi normal. Kalau asumsi ini dilanggar maka uji statistik menjadi tidak valid untuk jumlah sampel kecil. Ada dua cara untuk mendeteksi apakah residual berdistribusi normal atau tidak yaitu:
a. Analisis Grafik
Salah satu cara termudah untuk melihat normalitas residual adalah dengan melihat grafik histogram yang membandingkan antara data obeservasi dengan distribusi yang mendekati distribusi normal. Namun demikian hanya dengan
43 melihat histrogram hal ini dapat menyesatkan khususnya untuk jumlah sampel yang kecil. Metode yang lebih handal adalah dengan melihat probability plot yang membandingkan distribusi kumulatif dari distribusi normal. Distribusi normal akan membentuk satu garis lurus diagonal, dan ploting data residual akan dibandingkan dengan garis diagonal. Jika distribusi data residual normal, maka garis yang menggambarkan datasesungguhnya akan mengikuti garis diagonalnya.
b. Uji Statistik
Uji normalitas dengan grafik dapat menyesatkan kalau tidak hati-hati secara visual kelihatan normal, pada hal secara statistik bisa sebaliknya. Oleh sebab itu dianjurkan disamping uji grafik dilengkapi dengan uji statistik. Uji statistik sederhana dapat dilakukan dengan melihat nilai kurtosis dan skewness dari residual. Nilai z statistik untuk dapat dihitung dengan rumus:
���������= ��������
�6/�
Sedangkan nilai z kurtosis dapat dihitung dengan rumus:
���������= ��������
�24/�
3.9.2.2 Uji Multikolonieritas
Menurut Ghozali (2012 : 105) uji multikolonieritas bertujuan “untuk menguji apakah model regresi ditemukan adanya kolerasi antar variabel bebas (independen)”. Model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel independen. Jika variabel independen saling berkolerasi, maka variabel-variabel ini tidak ortogonal. Variabel ortogonal adalah variabel-variabel independen yang
44 nilai korelasi antar sesama variabel independen sama dengan nol. Untuk mendeteksi ada atau tidaknya multikolonieritas di dalam model regresi adalah sebagai berikut:
a. Nilai R² yang dihasilkan oleh suatu estimasi model regresi empiris sangat tinggi, tetapi secara individual variabel-variabel independen banyak yang tidak signifikan memperngaruhi variabel dependen.
b. Menganalisis matrik korelasi variabel-variabel indepanden. Jika antar variabel independen ada korelasi yang cukup tinggi (umumnya diatas 0.90), maka hal ini merupakan indikasi adanya multikolonieritas. Tidak adanya korelasi yang tinggi antar variabel independen tidak berarti bebas dari multikolonieritas. Multikolonierias dapat disebabkan karena adanya efek kombinasi dua tau lebih variabel independen.
c. Multikolonieritas dapat juga dilihat dari (1) nilai tolerance dan lawannya (2) variance inflation factor (VIF). Kedua ukuran ini menunjukkan setiap variabel independen manakah yang dijelaskan oleh variabel independen lainnya. Dalam pengertian sederhana setiap variabel independen menjadi variabel dependen (terikat) dan diregres terhadap variabel independen lainnya. Tolerance mengukur variabilitas variabel independen yang terpilih yang tidak dijelaskan oleh variabel independen lainnya. Jadi nilai tolerance yang rendah sama dengan nilai VIF tinggi (karena VIF=1/Tolerance). Nilai cutoff yang umum dipakai untuk menunjukkan adanya multikolonieritas adalah nilai Tolerance ≤
0.10 atau sama dengan nilai VIF ≥ 10. Setiap peneliti harus menentukan tingkat
45 dengan tingkat kolonieritas 0.95. Walaupun multikolonieritas dapat dideteksi dengan nilai Tolerance dan VIF, tetapi kita masih tetap tidak mengetahui variabel-variabel independen mana sajakah yang saling berkorelasi.
3.9.2.3 Uji Autokorelasi
Menurut Ghozali (2012 : 110) uji autokorelasi bertujuan menguji “apakah dalam model regresi linier ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 (sebelumnya)”. Jika terjadi korelasi, maka dinamakan ada problem autokorelasi. Autokorelasi muncul karena obeservasi yang berurutan sepanjang waktu berkaitan satu sama lainnya. Masalah ini timbul karena residual (kesalahan pengganggu) tidak bebas dari satu observasi ke observasi lainnya. Hal ini sering ditemukan pada data runtut waktu (time series) karena “gangguan” pada sesorang individu/kelompok cenderung mempengaruhi “gangguan” pada individu/kelompok yang sama pada periode berikutnya.
Pada data cross section (silang waktu), masalah autokorelasi relatif jarang terjadi karena “gangguan” pada observasi yang berbeda berasal dari individu/kelompok yang berbeda. Model regresi yang baik adalah regresi yang bebas dari autokorelasi. Ada cara yang dapat digunakan untuk medeteksi ada atau tidaknya autokorelasi dengan Uji Durbin-Watson (DW test). Uji Durbin Watson hanya digunakan untuk autokorelasi tingkat satu dan mensyaratkan adanya intercept (konstanta) dalam model regresi dan tidak ada variabel lag di antara variabel independen. Hipotesis yang akan diuji adalah:
46 Ha : ada autokorelasi (r≠0)
Pengambilan keputusan ada tidaknya autokorelasi:
Hipoteis Nol Keputusan Jika
Tidak ada autokorelasi positif Tolak 0 < d < dI Tidak ada autokorelasi positif No desicison dI ≤ d ≤ du
Tidak ada korelasi negatif Tolak 4 - dI < d < 4 Tidak ada korelasi negatif No desicison 4 – du ≤ d ≤ 4 – dI Tidak ada autokorelasi, positif
atau negatif
Tidak ditolak du < d < 4 - du
3.9.2.4 Uji Heteroskedastisitas
Menurut Ghozali (2012 : 139) uji heteroskedastisitas bertujuan menguji “apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain”. Jika variance dari residual satu pengamatan ke pengamatan lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik adalah yang homoskedastisitas atau tidak terjadi heteroskedastisitas. Kebanyakan data crosssection mengandung situasi heteroskedastisitas karena data ini menghimpun data yang mewakili berbagai ukuran (kecil, sedang dan besar).
Ada beberapa cara untuk mendeteksi ada atau tidaknya heteroskedastisitas: a. Melihat Grafik Plot antara nilai prediksi variabel terikat (dependen) yaitu
ZPRED dengan residualnya SRESID. Deteksi ada tidaknya heteroskedastisitas dapat dilakukan dengan melihat ada tidaknya pola tertentu pada grafik scatterplot antara SRESIID dan ZPRED dimana sumbu Y adalah yang telah diprediksi, dan sumbu X adalah residual (Y prediksi – Y sesungguhnya) yang telah di-studentized.
b. Uji Glejser
47 independen. Jika variabel independe signifikan secara statistik mempengaruhi variabel dependen, maka ada indikasi terjadi heteroskedastisitas. Hal ini dapat dilihat dari probabilitas signifikansinya di atas tingkat kepercayaan 5%. Jadi dapat disimpulkan model regresi tidak mengandung adanya heteroskedastisitas.