METODE PENELITIAN 4.1 Desain Penelitian
5. Debt to Equity Ratio (DER)
4.6 Metode Analisis Data
Metode analisis ini digunakan untuk mendapatkan hasil yang pasti dalam mengolah data sehingga dapat dipertangungjawabkan. Adapun, metode analisis data yang digunakan adalah metode regresi linier berganda yang akan dijelaskan di bawah ini:
4.6.1 Statistik Deskriptif
Statistik Deskriptif merupakan statistik yang berfungsi untuk pengumpulan dan peringkasan data, serta upaya untuk menggambarkan berbagai karakteristik yang penting pada data yang telah diorganisasikan sedemikian rupa, juga untuk mendeskripsikan terhadap objek yang diteliti melalui sampel atau populasi tanpa melakukan analisis atau membuat kesimpulan yang berlaku secara umum. Uji statistik deskriptif digunakan untuk memberikan gambaran profil dari data yang digunakan dalam penelitian ini. Output uji statistik deskriptif
dikemukakan dengan cara penyajian data yang berisi informasi mengenai nilai minimum, nilai maksimum, nilai rata- rata dan nilai standar deviasi dari sekumpulan data.
4.6.2 Uji Asumsi Klasik
Penggunaan analisi regresi dalam statistik harus bebas dari asumsi- asumsi klasik. Adapun asumsi klasik yang digunakan dalam penelitian ini adalah uji normalitas, uji heteroskedastisitas, uji multikolinieritas dan uji autokorelasi.
4.6.2.1 Uji Normalitas
Pada setiap analisis regresi, uji normalitas harus dilakukan pada nilai residual yang dihasilkan dari model regresi. Uji normalitas bertujuan untuk menguji kenormalan distribusi nilai residual. Model regresi yang baik memiliki nilai residual berdistribusi normal. Uji normalitas dapat dilakukan melalui analisis grafik dan/atau uji statistik. Pendeteksian kenormalan distribusi nilai residual dari model regresi menggunakan analisis grafik dilakukan dengan cara mengamati Normal Probability Plot dari nilai residual. Jika ploting data observasi dalam Normal Probability Plot mendekati garis diagonal dan penyebaran data observasi mengikuti garis diagonalnya, maka nilai residual berdistribusi normal sehingga dapat disimpulkan tidak terjadi pelanggaran asumsi normalitas. Tetapi jika ploting data observasi dalam Normal Probability Plot menjauh dari garis diagonal dan penyebaran data observasi tidak mengikuti garis diagonalnya, maka nilai residual tidak berdistribusi normal sehingga dapat disimpulkan terjadi pelanggaran asumsi normalitas. Secara statistik, kenormalan distribusi nilai residual dapat diketahui melalui pengaplikasian uji One-Sample Kolmogorov-Smirnov (O-S K-S) pada nilai residual yang dihasilkan
dari model regresi. Jika output dari uji O-S K-S menunjukkan nilai Asymp. Sig.
(2-tailed) > 5%, nilai residual berdistribusi normal sehingga dapat disimpulkan tidak terjadi pelanggaran asumsi normalitas (Ghozali, 2013).
4.6.2.2 Uji Heteroskedastisitas
Heteroskedastisitas adalah adanya ketidaksamaan varian dari residual untuk semua pengamatan pada model regresi. Uji heteroskedastisitas digunakan untuk mengetahui adanya atau tidaknya adanya ketidaksamaan varian dari residual untuk semua pengamatan pada model regresi. Prasyarat yang harus terpenuhi dalam model regresi adalah tidak adanya gejala heteroskedastisitas. Uji heteroskedastisitas dapat dilakukan melalui analisis grafik dan/atau uji statistik. Pendeteksian gejala heteroskedastisitas dengan menggunakan analisis grafik dilakukan dengan cara melihat scatterplot dari nilai residual. Jika ploting data nilai residual dalam scatterplot menyebar diatas maupun dibawah angka 0 pada sumbu Y serta penyebaran data nilai residual pada scatterplot tidak membentuk pola yang jelas, disimpulkan model regresi yang digunakan terbebas dari gejala heteroskedastisitas. Tetapi jika ploting data nilai residual dalam scatterplot membentuk pola tertentu (bergelombang, melebar kemudian menyempit), disimpulkan model regresi yang digunakan terkena gejala heteroskedastisitas. Pendeteksian gejala heteroskedastisitas melalui uji statistik dapat dilakukan menggunakan Uji Spearman’s ho.
4.6.2.3 Uji Multikolinieritas
Uji multikolinieritas bertujuan untuk menguji apakah pada model regresi ditemukan adanya korelasi yang tinggi antar variabel independen. Pada model regresi yang baik seharusnya antar variabel independen tidak terjadi
kolerasi yang tinggi. Adanya atau tidak adanya masalah multikolinieritas pada model regresi, dapat diketahui dengan cara mengevaluasi statistik kolinearitas dari model regresi. Suatu model regresi dinyatakan terbebas dari masalah multikolinieritas jika masing-masing variabel independen yang dimasukkan ke dalam model regresi memiliki nilai Tolerance mendekati 1 dan Variance Inflation Factor (VIF) < 10. Pendeteksian multikolinearitas juga dapat dilakukan dengan cara menganalisis Matrik Koefisien Korelasi. Jika pada matrik koefisien korelasi ditemukan ada variabel independen yang berkorelasi dengan variabel independen lainnya dengan koefisien korelasi > 90%, disimpulkan model regresi memiliki masalah multikolinieritas.
4.6.2.4 Uji Autokorelasi
Uji autokorelasi bertujuan apakah dalam model regresi linier ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 (Ghozali, 2005). Untuk mendeteksi ada tidaknya gejala autokorelasi dalam model regresi linier bisa dilakukan dengan pendeteksian dengan percobaan Durbin – Watson(Uji DW) dengan ketentuan jika angka D-W diantara -2 sampai +2, berarti tidak adaautokorelasi.
4.6.3Uji Hipotesis Penelitian 4.6.3.1 Uji F
Uji statistik F menunjukkan apakah variabel independen yang dimasukkan dalam model mempunyai pengaruh terhadap variabel dependennya. Uji simultan digunakan untuk menguji besarnya pengaruh dari variabel independen secara bersama-sama atau simultan terhadap variabel dependen.
Untuk menentukan nilai F tabel, tingkat signifikansi yang digunakan sebesar 5% dengan derajat kebebasan (degree of freedom) df = (n-k) dan (k-1) dimana n adalah jumlah sampel, kriteria yang digunakan adalah:
a. Bila F hitung > F tabel atau probabilitas < nilai signifikan (Sig ≤ 0,05), maka Ha (hipotesis alternatif ) diterima, ini berarti bahwa secara simultan variabel independen memiliki pengaruh signifikan terhadap variabel dependen.
b. Bila F hitung < F tabel atau probabilitas > nilai signifikan (Sig ≥ 0,05), maka Ha (hipotesis alternatif) ditolak, ini berarti bahwa secara simultan variabel independen tidak mempunyai pengaruh signifikan terhadap variabel dependen.
4.6.3.2 Uji T
Uji stastistik t pada dasarnya menunjukkan seberapa jauh pengaruh satu variabel independen secara individual dalam menerangkan variabel dependen.
Pada uji statistik t, nilai t hitung akan dibandingkan dengan nilai t tabel, Pengujian dilakukan dengan menggunakan significance level 0,05 (α=5%). Penerimaan atau penolakan hipotesis dilakukan dengan kriteria sebagai berikut :
a. Bila t hitung > t tabel atau probabilitas < tingkat signifikansi (Sig < 0,05), maka Ha diterima dan Ho ditolak, variabel independen berpengaruh terhadap variabel dependen.
b. Bila t hitung < t tabel atau probabilitas > tingkat signifikansi (Sig > 0,05), maka Ha ditolak dan Ho diterima, variabel independen tidak berpengaruh terhadap variabel dependen.
4.6.4 Analisis Jalur (Path Analysis)
Berdasarkan hipotesis yang diajukan, maka model analisis jalur dalam penelitian ini dapat dirumuskan sebagai berikut: Persamaan regresinya adalah:
Z=α0 + α1X1 + α2X2 + α3X3 + α4X4 + α5X5 + ε1
Y=β0 + β1X1 + β2X2 + β3X3 + β4X4 + β5X5 + β5Z5+ε2
Keterangan
Z =Pertumbuhan Laba Y =Nilai Perusahaan
X1 = Capital Adequesy Ratio X2 = Non Performing Loan X3 = Loan to Deposit Ratio
X4 = Beban Operasional terhadap Pendapatan Operasional X5 = Debt to Equity Ratio
α0 dan β0 = konstanta
4.7.4 Koefisien Determinasi (R2)
Koefisien determinasi (adjusted R2) berguna untuk menguji seberapa jauh kemampuan model penelitian dalam menerangkan variabel dependen. Semakin besar adjusted R2 suatu variabel independen, maka menunjukkan semakin dominan pengaruh variabel independen terhadap variabel dependen. Nilai adjusted R2 yang telah disesuaikan adalah antara 0 dan sampai dengan 1. Nilai adjusted R2 yang mendekati 1 berarti kemampuan variabel-variabel independen memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variabel dependen. Nilai adjusted R2yang kecil atau dibawah 0,5 berarti kemampuan variabel-variabel independen dalam menjelaskan variabel-variabel dependen sangat kecil. Apabila terdapat nilai adjusted R2 bernilai negatif, maka dianggap bernilai nol (Ghozali, 2013:83).
BAB V
HASIL DAN PEMBAHASAN