METODE PENELITIAN
A. Metode Analisis 1. Uji Asumsi Klasik
Modal regresi berganda harus memenuhi asumsi klasik. Uji asumsi klasik bertujuan untuk mengetahui apakah model regresi yang diperoleh dapat menghasilkan estimator linier yang baik. Apabila dalam suatu model telah memenuhi asumsi klasik, maka dapat dikatakan model tersebut sebagai model ideal atau menghasilkan estimator linier tidak bias yang terbaik Best Linier Unbias Estimator (BLUE) (Algifari,2000). Untuk menguji apakah model yang digunakan diterima secara ekonometri dan apakah estimator yang diperoleh dengan metode kuadrat terkecil sudah memenuhi syarat BLUE, maka dilakukan uji sebagai berikut :
a. Uji Normalitas
Uji Normalitas bertujuan untuk menguji apakah dalam model regresi, variabel dependen dan independen keduanya memiliki distribusi normal ataukah tidak. Model regresi yang baik adalah memiliki distribusi data normal atau mendekati normal.
Untuk mendeteksi normalitas residual, dapat dilakukan dengan analisis grafik dan uji statistik. Analisis grafik yang dapat digunakan adalah dengan melihat grafik histogram dan grafik normal probability plotsnya. Sedangkan pada uji statistik, dapat melihat pada hasil uji statistik non-parametrik kolmogorov-Smirnov (K-S) test (Ghozali,2012). Pada prinsipnya, pengujian normalitas data dapat dianalisis dengan pola distribusi yang normal dan grafik normal plot yang dapat dideteksi dengan melihat penyebaran data (titik) pada sumbu diagonal dari grafik atau dengan melihat histogram dari residualnya. Dasar pengambilan
keputusannya adalah, (Ghozali,2012):
Jika data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal atau grafik histogramnya menunjukkan pola distribusi normal, maka model regresi memenuhi asumsi normalitas.
Jika data menyebar jauh dari diagonal dan atau tidak mengikuti arah garis diagonal atau grafik histogram tidak menunjukkan pola distribusi normal, maka model regresi tidak memenuhi asumsi normalitas. Dalam melakukan uji normalitas dilengkapi pula dengan uji statistik. Uji statistik yang digunakan adalah uji statistik nonparametik Kolmogorov-Smirnov (K-S). Uji K-S dilakukan dengan membuat hipotesis:
H0 : Variabel residual terdistribusi normal. Ha : Variabel residual tidak terdistribusi normal Pengambilan keputusan :
Jika probabilitas lebih besar dari 0.05 maka H0 diterima.
Jika probabilitas lebih kecil dari 0.05 maka H0 ditolak.
b. Uji Multikolinieritas
Multikolinieritas berarti adanya hubungan linier yang sempurna atau pasti, diantara beberapa atau semua variabel yang menjelaskan dari model regresi. Ada atau tidaknya multikolinieritas dapat diketahui atau dilihat dari koefisien korelasi masing-masing variabel bebas (Ajija,2011). Dengan kata lain, uji multikolinieritas dilakukan untuk menguji apakah pada model regresi ditemukannya korelasi antara variable-variabel independen yaitu variabel DPK, CAR dan NPF. Jika terjadi korelasi, maka terdapat masalah multikolinieritas. Model regresi yang baik seharusnya tidak terjadi korelasi antara variabel independennya (Widarjono,2005).
Uji multikolinieritas bertujuan untuk mengetahui apakah terjadi korelasi antar variabel independen dan bila terjadi maka terdapat problem multikolinieritas. Model regresi dikatakan baik bila tidak terjadi korelasi antar variabel independen. Nilai cut off
yang umum dipakai untuk menunjukkan adanya multikolinieritas adalah nilai Tolerance > 0,10 atau sama dengan VIF < 10 dan nilai
korelasi antar variabel independen < 0,5 maka model dinyatakan tidak terdapat gejala multikolinieritas (Oramahi : 2007).
c. Uji Autokolerasi
Autokolerasi dapat didefenisikan sebagai “korelasi diantara anggota observasi yang diurut menurut waktu (seperti deret berkala) atau ruang (seperti data lintas - sektoral)” (Gujarati,2006)
Adanya autokorelasi dapat mengakibatkan penaksir mempunyai varians tidak minimum dan uji-t tidak dapat digunakan, karena akan memberikan kesimpulan yang salah. Ada beberapa cara untuk mendeteksi ada-tidaknya masalah autokorelasi, yaitu menggunakan metode Durbin-Watson dan metode Run Test sebagai salah satu uji statistik non-parametrik. Uji Durbin- Watson (Uji D-W) merupakan uji yang sangat populer untuk menguji ada-tidaknya masalah autokorelasi dari model empiris yang diestimasi. (Gunawan Sudarmanto, 2005).
Menurut Oramahi (2007), untuk mendeteksi terjadi autokorelasi atau tidak dapat dilihat melalui nilai Durbin Watson (DW) yang bisa dijadikan patokan untuk mengambil keputusan adalah:
1) Bila nilai D-W < -2, berarti ada autokorelasi positif.
2) Bila nilai D-W diantara -2 sampai dengan +2, berarti tidak terjadi autokorelasi.
Jika ada masalah autokorelasi, maka model regresi yang seharusnya signifikan (lihat angka F dan signifikansinya), menjadi tidak layak untuk dipakai. Autokorelasi dapat diatasi dengan berbagai cara antara lain dengan melakukan transformasi data dan menambah data observasi.
d. Uji Heteroskedastisitas
Uji Heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Jika variance dari residual satu ke pengamatan lain tetap, maka disebut homoskedastisitas. Model regresi yang baik adalah yang homoskedastisitas atau tidak terjadi heteroskedastisitas. Pengujian ada tidaknya masalah heteroskedastisitas dapat dilakukan dengan melihat grafik plot antara nilai prediksi variabel terikat (dependent) yaitu ZPRED dengan residualnya SRESID. Deteksi ada tidaknya heteroskedastisitas dapat dilakukan dengan melihat ada tidaknya pola tertentu pada grafik scatterplot. Dasar analisis ini untuk pengujian ini adalah :
1. Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu, maka mengindikasikan telah terjadi heteroskedastisitas.
2. Jika tidak ada pola yang jelas, serta titik-titik menyebar diatas dan dibawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.
2. Uji Hipotesis
Data yang digunakan untuk mengetahui hubungan dari variabel-variabel yang akan diteliti. Pengolahan data menggunakan software Microsoft Excel 2013 dan SPSS versi 20.0. Dalam pengujian ini menggunakan Uji Statistik meliputi Uji t, Uji F dan Uji Koefisien Determinasi (Adjusted R Square).
a) Uji Parsial (Uji - t)
Uji - t digunakan untuk menguji apakah setiap variabel bebas (independent) secara masing - masing parsial atau individu memiliki pengaruh yang signifikan terhadap variabel terikat (dependent) pada tingkat signifikan 0.05 (5%) dengan menganggap variabel bebas bernilai konstan. (Nachrowi,2006).
Uji t digunakan untuk menguji apakah variabel independen tersebut memiliki pengaruh yang berarti terhadap variabel dependen nya atau tidak. Uji t digunakan untuk menentukan pengujian hipotesis uji t. Apabila harga koefisien t yang digunakan sebagai ukuran, maka nilai koefisien tersebut harus dibandingkan dengan nilai t tabel untuk tingkat alpha yang telah ditetapkan dengan dk yang sesuai. Kriteria yang
digunakan yaitu menolak Ho dan menerima Ha apabila t hitung > t tabel, serta menerima Ho dan menolak Ha apabila t hitung < t tabel. (Gunawan Sudarmanto, 2005).
b) Uji simultan (uji - f)
Uji simultan (uji - f) digunakan untuk mengetahui apakah seluruh variabel bebas (independent) secara bersama - sama berpengaruh terhadap variabel terikat (dependent) pada tingkat signifikan 0.05 (5%). (Nachrowi : 2006 :16)
Uji F ini juga sering disebut sebagai uji simultan, untuk menguji apakah variabel bebas yang digunakan dalam model mampu menjelaskan perubahan nilai variabel terikat atau tidak. Adapun cara pengujian dalam uji F ini, yaitu dengan menggunakan suatu tabel yang disebut dengan Tabel ANOVA (Analysis of Variance) dengan melihat nilai signifikasi (Sig < 0,05 atau 5 %). Jika nilai signifikasi > 0.05 maka H1 ditolak, sebaliknya jika nilai signifikasi < 0.05 maka H1 diterima.
c) Uji Koefisien Determinasi (R2)
Menurut Ajija (2011) uji koefisien determinasi koefisien R2 (adjusted R- Squared). Koefisien dterminasi ini menunjukan kemampuan garis regresi yang menerangkan variabel terikat Y yang dapat dijelaskan oleh variabel bebas X.
Nilai koefisien determinasi adalah diantara 0-1. Bila nilai koefisien determinasi sama dengan 0 (R2=0), artinya variasi dari Y tidak dapat diterangkan oleh X sama sekali. Sementara bila nilai koefisien determinasi sama dengan 1 (R2=1), artinya variasi Y secaraa keseluruhan dapat diterangkan oleh X.
Untuk dapat memberikan penafsiran terhadap koefisien korelasi yang ditemukan tersebut besar atau kecil, maka dapat digunakan kriteria sebagai berikut (Sugiyono,2009) :
Tabel 3.3
Kriteria untuk Memberikan Interpretasi terhadap Koefisien Korelasi
Interval Koefisien Tingkat hubungan
0,00 – 0,199 Sangat rendah
0,20 – 0,399 Rendah
0,40 – 0,599 Sedang
0,60 – 0,799 Kuat
0,80 – 1,000 Sangat kuat
3.Analisis Regresi Linier Berganda
Metode analisis data dalam penelitian ini adalah analisis regresi Linier Berganda atau OLS. Sebelum melakukan estimasi yang tidak bias dengan analisis regresi, perlu dilakukan uji BLUE.
pengaruh variabel independen terhadap variabel dependen. Pengaruh regresi linier berganda dapat dituliskan sebagai berikut:
Y = a + b1X1 + b2X2 + …… + bnXn + e
Berdasarkan pemaparan di atas maka model persamaan analisis regresi linier berganda pada penelitian ini adalah sebagai berikut:
LnL = a + b1LnNPF+ b2LnDPK + b3LnCAR+ e Keterangan :
LnL = Logaritma Natural Likuiditas
a = Konstanta
LnDPK = Logaritma Natural Dana Pihak Ketiga
LnCAR = Logaritma Natural Capital Adequacy Ratio
LnNPF = Logaritma Natural Non Performing Finance
e = Nilai residu