METODE PENELITIAN
D. Metode Analisis Data
1. Analisis Statistik Deskriptif
Analisis statistik deskriptif berfungsi untuk memaparkan atau menggambarkan objek yang diteliti tanpa melakukan analisis serta membuat kesimpulan melalui sampel atau populasi (Sugiyono, 2010).
2. Analisis Data Panel
Penelitian ini menggunakan metode uji regresi data panel. Data panel merupakan gabungan data deret waktu dan kerat lintang, hasil observasi
45
sekumpulan objek dalam waktu tertentu (Firdaus, 2018). Penelitian ini bertujuan untuk mengetahui hubungan antara lima variabel dependen, yaitu Debt to Asset (DAR), Current Ratio (CR), Return on Assets (ROA), Return on Equity (ROE) dan Ukuran Perusahaan (SIZE) dengan variabel independen Nilai Perusahaan (Tobinβs Q).
Pengolahan data menggunakan Software Eviews 9 untuk memaparkan hubungan antar variabel dependen dengan indepenen. Keuntungan menggunakan model data panel, yaitu menggabungkan data time series dan cross section membuat jumlah observasi menjadi lebih baik dan mengurangi masalah identifikasi (Firdaus, 2018).
Uji regresi data panel penelitian ini meliputi periode tahun 2011-2020 dengan beberapa variabel. Persamaan model dengan menggunakan data panel sebagai berikut:
Dimana:
= Tobinβs Q periode t = Debt to Asset periode t
2 = Current Ratio periode t = Return on Assets periode t = Return on Equity periode t = Ukuran Perusahaan periode t
ππππ‘ = πΌ + π½ π·π΄π ππ‘+ π½2πΆπ ππ‘+ +π½ π ππ΄ππ‘+ π½ π ππΈππ‘+ π½ ππΌππΈππ‘ + πππ‘
46
Pendekatan yang dapat digunakan dalam model regresi dengan menggunakan data panel terdapat tiga jenis (Baltagi, 2005), sebagai berikut:
a. Common Effect Model (CEM)
Teknik paling sederhana untuk mengestimasikan data panel adalah hanya dengan mengkombinasikan data time series dan cross section.
Dengan hanya menggabungkan data tersebut tanpa melihat perbedaan antara waktu dan individu maka kita bisa menggunakan metode OLS untuk mengestimasikan model panel (Widarjono, 2018).
Model persamaan sebagai berikut (Ansofino et al., 2016):
Dimana:
= Variabel dependen
= Variabel independen 1
2 = Variabel independen 2 I = Cross section
T = Time series
πππ‘ = π½ + π½ πΌππ ππ‘+ π½2πΌππ2ππ‘+ πππ‘
47 b. Fixed Effect Model (FEM)
Model ini megestimasikan data panel dengan menggunakan variabel dummy untuk menangkap adanya perbedaan intersep. Model estimasi ini sering disebut dengan teknik Least Squares Dummy Variables (LSDV) (Widarjono, 2018). Model fixed effect dengan teknik dummy dapat ditulis sebagai berikut (Ansofino et al., 2016):
Dimana:
i = Perusahaan t = Waktu
D = Dummy
c. Random Effect Model (REM)
Random Effect Model (REM) diketahui bahwa perbedaan intersept dan konstanta disebabkan residual atau error sebagai akibat perbedaan antar unit dan antar periode waktu yang terjadi secara acak. Random Effect Model menganggap efek rata-rata dari data cross section dan time series direpresentasikan dalam intersep (Ansofino et al., 2016).
Persamaan model Random Effect adalah:
Dimana:
Y = Variabel Dependen X = Variabel Independen
= +
it = Ξ² + Ξ² In it+ Ξ²2In 2it+ Ξ² D i+ Ξ² D2i+ Ξ² D i+ eit
it= Ξ² + Ξ² In it+ Ξ²2In 2it+ Ξ² In it + Ξ² In it+ vit
48 3. Pemilihan Model Terbaik
Terdapat beberapa pengujian untuk memilih model terbaik dalam mengolah data panel sebagai berikut:
a. Uji Chow
Uji chow dilakukan untuk memilih model mana yang terbaik antara Common Effect Model dengan Fixed Effect Model. Jika nilai probabilitas cross section F < nilai signifikansi (0,05) artinya Ha diterima model yang tepat untuk regresi data panel adalah Fixed Effect Model, jika > (0,05) maka H diterima model yang terpilih adalah Common Effect Model (CEM) (Widarjono, 2018).
b. Uji Hausman
Pengujian statistik ini untuk memilih antara Fixed Effect Model atau Random Effect Model yang paling tepat digunakan. Jika nilai probabilitas cross section random < nilai signifikansi (0,05) artinya (Fixed Effect Model) diterima menolak (Random Effect Model) model yang tepat untuk regresi data panel adalah Fixed Effect Model, jika > (0,05) maka H diterima menolak Ha model yang terpilih adalah Random Effect Model (REM) (Widarjono, 2018).
c. Uji Lagrange Multiplier Tests
Uji Lagrange Multiplier bertujuan untuk membandingkan atau memilih model yang terbaik antara Random Effect Model dan Common
49
Effect Model model dengan menggunakan lagrange multiplier test.
Apabila nilai probabilitas cross section breush-pagan < nilai signifikansi (0,05) artinya Ha (Random Effect Model) diterima menolak H (Common Effect Model) model yang tepat untuk regresi data panel adalah Random Effect Model, jika nilai probabilitas cross section breush-pagan > (0,05) maka H diterima menolak Ha model yang terpilih adalah Common Effect Model (Widarjono, 2018).
4. Uji Asumsi Klasik
Uji ini merupakan syarat statistik yang harus dipenuhi pada analisis regresi linier berganda yang berbasis Ordinary Least Square (OLS). Terdapat empat uji asumsi klasik, yaitu sebagai berikut (Ansofino et al., 2016).
a. Uji Normalitas
Uji normalitas bertujuan untuk melihat apakah nilai residual terdistribusi normal atau tidak. Uji normalitas dalam penelitan ini menggunakan software Eviews dengan uji normalitas data dengan membandingkan nilai Jarque-Bera (JB). Jarque-Bera merupakan uji statistik untuk mengetahui apakah data berdistribusi normal, dengan mengukur perbedaan skewness serta kurtosis data dan dibandingkan dengan apabila datanya bersifat normal (Winarno, 2011). Dasar pengambilan keputusan uji Jarque-Bera jika probabilitas Jarque-Bera >
taraf signifikansi, maka residual mempunyai distribusi normal dan apabila
50
probabilitas Jarque-Bera < taraf signifikansi, maka residual tidak berdistribusi normal (Widarjono, 2018).
b. Uji Multikolinearitas
Uji ini bertujuan untuk melihat ada atau tidak korelasi tinggi antara variabel bebas dalam satu model regresi linier berganda. Jika ada korelasi tinggi antara variabel bebas, maka hubungan antara variabel bebas terhadap variabel terikat menjadi terganggu (Ansofino et al., 2016).
Berikut akibat-akibat apabila model prediksi memiliki masalah multikolinearitas: (1) Estimator masih bisa bersifat BLUE, tetapi memiliki varian dan kovarian yang besar sehingga sulit dipakai sebagai alat estimasi; (2) Interval estimasi cenderung lebar dan nilai statistik uji t akan kecil menyebabkan variabel independen tidak signifikan secara statistik dalam mempengaruhi variabel independen (Winarno, 2011).
Uji multikolinearitas adalah kondisi adanya hubungan linear antar variabel independen. Untuk melihat ada atau tidaknya gejala multikolinearitas peneliti menggunakan cara dengan melihat kekuatan korelasi antar variabel bebas nilai korelasi apabila berada di atas 0,90 maka diduga terjadi multikolinearitas dalam model. Sedangkan jika koefisien di bawah 0,90 maka diduga dalam model tidak terjadi multikolinearitas (Ghozali, 2018).
51 c. Uji Heteroskedastisitas
Uji ini bertujuan untuk melihat apakah terdapat ketidakpastian varians dari residual satu ke pengamatan yang lain. Terdapat kesamaan varians dari residual satu pengamatan yang lain tetap atau disebut homoskedastisitas merupakan model regresi yang memenuhi syarat (Ansofino et al., 2016). Metode yang dapat digunakan untuk mengetahui ada atau tidak masalah heteroskedastisitas, yaitu metode grafik, uji park, uji glejser, uji korelasi spearman, uji goldfield-quandt, uji bruesch-pagan-godfrey, dan uji white (Winarno, 2011).
d. Uji Autokorelasi
Uji ini menguji apakah dalam model regresi linear terdapat korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode sebelumnya (t-1) (Ghozali, 2009). Jika terjadi korelasi, maka terdapat problem autokorelasi. Dengan adanya gejala autokorelasi, estimator OLS tidak menghasilkan estimator yang BLUE (Widarjono, 2018). Metode yang digunakan untuk medeteksi autokorelasi yaitu metode Grafik, Run, Watson, Newey-West, two-step Durbin-Watson statistik dan Lagrange Multiplier. Pengujian pada penelitian ini menggunakan uji two-step Durbin-Watson statistik dengan mengetahui nilai Rho = 1
-
2 dengan d merupakan nilai Durbin-Watson.
52
Pengambilan keputusan ada tidaknya autokorelasi didasarkan pada:
Tabel 3. 3. Durbin-Watson d Test: Pengambilan Keputusan
Hipotesisi Nol Keputusan Jika
Ada autokorelasi positif Tolak 0 < d < d Tidak ada Keputusan No decision d β€ d β€ d Ada autokorelasi negatif Tolak 4 - d β€ d β€ 4 Tidak ada Keputusan No decision 4 - d β€ d β€ 4 - d Tidak ada autokorelasi positif
dan negatif
Menerima d β€ d β€ 4 - d
Sumber: Widarjono, (2018)
Adapun cara untuk mendapatkan nilai d dan d di statistik Durbin-Watson yaitu dengan melihat nilai jumlah observasi (n) dan jumlah variabel independen tertentu tidak termasuk konstanta (k) (Widarjono, 2018).
5. Uji Signifikansi
a. Uji Simultan (Uji F)
Uji F bertujuan untuk mengetahui apakah semua variabel bebas yang dimasukan dalam model memiliki pengaruh terhadap variabel terikat secara bersamaan (Kuncoro, 2011). Maka dilakukan uji koefisiensi regresi secara keseluruhan untuk melihat pengaruh variabel independen (Debt to Asset (DAR), Current Ratio (CR), Return on Assets (ROA), Return on
53
Equity (ROE) dan Ukuran Perusahaan (SIZE) terhadap nilai perusahaan (Tobinβs Q).
Apabila nilai prob.F hitung lebih kecil dari 0,05 dapat dikatakan bahwa model regresi layak, sedangan nilai prob.F hitung lebih besar dari 0,05 model estimasi tidak layak (Nachrowi & Usman, 2006).
b. Uji Parsial (Uji t)
Setelah dilakukan uji koefisien regresi secara keseluruhan, selanjutnya dengan menghitung koefisiensi regresi secara individu, dengan menggunakan Uji-t. Uji parsial menunjukan seberapa jauh pengaruh satu variabel penjelas secara individual dalam menerapkan variasi variabel terikat (Kuncoro, 2011).
Apabila nilai prob.t hitung < 0,05, maka dapat dikatakan bahwa variabel bebas berpengaruh signifikan terhadap variabel terikat dan berlaku sebaliknya (Nachrowi & Usman, 2006).
c. Koefisien Determinasi (Adjusted 2)
Koefisiensi determinasi memberikan informasi baik atau tidak model regresi yang terestimasi atau angka tersebut mengukur seberapa dekatkah garis regresi terestimasi dengan data sebenarnya. Nilai koefisiensi determinasi (Adjusted 2) mencerminkan seberapa jauh kemampuan model dalam menjelaskan variabel terikat (Kuncoro, 2011).
54
Jika nilai koefisien determinasi sama dengan 0 (Adjusted 2 = 0), memiliki arti bahwa variasi dari variabel terikat tidak dapat diterapkan oleh variabel bebas. Jika Adjusted 2 = 1, memiliki arti bahwa varian dari variabel terikat secara keseluruhan dapat diterapkan oleh variabel bebas atau dapat diartikan semua titik pengamatan berada tepat pada garis regresi. Baik buruknya suatu persamaan regresi ditentukan oleh Adjusted 2 yang memiliki nilai antara nol dan satu (Nachrowi & Usman, 2006).
E. Definisi Operasional Variabel 1. Operasional Variabel Independen
Variabel independen atau variabel bebas merupakan variabel yang memengaruhi atau variabel yang menjadi sebab perubahannya atau timbulnya variabel dependen (Sugiyono, 2007). Berikut variabel bebas dari penelitian ini, yaitu:
a. Debt to Asset (DAR)
Debt to Asset merupakan rasio untuk mengukur seberapa besar perusahaan memakai hutang dalam pembiayaan jumlah asset atau aktivanya. Rumus Debt to Asset:
π·πππ‘ π‘π π΄π π ππ‘ =Total Hutang Total Aktiva
55 b. Current Ratio (CR)
Current Ratio merupakan kemampuan perusahaan untuk memenuhi kewajiban yang harus segera dibayar atau kewajiban jangka pendek dengan menggunakan aktiva lancar. Semakin tinggi nilai current ratio maka kinerja perusahaan dari sisi likuiditas terlihat baik dengan demikian risiko yang diterima investor semakin kecil. Rumus Current Ratio:
c. Return on Assets (ROA)
Rasio untuk mengukur kemampuan perusahaan untuk menghasilkan laba yang didasarkan pada total asset, semakin besar Return on Assets menunjukan semakin efektif perusahaan dalam menggunakan total aktiva.
ROA yang tinggi menunjukan kinerja perusahaan yang baik karena tingkat pengembalian investasi atas asset semakin besar maka risiko pada saham akan semakin kecil dikarenakan operasional perusahaan berjalan lancar akibat dari pengelolaan aktiva dengan baik (Anggraini &
Widhiastuti, 2020). Rumus Return on Asset:
πΆπ’πππππ‘ π ππ‘ππ = Aktiva Lancar Hutang Lancar
π ππ‘π’ππ ππ π΄π π ππ‘ = Laba Bersih Total Aktiva
56 d. Return on Equity (ROE)
ROE menunjukkan kemampuan perusahaan untuk menghasilkan laba setelah pajak dengan menggunakan modal perusahaan sendiri. ROE penting bagi para pemegang saham dan calon investor, karena semakin tinggi ROE maka semakin efisien penggunaan modal sendiri yang dilakukan oleh pihak manajemen perusahaan (Andriani &
Panglipurningrum, 2018). Rumus return on equity:
e. Ukuran Perusahaan (SIZE)
Perusahaan yang memiliki total aset dengan jumlah besar akan lebih mendapatkan perhatian dari investor dan kreditor ataupun para pemakai informasi keuangan lainnya. Dengan total aset besar maka pihak manajemen akan lebih leluasa dalam menggunakan aset perusahaan tersebut untuk menjalankan aktivitas perusahaan (Ulfah & Abbas, 2018).
Rumus ukuran perusahaan (Keown et al., 2008):
π ππ‘π’ππ ππ πΈππ’ππ‘π¦ = ππ πΌπππππ πππ‘ππ πΈππ’ππ‘π¦
ππΌππΈ = πΏπ πππ‘ππ π΄π π ππ‘
57 2. Operasional Variabel Dependen
Variabel dependen atau variabel terikat merupakan variabel yang dipengaruhi atau yang menjadi akibat karena adanya variabel bebas (Sugiyono, 2010). Variabel dependen yang digunakan dalam penelitian ini yaitu Nilai perusahaan merupakan nilai pasar yang dapat memberikan kemakmuran bagi pemegang saham secara maksimum jika harga saham perusahaan meningkat. Apabila nilai perusahaan meningkat maka akan meningkatkan kemakmuran pemilik ditandai dengan tingkat pengembalian investasi tinggi pada pemegang saham.
Pengukuran nilai perusahaaan menggunakan metode Tobinβs Q. Jika rasio Tobinβs Q di atas satu, maka menunjukkan bahwa investasi dalam aktiva menghasilkan laba yang memberikan nilai yang lebih tinggi dibandingkan pengeluaran investasi. Jika rasio Tobinβs Q di bawah satu, investasi dalam aktiva tidaklah menarik. Rumus Tobinβs Q (Keown et al., 2008):
πππππβ²π π =Nilai Pasar Ekuitas + πππ‘ππ π»π’π‘πππ Total Asset
58