BAB III METODELOGI PENELITIAN
D. Metode Analisis
Penelitian ini menggunakan analisis regresi logistik dan Multiple Discriminant Analysis (MDA) atas rasio-rasio keuangan. Analisis data adalah merupakan kegiatan mengolah data yang telah terkumpul kemudian dapat memberikan interprestasi pada hasil-hasil tersebut. Kegiatan dalam analisis data meliputi : pengelompokan data tiap variabel yang diteliti, melakukan perhitungan untuk menguji hipotesis yang diajukan.
Adapun analisis yang digunakan adalah sebagai berikut:
1.Analisis Deskriptif
Analisis deskriptif kuantitatif merupakan analisis data yang dilakukan untuk mengetahui dan menjelaskan variabel yang diteliti berupa angka-angka sebagai dasar dalam pengambilan keputusan, dimana dalam penelitian ini angka-angka tersebut adalah rasio-rasio keuangan dan kondisi bank yang dikategorikan dalam 2 kelompok, yaitu kondisi bank yang tidak bermasalah (1) dan kondisi bank yang bermasalah (0) selama 3 tahun berturut-turut dalam periode 2007-2009.
60
2. Uji Asumsi Diskriminan
a. Uji Normalitas
Hasil analisis diskriminan sangat sensitif jika terjadi penyimpangan atas asumsi yang digunakan. Jika asumsi kenormalan data tidak terpenuhi akan berakibat pada kesalahan dalam melakukan estimasi fungsi diskriminan. menuliskan bahwa asumsi kenormalan data harus dipenuhi oleh sebuah model dengan beberapa alasan (Gujarati, 1997:67):
1. Data normal menghasilkan model prediksi yang tidak bias, serta memiliki varians yang minimum.
2. Data normal menghasilkan model yang konsisten , yaitu dengan meningkatnya jumlah sampel ke jumlah yang tidak terbatas, penaksir akan mengarah ke nilai populasi yang sebenarnya.
Uji normalitas dilakukan juga untuk mengetahui apakah dalam sebuah model variabel bebas mempunyai distribusi normal atau mendekati distribusi normal. Uji ini dilakukan dengan menggunakan one-sample Kolmogorov Smirnov test. Data tidak berdistribusi dengan normal ditandai dengan asimp. Sig (2 tailed) < 0,05. Hasil uji normalitas dengan menggunakan uji one-sample Kolmogrov Smirnov Test dijadikan sebagai pedoman dalam menentukan pengujian hipotesis pertama. Hipotesis pertama (H1) akan diuji menggunakan uji Independent sample t Test jika
61 berdistribusi normal, dan akan diuji dengan alat uji Mann Whitney Test jika datanya memiliki distribusi tidak normal.
b. Independent Samples T-test
Uji beda t-test digunakan untuk menentukan apakah dua sampel yang tidak berhubungan memiliki nilai rata-rata yang berbeda. Uji beda t-test dilakukan dengan standart eror dari perbedaan rata-rata dua sample dalam nilai rata-rata terdistribusi secara normal (Imam Ghozali, 2005: 56):
Dimana :
µ1 = Rata-rata sampel pertama
µ2 = Rata-rata sampel kedua
S.E = Standart Eror perbedaan rata-rata kedua sampel
Hipotesis pertama menyatakan bahwa terdapat perbedaan antara bank yang bermasalah dengan bank yang tidak bermasalah pada rasio keuangan. Pengujian terhadap hipotesis pertama dilakukan dengan menggunakan uji Independent sample T-test. Uji Independent sample T-test dilakukan terhadap data yang terdistribusi normal, dan menggunakan alat uji Mann Whitney Test jika data terdistribusi tidak normal.
t = µ1 - µ2 S.E
62 Dari hasil pengujian ini dapat diketahui terdapat tidaknya perbedaan rasio. Kondisi antara bank bermasalah dan bank tidak bermasalah. Pengambilan keputusan dilakukan dengan melihat nilai asymp. Sig (2-tailed) > 0.05. Apabila nilai asymp. Sig (2- tailed) > 0.05 atau probabilitas variabel bebas > 0.05 maka tidak terdapat perbedaan rasio keuangan antara kondisi bank tidak bermasalah dan bank bermasalah. Apabila nilai asymp. Sig (2- tailed) < 0.05 atau probabilitasnya < 0.05 maka terdapat perbedaan rasio keuangan antara kondisi bank tidak bermasalah dan bank bermasalah.
c. Uji Linieritas
Equal Variance-Covariance Matrices adalah asumsi bahwa keragaman sample keseluruhan variabel bebas dari kedua kelompok yang diteliti adalah sama. Pelanggaran terhadap asumsi ini akan menimbulkan penyimpangan terhadap keakuratan fungsi diskriminan dalam mengelompokkan sampel kedalam salah satu kategori tertentu. Pengujian dilakukan menggunakan Box’s M Test dengan α=5%. Asumsi linieritas terpenuhi apabila hasil pengujian menunjukkan nilai signifikansi < 0.05.
63
3. Analisis Multiple Discriminat Analtsis (MDA)
Hipotesis kedua merupakan pengujian terhadap variabel-variabel rasio keuangan yang mempunyai kemampuan dalam membentuk model untuk memprediksi kebangkrutan bank. Hipotesis yang kedua akan diuji dengan menggunakan MDA (Multiple Diskriminant Analysis). Dengan menggunakan MDA, variabel independen akan diuji dan diseleksi dengan metode stepwise sehingga diperoleh model prediksi yang paling tepat untuk memprediksi kebangkrutan bank. Variabel independen yang masuk ke dalam seleksi SPSS akan menjadi persamaan fungsi diskriminan sebagai model prediksi yang terbentuk. Adapun model prediksi yang dibentuk dari MDA disajikan berikut ini:
Gambar 3.1
Model Fungsi Diskriminan
Dengan menggunakan fungsi diskriminan dapat dihitung nilai optimum cutting score (Zcu) dari rata-rata z score setiap kategori
Zscore = a +W1X1+W2X2+W3X3+W4X4+W5X5+W6X6+W7X7+W8X8 Notasi:
Zscore = Discriminant score
a W
= Intersep
= timbangan diskriminan variabel independen X1 X2 X3 X4 X5 X6 X7 X8
= Capital Adequency Ratio (CAR) = Aktiva Tetap terhadap Modal (ATTM) = Net Interest Margin (NIM)
= Loan To Deposit Ratio (LDR) = Profit Margin (PM)
= Aktiva Produktif Bermasalah (APB) = Non Performing Loan Gross (NPLg) = Non Performing Loan Net (NPLn)
64 sehingga kondisi bermasalah suatu bank dapat diprediksi secara tepat. Hasil dari fungsi diskriminan (Zscore) akan dibandingkan dengan nilai Zcu yang telah terbentuk. Apabila nilai Zscore < Zcu, maka bank akan dikategorikan ke dalam bank tidak bermasalah dan apabila nilai Zscore > Zcu, maka perusahaan akan dikategorikan ke dalam bank bermasalah. Dari model prediksi yang terbentuk oleh program SPSS akan dapat diketahui tingkat ketepatan model prediksi tersebut.
4. Analisis Regresi Binari Logistik
Pengujian hipotesis dalam penelitian ini dilakukan dengan analisis multivariate dengan menggunakan regresi logistik (logistic regression), dimana analisis ini digunakan untuk menguji variabel bebas yang terdiri dari CAR, ATTM, NIM, LDR, PM, APB, NPLg, NPLn terhadap kondisi bank.
Model binary logistic adalah model yang memiliki variabel dependen berupa kategori, sedangkan variabel independennya berupa data numeric. Data kategori pada variabel independen kemudian di beri nilai 0 dan 1. Setiap nilai dugaan dari variabel independen terhadap variabel dependen dinyatakan dalam nilai probabilitas.
Dalam penelitian ini, model regresi logistik yang digunakan adalah model binary logistic regression yaitu model yang variabel dependennya berupa data kategori, dimana bank yang bermasalah diberi kode 0 dan bank yang tidak bermasalah diberi kode 1.
65 Penggunaan regresi logistik ini tidak mensyaratkan adanya multivariate normal distribution karena tidak memerlukan asumsi normalitas data pada variabel bebasnya (Ghozali, 2005:211).
Model Regresi Logistik yang digunakan untuk menguji hipotesis dalam penelitian ini adalah sebagai berikut :
Gambar 3.2 Model Regresi Logistik P1 Ln = β0 + β1X1+ β2X2+ β3X3+ β4X4 + β5X5+ β6X6+ β7X7+ β8X8 1 – P1 Notasi: P 1 Ln 1 – P1
= Dummy variabel kondisi bank (P1 = 1 untuk bank tidak bermasalah dan 1 – P1= 0 untuk bank yang bermasalah β0 = Konstanta β1-8 = Koefisien X1 X2 X3 X4 X5 X6 X7 X8
= Capital Adequency Ratio (CAR) = Aktiva Tetap terhadap Modal (ATTM) = Net Interest Margin (NIM)
= Loan To Deposit Ratio (LDR) = Profit Margin (PM)
= Aktiva Produktif Bermasalah (APB) = Non Performing Loan Gross (NPLg) = Non Performing Loan Net (NPLn)
a. Menilai Model Fit
Penilaian keseluruhan model menggunakan nilai -2 Loglikelihood untuk melihat model yang lebih baik dalam memprediksi kondisi bermasalah, Loglikelihood ditransformasikan menjadi -2 Loglikelihood dimana output SPSS 17.0 memberikan dua nilai, yaitu
66 : pertama, untuk model pertama hanya terdapat konstanta dan nilai -2 Loglikelihood serta kedua, untuk model dengan konstanta dan variabel bebas. Jika terjadi penurunan dalam nilai -2 Loglikelihood pada blok kedua jika dibandingkan dengan blok pertama maka dapat disimpulkan bahwa model kedua regresi menjadi lebih baik (Ghozali, 2005:218).
b. Koefisien Cox & Snell R Square dan Nagelkerke’s R Square
Cox & Snell’s R Square merupakan ukuran yang mencoba meniru ukuran R2 pada multiple ragression yang didasarkan pada teknik estimasi -2 Loglikelihood dengan nilai maksimum kurang dari 1 sehingga sulit di interpretasikan. Negelkerke’s R Square merupakan modifikasi dari koefisien Cox & Snell R Square untuk memastikan bahwa nilainya bervariasi dari 0-1. Hal ini dilakukan dengan cara membagi nilai Cox & Snell R Square dengan nilai maksimumnya. Nilai Nagelkerke’s R Square dapat diinterpretasikan seperti nilai R2 pada multiple regression (Ghozali, 2005:219).
Nilai koefisien Nagelkerke R Square umumnya lebih besar dari nilai koefisien Cox & Snell R Square tapi cenderung lebih kecil dibandingkan dengan nilai koefisien determinasi R2 pada regresi linear berganda (Uyanto, 2006:236).
67
c. Hosmer and Lemeshow’s Goodness of Fit Test
Kelayakan model regresi dinilai dengan menggunakan Hosmer and Lemeshow’s Goodness of Fit Test. Hosmer and Lemeshow’s Goodness of Fit Test menguji H0 yang menyatakan bahwa data
empiris yang digunakan sesuai dengan model (tidak ada perbedaan antara model dengan data sehingga model dapat dikatakan fit). Hipotesis yang digunakan adalah sebagai berikut :
H0 = Tidak terdapat perbedaan antara klasifikasi yang diprediksi
dengan klasifikasi yang diamati.
Ha = Terdapat perbedaan antara klasifikasi yang diprediksi dengan
klasifikasi yang diamati.
Jika nilai Hosmer and Lemeshow’s Goodness of Fit Statistic sama dengan atau kurang dari 0.05 maka H0 ditolak, artinya ada
perbedaan signifikansi antara model dengan nilai observasinya sehingga Goodness Fit Model tidak baik, karena model tidak dapat memprediksi nilai observasinya. Jika nilai Statistics Hosmer and Lemeshow’s Goodness of Fit lebih besar dari 0.05 maka H0 diterima,
artinya model mampu memprediksi nilai observasinya atau dapat dikatakan model dapat diterima karena cocok dengan data observasinya (Ghozali, 2005:219).
68
d. Ketepatan Prediksi Klasifikasi
Tabel klasifikasi (Clasification Table) yang terdapat pada output SPSS 17.0 model regresi logistik digunakan untuk menghitung nilai estimasi yang benar (correct) dan yang salah (incorrect). Kolom menunjukkan 2 (dua) nilai prediksi dari variabel dependen yaitu : perusahaan yang memiliki pergerakan harga saham di bawah rata-rata industri (0) dan perusahaan yang memiliki pergerakan harga saham di atas rata-rata industri (1), sedangkan pada baris menunjukan nilai observasi sesungguhnya yang sesuai dengan data aktual. Pada model yang sempurna maka semua kasus akan berada pada diagonal dengan tingkat ketepatan peramalan 100% (Ghozali, 2005:220).
e. Uji Wald Statistics
Uji Wald pada tabel variables in the equation digunakan untuk menguji apakah masing-masing koefisien regresi logistik signifikan. Uji Wald sama dengan kuadrat dari rasio koefisien regresi logistik β dan standar error S.E dengan tingkat signifikansi α < 0.05 (Uyanto, 2006:236).
f. Pengujian Hipotesis
Pengujian hipotesis dalam penelitian ini dilakukan dengan melihat Uji Independent sample t Test dengan prosedur pengujian sebagai berikut :
69 1) Menentukan hipotesis
2) Membandingkan nilai probabilitas (P-value) dalam Uji Independent sample t Test dengan tingkat signifikansi (α) 5%. 3) Kriteria penerimaan dan penolakan hipotesis :
a) H1 diterima jika nilai probabilitas (P-value) ≥ 0.05.
Pengujian hipotesis kedua dalam penelitian ini dilakukan dengan melihat tabel klasifikasi (Clasification Table) yang terdapat pada output SPSS 17.0 dengan prosedur pengujian sebagai berikut:
1) Menentukan hipotesis.
2) Membandingkan tingkat akurasi antara model Multiple Discriminant Analysis (MDA) dan model Regresi Binari Logistik. 3) Kriteria penerimaan dan penolakan hipotesis:
a) H2 diterima jika terdapat perbedaan tingkat akurasi.
b) Ha diterima (H0 ditolak) jika tidak terdapat perbedaan tingkat
akurasi.
E. Operasional Variabel- variabel Penelitian