Bab III Metodelogi Penelitian
D. Metode Analisis
Data dalam penelitian ini akan dianalisis dengan metode : 1. Analisis Statistik
a. Uji Statitik F (Simultan)
Uji F digunakan untuk menunjukkan apakah semua variabel bebas yang dimasukkan dalam model mempunyai pengaruh secara bersama-sama terhadap variabel terikat/dependen.
H0 = bid ask spread, market value, return saham dan varian return saham secara bersamaan tidak berpengaruh signifikan pada variabel Holding Period. Ha = bid ask spread, market value, return saham dan varian return saham secara bersamaan berpengaruh secara signifikan pada variabel Holding Period. Terima H0 jika p-value >level of significant
Terima Ha jika p-value < level of significant b. Uji Signifikan Parameter Individual (Parsial)
Uji t digunakan untuk menunjukkan seberapa jauh pengaruh satu variabel penjelas/independen secara individual dalam menerangkan variasi variabel dependen.
H0 = bid ask spread, market value, return saham dan varian return saham secara individu tidak berpengaruh signifikan pada variabel Holding Period. Ha = bid ask spread, market value, return saham dan varian return saham secara individu berpengaruh secara signifikan pada variabel Holding Period. Terima H0 jika p-value >level of significant
Terima Ha jika p-value < level of significant c. Koefisien Determinasi
Koefisien determinasi (R2) digunakan untuk mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel dependen. Koefisien determinasi adalah di antara nol dan satu. Jika nilai kecil atau mendekati 0 maka variasi variabel dependen amat terbatas. Sedangkan jika nilai besar atau mendekati satu maka hampir semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen.
Nilai R-Square dikatakan baik jika di atas 0,5 karena nilai R-Square berkisar antara 0 sampai 1. Pada umumnya sampel dengan data deret waktu (time series) memiliki R-Square maupun Adjusted R Square cukup tinggi (diatas 0,5), sedangkan sampel dengan data tertentu yang disebut data silang (crosssection) pada umumnya memiliki R-Square maupun Adjusted R Square cukup rendah (di bawah 0,5) (Bhuono:2005:51).
a. Uji Normalitas Data
Uji normalitas digunakan untuk menguji apakah dalam sebuah model regresi, variabel independen, variabel dependen, atau keduanya mempunyai distribusi normal atau tidak. Model yang baik adalah data normal atau mendekati normal.
Menurut Singgih Santoso (2000: 214) ada beberapa cara mendeteksi normalitas dengan melihat penyebaran data (titik) pada sumbu diagonal dan grafik. Dasar pengambilan keputusan :
1). Jika data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal, maka model regresi memenuhi asumsi normalitas.
2). Jika data menyebar jauh dari garis diagonal dan atau tidak mengikuti arah garis diagonal, maka model regresi tidak memenuhi asumsi normalitas.
b.Uji Autokorelasi
Autokorelasi adalah korelasi antara variabel itu sendiri pada pengamatan yang berbeda waktu atau individu. Uji Autokorelasi bertujuan
untuk menguji apakah dalam model regresi berganda ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pada periode t dengan kesalahan pada periode t-1 (sebelumnya). Jika terjadi korelasi maka dinamakan ada penyakit autokorelasi. Tentu saja model regresi yang baik adalah regresi yang terbebas dari autokorelasi.
Ada beberapa alasan terjadi autokorelasi di antaranya : 1). Bentuk fungsi yang salah.
2). Terjadi penyimpangan spesifikasi karena adanya variabel X lain yang tidak dimasukkan pada model.
3). Inerita, yaitu adanya momentum yang masuk ke dalam variabel-variabel X yang terus-menerus sehingga sesuatu akan terjadi dan mempengaruhi nilai-nilai pada variabel X-nya.
4). Manipulasi data yang mengakibatkan data tidak akurat. 5). Adanya lags (tenggang waktu).
Untuk mendeteksi adanya autokerelasi dengan cara antara lain :
1). Melihat pola hubungan antara residual (µ) dan variabel bebas atau waktu (X). Bila sebaran titik-titik cenderung mengalami penurunan, maka dapat dikatakan ada autokorelasi negatif, sebaliknya bila cenderung menaik, maka dapat dikatakan ada autokorelasi positif.
2). Menggunakan uji Durbin Watson (DW). Uji ini digunakan dengan cara membandingkan nilai Durbin-Watson dengan tabel Durbin-Watson.
Dalam tabel Durbin-Watson terdapat nilai batas atas (upper bound atau du) dan nilai batas atas (lower bound atau dl). Adapun kriteria yang diberlakukan untuk menjadi patokan adalah sebagai berikut (Ghozali:2005):
Setelah itu membandingkan nilai stastistik d dengan dL (d Lower) dan dU (d upper) dari table dengan ketentuan sebagai berikut :
a). Bila d < dL, berarti ada korelasi yang positif.
b). Bila dL < d < dU, berarti tidak dapat diambil kesimpulan apa-apa. c). Bila dU < d < 4 - dU, berarti tidak ada korelasi positif maupun negatif. d). Bila 4-du < d < 4-dL, berarti tidak dapat diambil kesimpulan apa-apa. e). Bila d > 4 – dL, berarti ada korelasi negatif.
Petunjuk dasar pengambilan keputusan ada tidaknya autokorelasi dengan melihat besarnya nilai Durbin Watson yaitu :
a). Angka DW di bawah -2 terdapat autokorelasi positif.
b). Angka DW di antara -2 sampai +2 tidak terdapat autokorelasi. c). Angka DW di atas +2 terdapat autokorelasi negatif.
c.Uji Multikolinearitas
Uji multikolineritas digunakan untuk menguji apakah pada model regresi ditemukan adanya korelasi antar variabel independen. Bila variabel-variabel berkorelasi secara sempurna maka disebut multikolineritas sempurna (perpect multicollinearity).
Multikolinieritas merupakan keadaan di mana satu atau lebih variabel independen dinyatakan kondisi linier dengan variabel lainnya. Artinya jika di antara pengubah-pengubah bebas yang digunakan sama sekali tidak berkorelasi satu dengan yang maka bias dikatakan tidak terjadi multikolinieritas.
Untuk menguji asumsi multikolinieritas dapat digunakan VIF (Variance Inflation Factor) dan TOL (tolerance), dimana Ghozali (2005) mengatakan bila nilai VIF lebih dari 10 berarti terdapat multikolinieritas sangat tinggi dan sebaliknya apabila nilai VIF lebih kecil dari 10 maka tidak terjadi multikolinieritas. Sedangkan bila nilai TOL kurang dari 0,10 maka dikatakan bahwa model regresi bebas dari multikolinieritas.
d.Uji Heteroskedastisitas
Heteroskedastisitas adalah suatu keadaan di mana varian dari kesalahan pengganggu tidak konstan untuk semua nilai variabel bebas. (J. Suprapto, (1983). Uji heteroskedastisitas bertujuan untuk menguji apakah
dalam model regresi terjadi ketidaksamaan varian dari residual satu pengamatan ke pengamatan yang lain. Jika varian dari residual satu pengamatan ke pengamatan ke pengamatan yang lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut heteroskedasitas. Model yang baik adalah homoskedastisitas dan tidak terjadi heteroskedastisitas.
Menurut Singgih Santoso (2000:210) ada beberapa cara untuk mendeteksi ada tidaknya heteroskedastisitas, antara lain :
1). Melihat grafik plot antara nilai prediksi variabel terikat (ZPRED) dengan residualnya (SPRED). Deteksi ada tidaknya pola tertentu pada grafik scatterplot antara SRESID dan ZPREAD di mana sumbu X dan Y yang telah diprediksi dan sumbu Y adalah residual (Y prediksi-Y sesungguhnya) yang telah distudentized.
2). Dasar analisis, jika ada pola tertentu yang teratur seperti titik-titik yang ada membentuk suatu pola tertentu yang teratur (bergelombang, melebar, kemudian menyempit), maka telah terjadi Heteroskedastisitas. Jika tidak ada pola yang jelas serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi Heteroskedastisitas.
3. Analisis Regresi Berganda
Nachrowi dan Usman (2002:15) menyebutkan analis regresi merupakan suatu motode yang digunakan untuk menganalisis hubungan antar variabel. Hubungan tersebut diekspresikan dalam bentuk persamaan yang menghubungkan variabel terikat Y dengan satu atau lebih variabel bebas (X1,
X2, X3, …Xn). Jika variabel bebas yang digunakan lebih dari satu, model yang diperoleh adalah model regresi berganda.
Suatu model regresi linear yang baik adalah yang mempunyai nilai error yang minimal (Ordinary Least Square/ OLS) serta mempunyai sifat BLUE (Best Linear Unbiased estimator) Husnelly (2003:28) yaitu :
a. Mean dari nilai residualnya = 0 E (µi) = 0
b. Varians dari residual konstan (homokedastis) Var (µ i / xi ) б2 sama untuk setiap i
c. Tidak terjadi autokorelasi pada variabel yang berbeda waktu. Cov (µi / µi ) = 0;i ≠ j
d. Tidak terjadi multikolineritas diantara variabel-variabel bebasnya Misalnya X1 = γ X2 atau X2 = γ1 X1
e. Tidak terdapat korelasi antara residual dengan variabel bebas Cov ( µi, xi) = 0
f. Model regresi dispesifikasi secara benar sebelum membuat model, yaitu dengan memperhatikan hal-hal sebagai berikut :
1). Bagaimana yang dikatakan teori
2). Variabel-variabel apa saja yang perlu diperhatikan 3). Bagaimana bentuk fungsinya
Pada penelitian ini untuk menguji hipotesis pengaruh bid ask spread, value
market, return saham, varian return saham, terhadap holding period digunakan regresi berganda.
Persamaan untuk regresi berganda penelitian ini dapat dinyatakan dalam persamaan garis sebagai berikut :
Y = a + b1 X1+b2 X2 + b3 X3 + b4 X4 + Єi
Dimana :
Y = Holding Period a = Intersept
b1-b4 = Koefesien Regresi X1 = Bid Ask Spread X2 = Market Value X3 = Return Saham X4 = Varian Return Saham Єi = Error Term
f. Dasar Pengambilan Keputusan 1). Uji Signifikan Parameter Individual
H0 = bid ask spread, market value, return saham dan varian return saham secara individu tidak berpengaruh signifikan pada variabel Holding Period.
Ha = bid ask spread, market value, return saham dan varian return saham secara individu berpengaruh secara signifikan pada variabel Holding Period.
Terima H0 jika p-value >level of significant Terima Ha jika p-value < level of significant 2). Uji Signifikan Simultan (F-Test)
H0 = bid ask spread, market value, return saham dan varian return saham secara bersamaan tidak berpengaruh signifikan pada variabel Holding Period.
Ha = bid ask spread, market value, return saham dan varian return saham secara bersamaan berpengaruh secara signifikan pada variabel Holding Period.
Terima H0 jika p-value >level of significant Terima Ha jika p-value < level of significant 3). Koefisien Determinasi (R2/ Adjusted R2)
Nilai R-Square dikatakan baik jika di atas 0,5 karena nilai R-Square berkisar antara 0 sampai 1. Jika berada di bawah 0.5 maka hubungan antara variabel terikat dengan variabel - variabelnya lemah.