BAB III METODOLOGI PENELITIAN
3.9 Teknik Analisis Data
Penelitian ini menggunakan metode analisis regresi berganda. Untuk menjamin keakuratan data, maka sebelum dilakukan analisis regresi untuk menguji hipotesis dalam penelitian ini dilakukan terlebih dahulu analisis statistik deskriptif. Selain itu, metode ini juga melakukan uji asumsi klasik guna mendapatkan hasil yang baik dengan tahap sebagai berikut:
3.9.1 Analisis Statistik Deskriptif
Statistik deskriptif memberikan gambaran atau deskripsi masing-masing variabel yang dilihat dari nilai rata-rata (mean), standar deviasi, varian, maksimum, minimum, sum, range, kurtois, dan skewness (Ghozali, 2011). Standar deviasi, varian, maksimum, dan minimum menunjukkan hasil analisis terhadap dispersi variabel. Sedangkan skewness dan kurtosis menunjukkan bagaimana variabel terdistribusi. Varian dan standar deviasi menunjukkan penyimpangan variabel terhadap nilai rata-rata (Ghozali, 2011).
3.9.2 Analisis Regresi Linier Berganda
Dalam penelitian ini, hipotesis diuji dengan analisis regresi berganda dengan model sebagai berikut:
Y = a + bX1+ bX2 + e Keterangan:
Y = Return Saham a = Konstanta
b = Koefisien Regresi
X1 = Nilai Penerbitan Obligasi Syariah X2 = Rating Penerbitan Obligasi Syariah e = error
Untuk mengetahui apakah model regresi berganda tersebut baik atau tidak maka dapat terlebih dahulu diuji menggunakan Uji Asumsi Klasik. Asumsi klasik adalah asumsi yang mendasari analisis regresi dengan tujuan mengukur asosiasi atau keterikatan antar variabel bebas. Suatu model dikatakan baik apabila mempunya sifat-sifat tidak bias sebagai suatu penafsir. Selain itu, model yang baik dan layak dipakai untuk memprediksi apabila sudah lolos dari serangkaian uji asumsi klasik yang melandasinya. Uji Asumsi Klasik dilakukan dengan Uji Normalitas, Uji Multikolinearitas, Uji Heterokedastisitas, dan Uji Autokorelasi sebagai berikut ini:
1. Uji Normalitas
Uji normalitas bertujuan untuk mengetahui keberadaan variabel pengganggu atau residual di dalam model regresi. Jika data normal, maka statistik yang digunakan adalah statistik parametrik. Jika sebaliknya, maka statistik non-parametriklah yang digunakan atau peneliti dapat melakukan treatment agar data normal.
Dalam menguji normalitas data, peneliti menggunakan uji Kolmogrov-Smirnov (KS). Konsep dasar dari uji tersebut adalah dengan membandingkan distribusi data yang akan diuji normalitasnya dengan
distribusi normal baku. Distribusi normal baku adalah data yang telah ditransformasikan dalam bentuk Z-score dan diasumsikan normal. Jadi uji Kolmogrov-Smirnov adalah uji beda antara data yang diuji normalitasnya dengan data normal baku. Apabila nilai signifikansi dari uji KS > 0,05 maka data distribusi normal (Ghozali, 2011:165).
2. Uji Multikolinearitas
Uji Multikolinearitas bertujuan untuk menguji apakah suatu model regresi ditemukan adanya korelasi antar variabel bebas. Model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel independen. Jika variabel independen saling berkorelasi, maka variabel-variabel ini tidak ortogonal (Ghozali, 2006:91)
Model regresi yang baik seharusnya tidak mengandung multikolinearitas di dalamnya. Pengujian ini menggunakan nilai VIF (Variance Inflation Factors) sebagai acuan adanya multikolinearitas. Jika nilai VIF > 2 maka telah terjadi multikolinearitas antar variabel independen. Di samping itu, sebuah model regresi dikatakan mengandung multikolinearitas apabila korelasi antar variabel independennya lebih besar dari 0,9.
3. Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Jika cariance dari residual satu
pengamatan ke pengamatan lain tetap, maka disebut Homoskedastisitas dan jika berbeda disebut Heteroskedastisitas (Ghozali, 2006:105).
Terdapat beberapa cara dalam mengidentifikasi Heteroskedastisitas. Wulandari (2012:47) mengungkapkan salah satu cara mengidenetifikasi heteroskedastisitas dalam model regresi adalah metode Chart (Diagram Scatterplot) yaitu:
1. Jika ada pola tertentu seperti titik-titik yang membentuk pola beraturan (gelombang, melebar kemudian menyempit) maka model regresi mengalami Heteroskedastisitas.
2. Jika ada pola yang jelas serta titik-titik yang menyebar ke atas dan bawah 0 pada sumbu Y maka model tidak mengalami Heteroskedastisitas.
4. Uji Autokorelasi
Uji ini bertujuan untuk mengetahui apakah ada korelasi antar kesalahan pengganggu pada periode t dengan periode t-1 (sebelumnya). Model regresi yang baik adalah yang bebas dari autokorelasi. Alat analisis yang digunakan adalah uji Durbin-Watson. Untuk mengetahui terjadi atau tidaknya autokorelasi dapat dilakukan dengan membandingkan nilai statistik hitung Durbin-Watson pada perhitungan regresi dengan statistik tabel Durbin-Watson.
Pengambilan keputusan ada atau tidaknya autokorelasi dapat ditentukan dengan melihat tabel berikut :
Tabel 3.4
Keputusan Ada Tidaknya Autokorelasi
DW Kesimpulan
< 1,08 Ada Autokorelasi 1,08 – 1,66 Tanpa Autokorelasi 1,66 – 2,34 Tidak ada Autokorelasi 2,34 – 2,92 Tanpa Kesimpulan Lebih dari 2,92 Ada Autokorelasi
Sumber : Ghozali, Aplikasi Analisis Multivariate Dengan Program SPSS, 2005 Jika nilai Durbin-Watson tidak dapat memberikan kesimpulan apakah data yang digunakan terbebas dari autokorelasi atau tidak, maka perlu dilakukan Run Test. Jika antar residual tidak terdapat hubungan korelasi maka dikatakan bahwa residual adalah random atau acak
(Ghozali, 2005). Apabila tingkat signifikansi hasil uji Run Test dibawah α
(0,05) maka didalam model terdapat autokorelasi. Tetapi apabila tidak
signifikan pada α (0,05) maka tidak terdapat autokorelasi. Hipotesis yang diajukan dalam uji Run Test.
H0 : residual random (acak) H1 : residual tidak random
3.9.3 Pengujian Hipotesis
Pengujian hipotesis dalam penelitian ini menggunakan alat statistik Statistical Package For The Social Science (SPSS). SPSS adalah salah satu program komputer yang khusus dibuat untuk mengolah data dengan metode statistik tertentu (Santoso, 2010:11). Pengujian hipotesis dilakukan dengan Uji F, Uji t, dan Koefisien Determinasi.
1. Koefisien Determinasi
Koefisien determinasi bertujuan untuk mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel dependen. Dalam uji regresi linier berganda dianalisis pula besarnya koefisien regresi ( ) keseluruhan. pada intinya mengukur seberapa jauh kemampuan model regresi dalam menerangkan variasi variabel dependen atau variabel terikat (Ghozali, 2011:97). Nilai yang mendekati satu berarti variabel-variabel independen memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variasi variabel independen.
Selain , untuk menguji determinasi variabel-variabel independen terhadap variabel dependen akan dilakukan dengan melihat pada koefisien korelasi parsial ( ) dengan nilai variabel yang paling tinggi akan menunjukkan tingkat hubungan dan pengaruh yang dominan terhadap varial dependen.
2. Uji F (Simultan)
Uji F dilakukan untuk mengatahui apakah semua variabel bebas yang dimasukkan dalam model mempunyai pengaruh secara bersama-sama terhadap variabel terikat (Ghozali, 2006:84).
Hipotesis:
Ho: tidak terdapat pengaruh yang signifikan dari variabel- variabel independen secara simultan terhadap variabel dependennya.
Ha: terdapat pengaruh yang signifikan dari variabel-variabel independen secara simultan terhadap variabel dependennya. Kriteria pengambilan keputusannya adalah:
1. Jika F hitung > F tabel dengan tingkat signifikansi (α) 5%, maka Ho ditolak.
2. Jika F hitung < F tabel dengan tingkat signifikansi (α) 5%, maka Ho diterima.
3. Uji t (Parsial)
Uji t pada dasarnya menunjukkan seberapa jauh pengaruh satu variabel independen secara individual menerangkan variasi variabel terikat (Ghozali, 2006:84). Pengujian parsial regresi dimaksudkan untuk mengetahui apakah variabel bebas secara individual mempunyai pengaruh terhadap variabel terikat dengan asumsi variabel yang lain itu konstan. 1. Ho :Kedua variabel independen tidak berpengaruh siginifikan secara
parsial terhadap variabel dependen.
2. Ha : Kedua variabel independen berpengaruh signifikan secara parsial terhadap variabel dependen.
Uji ini memiliki ketentuan sebagai berikut: 1. Jika t-hitung > t-tabel, maka H0 ditolak.