BAB III METODE PENELITIAN
3.9 Teknik Analisis Data
3.9.1 Pengujian Asumsi Klasik
Adapun syarat asumsi klasik yang harus dipenuhi model regresi linear berganda sebelum data tersebut dianalisis adalah sebagai berikut:
1. Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi variabel terikat dan variabel bebas keduanya memiliki distribusi normal atau tidak. Model regresi yang baik adalah memiliki distribusi data normal atau mendekati normal. Ghozali (2013: 160) menyebutkan ada dua cara untuk mendeteksi apakah residual berdistribusi normal atau tidak yaitu dengan analisis grafik dan uji statistik.
Dengan menggunakan analisis grafik maka untuk melihat normalitas adalah dengan melihat grafik histogram yang membandingkan antara observasi
garis diagonal dan mengikuti garis diagonalnya, maka regresi memenuhi asumsi normalitas. Sedangkan dengan menggunakan uji statistik sederhana dapat dilakukan dengan melihat nilai kurtosis dan skewness dari residual ataupun dengan uji statistik non parametrik Kolmogorov-Smirnov (K-S). Uji statistik dengan melihat nilai kurtosis dilihat dari nilai Z hitung yang mana jika nilai Z hitung > Z tabel maka distribusi tidak normal. Untuk uji K-S maka dalam menguji normalitas dilakukan dengan membuat hipotesis:
H0: Data residiual berdistribusi normal H1: Date residual tidak berdistribusi normal
Penelitian ini memiliki sampel yang tidak cukup besar sehingga uji normalitas yang tepat untuk digunakan adalah dengan uji grafik dan uji statistik dengan menggunakan uji statistik non-parametrik kolmogorov-Smirnov(K-S). 2. Uji Heteroskedastisitas
Uji Heteroskedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Jika varians dari residual suatu pengamatan kepengamatan yang lain tetap maka disebut homoskedastisitas dan jika berbeda disebut heteroskedastisitas (Ghozali 2013: 139). Model regresi yang baik adalah yang terjadi homoskedastisitas atau tidak terjadi heteroskedastisias.
3. Uji Autokorelasi
Uji autokorelasi bertujuan menguji apakah dalam suatu model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1 (sebelumnya). Jika terjadi korelasi, maka dinamakan ada problem
autokorelasi. Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lain. Masalah ini timbul karena residual (kesalahan pengganggu) tidak bebas dari satu observasi ke observasi lainnya.
Pengujian autokorelasi ini dilakukan dengan menggunakan uji Durbin Watson (DW-test). Uji Durbin Watson hanya digunakan untuk autokorelasi tingkat satu (first order auticorrelation) dan mensyaratkan adanya intercept (konstanta) dalam model regresi dan tidak ada lagi diantara variabel independen. Hipotesis yang akan diuji adalah:
H0: tidak ada autokorelasi (r = 0) HA: ada autokorelasi (r ≠ 0)
Menurut Ghozali (2013: 111), pengambilan keputusan ada atau tidaknya autokorelasi ada lima pedoman yaitu :
Tabel 3.4
Lima Pedoman Pengambilan Keputusan Autokorelasi
Hipotesis nol Keputusan Jika
Tidak ada autokorelasi positif Tidak ada autokorelasi positif Tidak ada korelasi negatif Tidak ada korelasi negatif Tidak ada autokorelasi, positif atau negatif Tolak No decision Tolak No decision Tidak ditolak 0 < d < dl dl ≤ d ≤ du 4 – dl < d < 4 4 – du ≤ d ≤ 4 - dl du < d < 4 – du Sumber: Ghozali (2013: 111) 4. Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel independen. Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel variabel independen. Multikolinearitas dapat dilihat dari nilai tolerance dan Variance Inflation Factor
tolerance value kurang dari 0,10 atau VIF lebih besar dari 10 maka terjadi multikolinearitas. Tujuan uji multikolinearitas adalah untuk mengetahui apakah tiap – tiap variabel independen saling berhubungan secara linear atau tidak.
3.9.2 Uji Hipotesis
Model regresi yang sudah memenuhi asumsi-asumsi klasik tersebut akan digunakan untuk menganalisis data melalui pengujian hipotesis sebagai berikut: 1. Uji Signifikasi Simultan (Uji F)
Uji F digunakan untuk menguji pengaruh variabel independen secara bersama-sama terhadap variabel dependen dari suatu persamaan regresi. Hipotesis nol yang dikemukakan dalam pengujian ini adalah bahwa semua variabel independen yang dipergunakan dalam model persamaan regresi serentak tidak berpengaruh terhadap variabel dependen jika nilai signifikansi lebih besar dari 0,05. Maka pedoman yang digunakan adalah jika nilai signifikan lebih kecil maka kesimpulan yang diambil adalah menolak hipotesis nol yang berarti koefisien signifikan secara statistik. Ghozali, (2013: 98) pengambilan keputusan didasarkan pada:
a. Quick look: bila nilai F lebih besar daripada 4 maka Ho dapat ditolak pada derajat kepercayaan 5%. Dengan kata lain kita menerima hipotesis alternatif yang menyatakan bahwa semua variabel independen secara serentak dan signifikan mempengaruhi variabel dependen.
b. Membandingkan nilai F hasil perhitungan dengan nilai F menurut tabel. Bila nilai F hitung lebih besar daripada nilai F tabel, maka Ho ditolak dan menerima Ha.
Nilai probabilitas dari uji F dapat dilihat pada hasil pengolahan dari program SPSS pada tabel ANOVA kolom sig atau significance.
2. Uji Signifikasi Parsial (Uji-t)
Uji t digunakan untuk menguji seberapa jauh pengaruh variabel independen secara individual terhadap variabel dependen (Ghozali, 2013: 98). Uji t menguji signifikasi konstanta dan variabel independen.
Hipotesis:
H0 = Koefisien regresi tidak signifikan H1 = Koefisien regresi signifikan Berdasarkan probabilitas
a. Jika probabilitas > 0,05 maka H0 diterima.
b. Jika probabilitas < 0,05 maka H0 ditolak.
Pada uji t, nilai probabilitas dapat dilihat pada hasil pengolahan dari program SPSS pada tabel coefficients kolom sig atau significance. Persamaan regresi yang akan terjadi adalah sebagai berikut:
Y= a + b1X1 + b2X2 + b3X3 + b4X4 + b5X5 +� dimana: Y = Abnormal Return a = Konstanta X1 = Initial Return X2 = Money Raised X3 = Market Return
X4 = Size of Firm
X5 = Age of Firm
b1 = Koefisien regresi Initial return
b2 = Koefisien regresi Money Raised
b3 = Koefisien regresi Market Return
b4 = Koefisien regresi Size of Firm
b5 = Koefisien regresi Age of Firm ε = disturbance term
Dimana b1 sampai b5 adalah koefisien predictor yang diketahui dari nilai unstandardized coefficient b.
3. Pengujian Ketepatan Perkiraan atau Koefisien Determinasi
Koefisien determinasi (R2) dari hasil regresi berganda menunjukkan
seberapa besar kemampuan variabel independen dalam menerangkan variabel dependennya (Ghozali 2013: 97). Dalam penelitian ini menggunakan regresi linier berganda maka masing-masing variabel independen yaitu Initial Return, Money Raised, Market Return, Size of Firm, dan Age of Firm secara parsial dan secara simultan mempengaruhi variabel dependen yaitu abnormal return yang dinyatakan dengan R2 untuk menyatakan koefisien determinasi variabel independen terhadap tingkat abnormal return.
Sedangkan R2 untuk menyatakan koefisien determinasi parsial variabel independen terhadap variabel dependen. Besarnya koefisien determinasi adalah 0 sampai dengan 1. Semakin mendekati nol, maka semakin kecil pula pengaruh semua variabel independen terhadap nilai variabel dependen (dengan kata lain
semakin kecil kemampuan model dalam menjelaskan perubahan nilai variabel dependen). Sedangkan jika koefisien determinasi mendekati 1 maka dapat dikatakan semakin kuat model tersebut dalam menerangkan variasi variabel independen terhadap variabel terikat. Nilai koefisien determinasi R2 menunjukkan persentase tingkat kebenaran suatu prediksi dari pengujian regresi yang dilakukan. Namun Ghozali (2013:97) menyatakan bahwa kelemahan mendasar penggunaan koefisien determinasi adalah bias terhadap jumlah variabel independen yang dimasukkan kedalam model. Setiap tambahan satu variabel independen, maka R2 pasti akan meningkat walaupun variabel tersebut tidak berpengaruh signifikan. Sehingga penggunaan nilai adjusted R2 lebih tepat digunakan untuk mengevaluasi model regresi terbaik karena nilai adjusted R2 tidak dapat naik ataupun turun apabila satu variabel dependen ditambahkan kedalam model.
BAB IV
HASIL PENELITIAN DAN PEMBAHASAN