BAB III. METODE PENELITIAN
F. Metode Analisis Data
Metode analisis data yang digunakan adalah metode analisis statistik dengan menggunakan software SPSS 16. Sebelum data dianalisis, maka untuk keperluan analisis data tersebut terlebih dahulu dilakukan uji asumsi klasik.
1. Pengujian Asumsi Klasik
Peneliti menggunakan uji asumsi klasik terlebih dahulu untuk menentukan apakah distribusi data normal, sebelum melakukan pengujian hipotesis. Pengujian tersebut meliputi :
a. Uji Normalitas Data
Menurut Ghozali (2005:110), “Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal. Jika nilai residual tidak mengikuti distribusi normal, uji statistik menjadi tidak valid untuk jumlah sampel kecil.” Menurut Ghozali (2005:110), ”cara untuk mendeteksi apakah residual berdistribusi normal atau tidak ada dua, yaitu analisis grafik dan analisis statistik. Normalitas dapat dideteksi dengan melihat penyebaran data (titik) pada sumbu diagonal dan grafik dengan melihat histogram dari residualnya”. Dasar pengambilan keputusannya adalah:
1) Jika data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal atau grafik histogramnya menunjukkan pola berdistribusi normal, maka model regresi memenuhi asumsi normalitas,
2) Jika data menyebar jauh dari diagonal dan tidak mengikuti arah garis diagonal atau grafik histogram tidak menunjukkan data berdistribusi normal, maka model regresi tidak memenuhi asumsi normalitas.
”Uji statistik yang dapat digunakan untuk menguji normalitas residual adalah uji statistik Kolmogorov-Smirnov (K-S)”, yang dijelaskan oleh Ghozali (2005:115). Uji K-S dibuat dengan membuat hipotesis:
Ho : Data residual berdistribusi normal Ha : Data residual tidak berdistribusi normal
Bila signifikansi >0,05 dengan α = 5% berarti distribusi data normal dan Ho diterima, sebaliknya bila nilai signifikan <0,05 berarti distribusi data tidak normal dan Ha diterima. Jika data tidak normal, ada beberapa cara mengubah model regresi menjadi normal menurut Jogiyanto (2004:172), yaitu:
1) Dengan melakukan transformasi data ke bentuk lain, yaitu: Logaritma Natural, akar kuadrat, atau Logaritma 10.
2) Lakukan trimming, yaitu memangkas observasi yang bersifat outlier, 3) Lakukan winsorizing, yaitu mengubah nilai-nilai data outliers menjadi
nilai-nilai minimum atau maksimum yang diizinkan supaya distribusinya menjadi normal.
b. Uji Multikolinieritas
Menurut Erlina dan Mulyani (2007:107), “Uji ini bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi diantara variabel independen.” Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel
independen. Salah satu cara untuk mendeteksi multikolonirietas menurut Ghozali (2005:91) dapat dilihat dari (1) nilai tolerance dan lawannya (2) variance inflation
factor (VIF). Nilai cut off yang umum digunakan untuk mendeteksi adanya
multikolinieritas adalah tolerance < 0,10 atau sama dengan nilai VIF > 10. Jika nilai tolerance < 0,10 atau nilai VIF > 10 maka mengindikasikan terjadi multikolinieritas.
c.Uji Heterokedastisitas
Menurut Erlina dan Mulyani (2007:107), “Uji ini bertujuan untuk melihat apakah dalam model regresi terjadi ketidaksamaan variabel dari residual satu pengamatan ke pengamatan lain.” Jika varians dari residual satu pengamatan ke pengamatan lain tetap, maka disebut homokedastisitas dan jika varians berbeda disebut heterokedastisitas.
Ada tidaknya heteroskedastisitas dapat dilakukan dengan melihat grafik
Scaterplot antar nilai prediksi variabel independen dengan nilai residualnya.
Dasar analisis yang dapat digunakan untuk menentukan heteroskedastisitas, antara lain:
1) Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur (bergelombang, melebar kemudian menyempit), maka mengindikasikan telah terjadi heteroskedastisitas,
2) Jika tidak ada pola yang jelas, seperti titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas atau terjadi homoskedastisitas.
Menurut Gozali (2005:107) ”analisis dengan grafik plots memiliki kelemahan yang cukup signifikan oleh karena jumlah pengamatan mempengaruhi hasil ploting. Semakin sedikit jumlah pengamatan semakin sulit menginterpretasikan hasil grafik plot. Oleh sebab itu diperlukan uji statistik yang lebih dapat menjamin keakuratan hasil.”
Ada beberapa uji statistik yang dapat digunakan untuk mendeteksi ada tidaknya heteroskedastisitas, antara lain:
1).Uji Park, 2).Uji Glejser.
d. Uji Autokorelasi
Pada data time series sering ditemukan adanya masalah autokorelasi. Menurut Ghozali (2005:95) “Uji autokorelasi bertujuan menguji apakah dalam model regresi linear ada korelasi antara kesalahan penggangu pada periode t dengan kesalahan pengganggu pada periode t-1 (sebelumnya).” Pada penelitian ini, autokorelasi diuji dengan menggunakan uji Durbin – Watson (DW test). Cara yang dapat digunakan untuk mendeteksi masalah autokorelasi adalah dengan menggunakan nilai uji Durbin Watson. Kriteria untuk penilaian terjadinya autokorelasi yaitu :
1) angka D-W dibawah -2 berarti ada autokorelasi positif,
2) angka D-W di antara -2 sampai +2, berarti tidak ada autokorelasi, 3) angka D-W di atas +2 berarti ada autokorelasi negatif..
2. Pengujian Hipotesis
Pengujian hipotesis dilakukan dengan metode analisis regresi linear berganda. Analisis ini digunakan untuk mengetahui apakah variabel bebas mempunyai pengaruh terhadap variabel terikat.
a. Uji Signifikansi Parsial (t-test)
Pengujian ini bertujuan untuk mengetahui apakah masing–masing variabel independen mempengaruhi variabel dependen secara signifikan. Adapun yang menjadi model persamaannya adalah :
1. untuk Capital Adequacy Ratio
2. untuk Debt to Equity Ratio
3. untuk Non Performing Loan
4. untuk Operating Ratio
5. untuk Loan to Deposit Ratio
Sementara itu, untuk pengujian secara parsial ini digunakan uji-t. Bentuk pengujiannya adalah sebagai berikut :
Ho : b1,b2,b3,b4,b5 = 0, artinya Capital Adequacy Ratio, Debt to Equity
Ratio, Non Performing Loan, Operating Ratio, dan Loan to Deposit Ratio
Y = a + b1X1 + e
Y = a + b2X2 + e
Y = a + b3X3 + e
Y = a + b4X4 + e
secara parsial tidak mempunyai pengaruh yang signifikan terhadap Return
On Equity (ROE)
Ha : b1,b2,b3,b4,b5
Pengujian dilakukan dengan menggunakan uji – t dengan tingkat pengujian pada α = 5%.
≠ 0, artinya Capital Adequacy Ratio, Debt to Equity Ratio, Non Performing Loan, Operating Ratio, dan Loan to Deposit Ratio
secara parsial mempunyai pengaruh yang signifikan terhadap Return On
Equity (ROE)
Kriteria pengambilan keputusan : Ho diterima jika t hitung > t tabel Ha diterima jika t
atau signifikansi > 0,05 hitung < t tabel atau signifikansi < 0,05
b. Uji Signifikansi Simultan (F-test)
Pengujian ini bertujuan untuk mengetahui apakah variabel–variabel independen secara bersama–sama mempengaruhi variabel dependen secara signifikan. Pengujian simultan ini menggunakan uji F, yaitu dengan membandingkan antara nilai signifikansi F dengan nilai signifikansi yang digunakan yaitu 0,05.
Model persamaan yang digunakan adalah sebagai berikut :
Keterangan :
Y = Return On Equity a = Konstanta
X1 X
= Capital Adequacy Ratio 2
X
= Debt to Equity Ratio 3
X
= Non Performing Loan 4
X
= Operating Ratio 5
b
= Loan to Deposit Ratio 1,b2,b3,b4,b5
e = Error (Pengganggu)
= Koefisien regresi
Bentuk pengujiannya adalah sebagai berikut : Ho : b1 = b2 = b3 = b45 = b5
Ha : b
= 0, artinya Capital Adequacy Ratio, Debt to
Equity Ratio, Non Performing Loan, Operating Ratio, dan Loan to Deposit Ratio tidak mempunyai pengaruh yang signifikan secara bersama–sama
terhadap Return On Equity (ROE) 1 ≠ b2 ≠ b3 ≠ b4 ≠ b5
Pengujian dilakukan dengan menggunakan uji – F dengan tingkat pengujian pada α = 5%.
≠ 0, artinya Capital Adequacy Ratio, Debt to
Equity Ratio, Non Performing Loan, Operating Ratio, dan Loan to Deposit Ratio mempunyai pengaruh yang signifikan secara bersama–sama terhadap Return On Equity (ROE)
H0 diterima jika Fhitung < Ftabel Ha diterima jika Fhitung > Ftabel
Jika nilai signifikansi penelitian < 0,05 maka Ha diterima.
c. Koefisien Determinasi (Goodness of fit test)
Pengujian ini bertujuan untuk menguji tingkat keeratan atau keterikatan antarvariabel dependen dan variabel independen yang bisa dilihat dari besarnya nilai koefisien determinan determinasi multiple R2. Nilai R2 ini mempunyai range antara 0 sampai 1 (0≤R 2≤1) Semakin tinggi R2
suatu regresi (mendekati satu), maka semakin baik regresi tersebut dan semakin mendekati nol.