BAB III METODE PENELITIAN
3.5 Teknik Analisis dan Uji Hipotesis
Uji Diskriminan dalam penelitian ini digunakan untuk menguji hipotesis: H0 : Model DuPont tidak dapat digunakan untuk membedakan pengelompokan
dua kategori perusahaan yang gagal dan perusahaan yang tidak gagal dalam indeks LQ45.
H1 : Model DuPont dapat digunakan untuk membedakan pengelompokan dua
kategori perusahaan yang gagal dan perusahaan yang tidak gagal dalam indeks LQ45.
Dengan kriteria sebagai berikut: H0 : P-value > α = 0,05
H1 : P-value < α = 0,05
Tahap-tahap dalam menguji hipotesis dengan alat uji diskriminan, sebagai berikut:
Tahap 1: Menyeleksi Obyek yang Akan Diteliti.
- Mengevaluasi perbedaan grup
Melakukan penghitungan rasio keuangan (NPM, TAT, ROA, EM, dan ROE) yang diperoleh dari data laporan keuangan tahunan (berupa laporan laba rugi dan neraca) perusahaan-perusahaan yang termasuk dalam obyek penelitian untuk masing-masing periode selama 5 tahun (periode 2004-2008).
- Mengklasifikasikan hasil observasi dalam grup
Dilakukan pembagian sampel ke dalam dua kelompok, yaitu sampel perusahaan yang berpotensi tidak gagal dan sampel
perusahaan yang berpotensi gagal. Pembagian ini dilakukan dengan menggunakan analisis cluster.
Tahap 2 : Desain Penelitian untuk Analisis Diskriminan
- Menyeleksi variabel bebas
Penelitian ini menggunakan lima variabel bebas yaitu rasio NPM (Net Profit Margin), TAT (Total Assets Turnover), ROA (Return On Assets), FLM (Financial Leverage Multiplier), dan ROE (Return On Equity)
- Mempertimbangkan ukuran sampel
Sampel yang digunakan dalam penelitian ini berjumlah 12 sampel perusahaaan.
Tahap 3: Asumsi pada Analisis Diskriminan
- Menguji tingkat normalitas variabel bebas
Pengujian normalitas adalah pengujian tentang kenormalan distribusi data. Uji normalitas ini digunakan karena pada analisis statistic parametric, asumsi yang harus dimiliki oleh data adalah bahwa data tersebut terdistribusi secara normal. Maksud dari terdistribusi secara normal adalah bahwa data akan mengikuti bentuk distribusi normal, di mana data akan memusat pada nilai rata-rata. Dalam penelitian ini untuk menguji normalitas data digunakan uji statistik non parametrik Kolmogorov-Smirnov (K-S). Uji K-S ini dilakukan dengan membuat hipotesis:
H1 : Data residual tidak berdistribusi normal Kriteria pengambilan keputusannya adalah:
a. Jika angka signifikansi < 0,05 hal ini berarti H0 ditolak, yang berarti data residual tidak berdistribusi normal.
b. Jika angka signifikansi > 0,05 hal ini berarti H0 diterima, yang berarti data residual berdistribusi normal.
Jika dalam menguji asumsi normalitas, terdapat sebuah variabel yang mempunyai sebaran data yang tidak normal, maka untuk memperbaiki masalah normalitas dapat dilakukan dengan menambah atau menghilangkan jumlah data yang dianggap sebagai penyebab tidak normalnya data.
- Menguji hubungan linear
Hubungan antara variabel bebas dengan variabel terikat bersifat linier.
- Menguji ketiadaan multikoloniearitas antara variabel bebas
Asumsi multikolinearitas menyatakan bahwa variabel independen harus terbebas dari gejala multikolinearitas (gejala korelasi antarvariabel independen). Gejala ini ditunjukkan dengan korelasi yang signifikan antar variabel independen. Apabila terjadi gejala multikolinearitas, salah satu langkah untuk memperbaiki model adalah dengan menghilangkan variabel dari model regresi, sehingga bisa dipilih model yang paling baik. Dalam penelitian ini, untuk mendeteksi ada atau tidaknya multikoliearitas di dalam
model regresi dilakukan dengan melihat nilai Variance Inflation Factor (VIF). Nilai cutoff yang umumnya dipakai untuk menunjukkan adanya multikolinearitas adalah VIF > 10.
Kriteria pengambilan keputusannya adalah:
a. Jika nilai Variance Inflation Factor (VIF) > 10, maka terjadi multikolinearitas antar variabel independen.
b. Jika nilai Variance Inflation Factor (VIF) < 10, maka tidak terjadi multikolinearitas antar variabel independen.
Jika dalam menguji asumsi multikolinearitas ditemukan bahwa nilai korelasi antar variabel independen cukup kuat dan signifikan, maka salah satu variabel harus dikeluarkan.
- Penyebaran matrik yang merata
Penyebaran matrik yang tidak merata dapat berpengaruh negatif untuk proses pengklasifikasian. Jika sampel berukuran kecil dan penyebaran matrik tidak merata, maka signifikansi statistik dari proses estimasi akan berpengaruh kurang baik.
Tahap 4: Estimasi Fungsi Diskriminan dan Uji Kualitas Model
- Perhitungan dengan Metode simultan / cara langsung secara bersama-sama (direct simultaneous method).
Metode ini dilakukan dengan cara memasukkan seluruh variabel bebas ke dalam fungsi diskriminan, metode ini dilakukan untuk mengetahui kekuatan tiap-tiap variabel atau variabel, mana yang paling berperan sebagai pembeda (most discriminating variables).
- Signifikansi statistik
Beberapa ukuran signifikansi statistik yang tersedia untuk Analisis Diskriminan adalah: (1) Wilk’s lambda, (2) Hotelling’s trace, (3) Mahalonobi’s D2, (4) Rao’s V, dan (5) Pillar’s criterion.
Metode yang digunakan untuk mengestimasi fungsi dalam penelitian adalah Mahalonobi’s D2.
- Menguji kecocokan model secara keseluruhan
Menghitung Z-skor untuk setiap pengamatan.
Nilai Z dihitung dari fungsi diskriminan eksplisit yang dihasilkan dari fungsi implisit:
Zjk = a + W1X1k + W2X2k + . . . + WnXnk
Di mana,
Zjk = Z-skor diskriminan fungsi-j untuk pengamatan-k
a = intercept
Wn = koefisien diskriminan untuk variabel bebas-n
Xnk = variabel bebas-n untuk pengamatan-k
Tahap 5: Interpretasi Hasil
- Menginterpretasikan Discriminant Weight (Bobot Diskriminan) Discriminant Weight (Bobot Diskriminan) atau bisa juga disebut menginterpretasikan koefisien diskriminan, yaitu variabel-variabel independen yang memiliki bobot yang relatif besar serta memberikan kekuatan pembeda yang lebih besar dibandingkan
dengan variabel-variabel independen yang memiliki bobot yang lebih kecil.
- Menghitung diskriminan loading
Discriminant loadings merupakan korelasi linier struktural antara masing-masing variabel bebas dengan fungsi diskriminan. Discriminant loadings merefleksikan variansi tingkat sumbangan relative variabel independen terhadap fungsi diskriminan dan bisa diinterpretasi seperti factor loadings dalam menilai sumbangan relatif masing-masing variabel independen terhadap fungsi diskriminan. Discriminant loadings dianggap lebih valid daripada standardized discriminant coefficients dalam mengartikan kemampuan mendiskriminasi masing-masing variabel independen karena sifat korelatifnya. Walaupun demikian, peneliti tetap harus berhati-hati dalam menggunakan pendekatan ini untuk menginterpretasi hasil.
- Menghitung kecocokan model
Makin besar nilai kecocokan model, makin besar pula kemampuan mendiskriminasi variabel independen yang bersangkutan. Secara umum, perbandingan nilai kecocokan model ini sama dengan memperbandingkan standardized discriminant coefficients, namun perbandingan ini telah lebih terbatas kepada koefisien-koefisien diskriminan yang signifikan.