BAB III METODOLOGI PENELITIAN
E. Metode Analisis Data
1. Regresi Ordinary Least Square (OLS)
Dipilih karena arah kausalitas sifatnya hanya satu arah yaitu dari tiga variable yang terpilih terhadap IHSG. Sedangkan arah kebalikannya diasumsikan tidak terjadi. Maka hubungan kausalitasnya secara matematis dapat dituliskan sebagai berikut :
IHSG = + INF + KURS + iSBI + e
Dimana :
IHSG : Indeks Harga Saham Gabungan
INF : Inflasi
KURS : Nilai tukar mata uang
iSBI : Suku Bunga SBI
e : Mempresentasikan vaiabel-variabel lain yang
mempengaruhi IHSG tetapi tidak secara eksplisit
terpilih dalam model
: Parameter dari model yang besarnya akan
diestimasi
2. Uji Asumsi Klasik
a. Uji Normalitas
Normalitas data merupakan suatu asumsi terpenting dalam statistika parametric, sehingga pengujian terhadap normalitas data harus dialkukan agar asumsi dalam statistika parametric dapat terpenuhi.
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
25
Pengujian normalitas data dapat dilakukan dengan melihat output chart yang dihasilkan yaitu berupa Normal P-P Plot of Regression Standardized Residual. Persyaratn normalitas bias dipenuhi jika nilai-nilai sebaran data terletak di sekitar garis diagonal (tidak terpencar jauh dari garis diagonal).
Cara lain yang digunakan adalah Kolmogrof-Smirnov (Sujianto, 2007). Dari table One-Sample Kolmogrof-Smirnov Test diperoleh angka probabilitas atau Asymp. Sig. (2-tailed). Nilai ini dibandingkan dengan
0,05 ( ) untuk pengambilan nkeputusan dengan pedoman :
a. Nilai Sig. atau signifikansi atau nilai probabilitas < 0,05, distribusi data adalah tidak normal
b. Nilai Sig. Atau signifikansi atau nilai probabilitas > 0,05, distribusi data adalah normal.
b. Uji Autokolerasi
Uji autokolerasi ini dimaksudkan untuk menguji apakah dalam
model regresi ada kolerasi antar pengganggu pada periode t dengan
kesalahan pada periode (sebelumnya), yang sebagian kasus ditemukan
pada regresi yang datanya adalah time series. Pendekatan yang digunakan
dalam penelitian ini adalah dengan Uji Durbin-Watson.
Uji Heteroskedastisitas dapat dilihat melalui residual atau error
mempunyai varian yang tidak konstan atau berubah-ubah.
Heteroskedstisitas sangat berdampak terhadap hasil uji hipotesis baik uji t
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
26
pada keakuratan kesimpulan. Salah satu teknik mendeteksi
Heteroskedstisitas adalah melalui pola gambar Scatterplot model tersebut. Jika penyebatan titik-titik data tidak berpola, maka dapat dikatakan model lolos dari Heteroskedstisitas (Nachrowi, 2006).
c. Uji Multikolinieritas
Pengujian multikolinieritas ditujukan untuk melihat ada tidaknya kolerasi antara variable independen dengan variable independen lainnya.
Bila dalam satu persamaan regresi berganda muncul gejala
multikolinieritas dapat menyebabkan nilai yang diprediksi akan menjadi
bias. Namun demikian jika nilai besar (mendekati angka 1) biasanya
gejala multikolinieritas diabaikan, karena nilai biasanya dianggap tidak
begitu besar. Sedangkan untuk nilai yang kecil, gejala multikolinieritas
sangat dipermasalahkan karena niali yang diprediksi semakin besar biasnya.
Cara lain untuk mendeteksi adanya multikolinieritas adalah melalui nilai Variabel Inflation Factor (VIF) dari masing-masing variable. Dikutip dari buku Aplikasi Statistika dengan SPSS (Sujianto, 2007), Nugroho menyatakan jika nilai VIF tidak lebih dari 10 maka model terbebas dari multikolinieritas. Sebaliknya jika nilai VIF lebih besar dari 10, maka terdapat gejala multikolinieritas. VIF adalah suatu estimasi berapa besar multikolinieritas mengingatkan varian pada suatu koefisien estimasi sebuah variable penjelasan. VIF yang tinggi menunjukkan bahwa
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
27
multikolinieritas telah menaikan sedikit varian pada koefisien estimasi,
akibatnya menurunkan nilai t. untuk itu gejala multikolinieritas harus
dihilangkan.
d. Uji Heteroskedastisitas
Uji Heteroskedastisitas dapat dilihat melalui residual atau error
mempunyai varian yang tidak konstan atau berubah-ubah.
Heteroskedstisitas sangat berdampak terhadap hasil uji hipotesis baik uji t
maupun uji F yang tidak akurat dan akhirnya akan membawa dampak pula
pada keakuratan kesimpulan. Salah satu teknik mendeteksi
Heteroskedstisitas adalah melalui pola gambar Scatterplot model tersebut. Jika penyebatan titik-titik data tidak berpola, maka dapat dikatakan model lolos dari Heteroskedstisitas (Nachrowi, 2006).
3. Uji Hipotesis
Pengujian ini dilakukan untuk mengetahui apakah semua variabel independen baik secara simultan maupun secara parsial mempengaruhi variabel dependen yang mana dilakukan dengan uji statistik t (t-test) dan
uji statistik (F-test) dengan tingkat signifikansi (α) 5% atau α =0.05.
4. Uji F
Uji statistik F bertujuan untuk menguji semua variabel independen atau bebas yang dimasukkan dalam model mempunyai pengaruh secara
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
28
yang hendak diuji adalah apakah semua parameter dalam model sama dengan nol, atau:
0 ...
: 1 2
0 b =b = =bk =
H
Artinya, semua variabel independen bukan merupakan penjelas
yang signifikan terhadap variabel dependen. Hipotesis alternatifnya (Ha )
tidak semua parameter secara simultan sama dengan nol, atau: 0
...
: 1 ¹ 2 ¹ ¹ k ¹
a b b b
H
Artinya, semua variabel independen secara simultan merupakan penjelas yang signifikan terhadap variabel dependen.
Untuk menguji hipotesis ini, digunakan statistik F dengan kriteria pengambilan keputusan sebagai berikut (Ghozali, 2005 : 84):
a. Apabila nilai F lebih besar dari 4 maka H0 dapat ditolak
pada derajat kepercayaan 5%, sehingga Ha yang
menyatakan bahwa semua variabel independen secara simultan mempengaruhi variabel dependen dapat diterima.
b. Membandingkan nilai F hitung dengan nilai F tabel.
Apabila nilai F hitung lebih besar dari nilai F tabel, maka
0
H ditolak dan Ha diterima..
5. Uji Koefisien Determinasi ( )
Koefisien determinasi (R2) bertujuan untuk mengetahui seberapa
besar kemampuan variabel independen dalam menjelaskan variabel dependen yang menunjukkan seberapa besar sumbangan variabel
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
29
independen terhadap perubahan variabel dependen. Dalam model regresi
linier berganda digunakan R-Square karena disesuaikan dengan banyaknya
variabel independen yang digunakan dan sebagai indikator untuk mengetahui pengaruhnya di antara variabel independen terhadap variabel
dependen. Nilai R-Square dikatakan baik bila nilainya di atas 0,5 karena
nilai dari R-Square berkisar antara 0 sampai 1 (Nugroho, 2005:51). Bila
nilai R-Square mendekati 1 maka sebagian besar variabel independen
menjelaskan variabel dependen sedangkan jika koefisien determinasi adalah 0 berarti variabel independen tidak berpengaruh terhadap variabel dependen.
6. Uji Koefisien Regresi Partial (t-test)
Pengujian parsial melalui t-Test dilakukan untuk mengetahui seberapa besar pengaruh variabel independen secara parsial terhadap variabel dependen. Hasil pengujian ini dilihat pada tabel Coeffisienta dengan melihat nilai p-value dari masing-masing variabel independen. Pengujian hipotesis uji t-Test dilakukan dengan menggunakan langkah sebagai berikut:
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
30
a. Menentukan hipotesis
Ho : α2 = 0, berarti variabel independen secara secara parsial
tidak berpengaruh signifikan terhadap terhadap variabel dependen.
Ho : α2 ≠ 0, berarti variabel independen secara secara parsial
berpengaruh signifikan terhadap terhadap variabel dependen. b. Menentukan tingkat signifikasi (α = 5%) dan derajat
kebebasan (df = n-k-1). c. Menghitung nilai t sa a = t Keterangan: α1 = koefisien regresi
σα1 = standard error koefisien regresi
d. Membandingkan hasil pengujian dengan kriteria berikut:
Ho diterima bila –t tabel≤ t- hitung ≤ t-tabel, berarti variabel
independen secara parsial tidak berpengaruh signifikan terhadap terhadap variabel dependen.
Ho ditolak bila –t tabel< t- hitung > t-tabel, berarti variabel
independen secara parsial berpengaruh signifikan terhadap terhadap variabel dependen.
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
31
BAB IV