3.2 Desain Penelitian .1 Jenis dan Sumber Data
3.2.7 Uji Statistik 1 Uji Asumsi Klasik
3.2.6 Uji Outlier
Uji outlier adalah uji yang dilakukan untuk melihat apakah terdapat data yang menyimpang cukup jauh dari nilai skor standar, yang menyebabkan distribusi data menjadi tidak normal. Deteksi terhadap univariat outlier dapat dilakukan dengan menetukan nilai batas yang akan dikategorikan sebagai data outlier yaitu dengan cara mengkonversi nilai data ke dalam skor standardized, yang memiliki nilai means sama dengan nol dan standar deviasi sama dengan satu (Ghozali, 2012). Untuk kasus dengan sampel kecil (>80), maka skor standar dengan nilai ≥ 2,5, dinyatakan outlier (Hair, 1998 dalam Ghozali, 2012).
3.2.7 Uji Statistik 1 Uji Asumsi Klasik
Sebelum uji analisis regresi berganda dilakukan, diperlukan uji asumsi klasik terlebih dahulu untuk memastikan bahwa model regresi telah memenuhi kriteria Best
Linear Unbiased Estimator (BLUE), yaitu handal dan tidak bias. Adapun uji asumsi
klasik yang dilaksanakan dalam penelitian ini yaitu: A. Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah variabel bebas dan terikat memiliki distribusi normal ataukah tidak. Pengujian ini menggunakan analisis grafik yang menghasilkan normal probability plot. Dimana, distribusi variabel dikatakan normal bila data (titik) pada histogram yang dihasilkan menunjukkan penyebaran mendekati garis diagonal dan mengikuti arah garis diagonal, sedangkan distribusi variabel dikatakan termasuk dalam distribusi tidak normal bila data (titik) menyebar jauh dari garis diagonal dan tidak mengikuti arah garis diagonal.
Uji statistik lainnya yang dapat digunakan untuk menguji normalitas variabel adalah uji statistik non-parametik Kolmogorov-Smirnov, yaitu pengujian normalitas variabel dengan menggunakan data normal baku. Pada uji
Kolmogorov-Smirnov, apabila nilai sig (2 tailed) variabel bebas lebih dari 0,05 maka data
berdistribusi normal, sedangkan bila nilai sig (2 tailed) variabel bebas kurang dari 0,05 maka data tidak berdistribusi normal.
B. Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah pada model regresi terdapat korelasi antar variabel bebas. Model regresi yang baik seharusnya memiliki variabel bebas yang tidak memiliki korelasi satu sama lain. Uji multikolinearitas dapat dilakukan dengan melihat tolerance value dan Variance Inflation Factor (VIF). Pada metode ini, batas tolerance value adalah 0,10 dan batas VIF adalah 10. Apabila
tolerance value kurang dari 0.10 atau VIF lebih besar dari 10 maka terjadi
multikolinearitas. C. Uji Autokorelasi
Uji autokorelasi bertujuan untuk mengetahui ada atau tidaknya korelasi antara residual satu pengamatan ke pengamatan lain pada model regresi. Pengujian ini menggunakan uji Durbin Watson (DW-test). Bila nilai DW berada diantara batas atas
(du) da (4-du) maka tidak terjadi autokorelasi antar residual satu pengamatan ke pengamatan lain. Bila nilai DW lebih rendah daripada batas bawah (dl) maka terjadi autokorelasi positif, dan bila nilai DW lebih tinggi daripada (4-dl) maka terjadi autokorelasi negatif. Namun, apabila nilai DW berada diantara batas atas (du) dan batas bawah (dl) atau berada diantara (4-du) dan (4-dl) maka hasilnya tidak dapat disimpulkan.
Untuk mendiagnosis adanya autokorelasi dalam suatu model regresi dapat dilakukan melalui pengujian nilai Durbin Watson dengan ketentuan sebagai berikut (Ghozali, 2012):
1. Angka DW < -2 menunjukkan adanya autokorelasi positif.
2. Angka DW di antara -2 hingga +2 menunjukkan tidak terdapat autokorelasi. 3. Angka DW > +2 menunjukkan adanya autokorelasi negatif.
D. Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk mengetahui apakah terdapat atau tidak terdapat ketidaksamaan varian dari residual satu pengamatan ke pengamatan lain pada model regresi. Model regresi yang baik memiliki kesamaan varian dari residual satu pengamatan ke pengamatan lain. Jika varian dari residual satu pengamatan ke pengamatan lain tetap maka disebut homoskedastisitas, bila varian dari residual satu pengamatan ke pengamatan lain berbeda maka disebut heteroskedastisitas. Uji heteroskedastisitas menggunakan metode grafik untuk mengamati nilai prediksi variabel terikat (ZPRED) dengan residualnya (SRESID). Jika pada grafik terdapat titik yang membentuk pola teratur tertentu (bergelombang, melebar kemudian menyempit) maka terdapat indikasi terjadinya heteroskedastisitas. Bila pada grafik
tidak terdapat pola titik teratur tertentu yang terbentuk atau menyebar maka dapat diindikasikan tidak terjadinya heteroskedastisitas
Uji heteroskedastisitas juga dapat dilakukan dengan menggunakan uji koefisien korelasi Spearman Rho. Uji koefisien korelasi Spearman dilakukan dengan mengkorelasikan variabel independen dengan nilai unstandardized residual. Jika nilai korelasi antara variabel independen dengan residual menunjukkan nilai signifikansi lebih dari 0.05, maka tidak terdapat heteroskedastisitas dalam model regresi.
2 Analisis Regresi Linear Berganda
Analisis regresi linear berganda bertujuan untuk mengetahui arah hubungan antara variabel terikat dengan variabel bebas apakah terdapat hubungan positif atau negatif. Untuk menguji hipotesis-hipotesis dalam penelitian ini digunakan model persamaan regresi sebagai berikut:
Underpricing = bo + b1[EPS] + b2[DR] + b3[CR] + b4[NPM] + e Underpricing = bo + b1[AGE] + b2[SIZE] + b3[UND] + e
Dimana:
bo = Konstanta NPM = Net profit margin b1-4 = Koefisien regresi AGE = Umur perusahaan EPS = Earning per share SIZE = Ukuran perusahaan DR = Debt ratio UND = Reputasi underwriter CR = Current ratio e = Random error
Bila nilai koefisien regresi bernilai positif maka dapat diindikasikan terdapat pengaruh searah antara nilai variabel bebas dengan nilai variabel terikat. Sedangkan bila nilai koefisien regresi bernilai negatif maka terdapat indikasi pengaruh negatif antara nilai variabel bebas dengan nilai variabel terikat dimana kenaikan nilai variabel bebas akan mengakibatkan penurunan terhadap nilai variabel terikat. Ketepatan fungsi regresi secara statistik diukur dengan tiga uji statistik berikut: 1. Uji Statistik t
Uji statistik t atau uji signifikan parameter individual digunakan untuk mengetahui seberapa besar pengaruh variabel bebas secara individual terhadap variabel terikat. Dalam uji ini level signifikan yang digunakan adalah sebesar 5% atau α = 0,05, dengan hipotesis:
H0 = variabel bebas berpengaruh terhadap variabel terikat Ha = variabel bebas tidak berpengaruh terhadap variabel terikat Sehingga:
Jika, signifikansi nilai t > α , maka H0 diterima Jika, signifikansi nilai t < α , maka Ha tidak diterima 2. Uji Statistik F
Uji statistik F atau uji kelayakan model digunakan untuk menguji apakah semua variabel bebas berpengaruh secara signifikan terhadap variabel terikat ataukah tidak. Dalam penelitian ini level signifikan yang digunakan sebesar 5% atau α = 0,05, dengan hipotesis:
H0 = variabel bebas berpengaruh terhadap variabel terikat Ha = variabel bebas tidak berpengaruh terhadap variabel terikat Sehingga:
Jika, signifikansi nilai F < α , maka Ha tidak diterima 3. Koefisien Determinasi (R²)
Koefisien determinasi (R²) menunjukkan seberapa besar kemampuan variabel-variabel bebas dalam menjelaskan variabel terikat. Nilai R² berkisar antara 0 hingga 1. Bila nilai R² mendekati 0 maka kemampuan variabel-variabel bebas dalam menjelaskan variabel-variabel terikat terbatas, sedangkan bila nilai R² mendekati 1 maka variabel-variabel bebas mampu memberikan semua informasi variabel terikat yang dibutuhkan. Namun pada koefisien determinasi bila satu variabel bebas ditambahkan maka nilai R² pun akan bertambah tanpa memperhitungkan pengaruh signifikan yang dimiliki variabel bebas tersebut terhadap variabel terikat, karena kelemahan analisis R² tersebut menyebabkan para peneliti sebelumnya menggunakan analisis tambahan yaitu analisis nilai adjusted R² pada model regresi untuk memberikan hasil yang lebih akurat. Karena pada analisis adjusted R², bila ditambahkan satu variabel bebas, nilainya dapat naik atau turun tergantung pada pengaruh signifikan yang dimiliki variabel bebas tersebut terhadap variabel terikat.