BAB III METODOLOGI PENELITIAN
F. Metode Analisis Data
1. Uji Asumsi Klasik
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal. Seperti diketahuibahwa uji t dan F mengasumsikan bahwa nilai residual mengikuti distribusi normal. Jika asumsi ini dilarang maka uji statistik menjadi tidak valid untuk jumlah sample kecil. Ada berbagai cara untuk mendeteksi apakah residual berdistribusi normal atau tidak salah satunya dengan cara analisis grafik yaitu grafik histogram dan P- Plot. Dalam penelitian ini, uji normalitas dilakukan dengan analisis grafik.
b. Uji Multikolinieritas
Uji multikolinieritas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas (independent). Model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel independent. Jika variabel independent
saling berkorelasi, maka variabel-variabel ini tidak ortogonal. Variabel ortogonal adalah variabel independent yang nilai korelasi antar sesama variabel independent sama dengan nol (Ghozali, 2013). Multikolinearitas, dapat dilihat dari nilai tolerance dan lawannya variance inflation factor (VIF). Nilai cut-off yang umum
62 dipakai untuk menunjukkan adanya multikolinearitas adalah nilai tolerance < 0,10 atau sama dengan nilai VIF > 10.
c. 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 pengamatan ke pengamatan lain tetap, maka disebut Homoskedastisitas dan jika berbeda disebut Heteroskedastisitas. Model regresi yang baik adalah yang Homoskedastisitas atau tidak terjadi Heteroskedastisitas. Kebanyakan data crossection
mengandung situasi heteroskedastisitas karena data ini menghimpun data yang mewakili berbagai ukuran (kecil, sedang dan besar) (Ghozali, 2013). Dalam penelitian ini uji heteroskedastisitas dilakukan dengan analisis grafik scatterplot dan metode uji park. Metode uji Park mengemukakan metode bahwa varaince ( ) merupakan fungsi dari variabel –variabel independen yang dinyatakan dalam persamaan sebagai berikut (Imam Ghozali, 2012:130):
i =
Persamaan ini dijadikan linear dalam bentuk persamaan logaritma sehingga menjadi:
63 Karena i umumnya tidak diketahui, maka dapat di taksir dengan menggunakan residual Ut sebagai proksi, sehingga persamaan menjadi:
Ln i = LnXi + vi Cara melakukan Uji Park dengan SPSS:
1. Lakukan regresi utama dengan persamaan ROA = f(CAR, NPF, NIM, BOPO, INFLASI)
2. Dapatkan variabel residual (Ui) dengan memilih tombol Save pada tampilan windows Linear Regression dan aktifkan unstandardized residual
3. Kuadratkan nilai residual ( ) dengan menu transform dan compute
4. Hitung logaritma dari kuadrat residual (Ln i) dengan menu transform dan compute
5. Regresikan variabel Ln i sebagai variabel dependen dan variabel independen CAR, NPF, NIM, BOPO, INFLASI sehingga persamaan regresi menjadi:
Ln U2i = b0 + b1 CAR + b2 NPF + b3 NIM + b4 BOPO + b5 INFLASI
d. Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah model dalam model regresi linier ada korelasi antar pengganggu pada periode sebelumnya. Gejala ini menimbulkan konsekuensi yaitu interval
64 keyakinan menjadi lebih lebar serta varians dan kesalahan standar akan ditafsir terlalu rendah. Data yang baik adalah regresi yang bebas dari autokorelasi. Pendekatan yang sering digunakan untuk menguji ada tidaknya autokorelasi adalah uji Durbin-Watson dan Run test. Jika nilai signifikansi > 0,05 maka tidak terjadi autokorelasi dalam model regresi (Ghozali, 2013).
Menurut Imam Ghozali (2012:121), jika pada model regresi terjadi autokorelasi, maka ada beberapa opsi penyelesaiannya antara lain:
a. Tentukan apakah autokorelasi yang terjadi merupakan pure autocorrelation dan bukan karena kesalahan spesifikasi model regresi. Pola residual dapat terjadi karena adanya kesalahan spesifikasi model yaitu ada variabel penting yang tidak dimasukkan kedalam model atau dapat juga karena bentuk fungsi persamaan regresi tidak benar.
b. Jika yang terjadi adalah pure autocorrelation, maka solusi autokorelasi adalah dengan mentranformasi model awal menjadi model difference. Misalkan model regresi dengan dua variabelsebagai berikut:
Yt = β1 + β2Xt + μt
Dan diasumsikan bahwa residual atau error mengikuti
autoregressive AR(1) sebagai berikut:
65 Asumsi ρ tidak diketahui nilainya:
Nilai ρ diestimasi berdasarkan Durbin-Watson d statistic Secara sederhana nilai ρ dapat diestimasi dengan menggunakan d statistik dengan rumus seperti di bawah
ini:
Keterangan: d = durbin-watson
Pada kasus dengan jumlah sampel kecil, Theil dan Nagar mengajukan rumus untuk menghitung nilai ρ sebagai berikut:
Keterangan: n = jumlah observasi; k = jumlah variabel bebas.
Langkah iterasi kedua :
1. Nilai = 0.461 yang diperoleh dari iterasi pertama kita gunakan untuk mengestimasi model general difference equation sebagai berikut: (Yt- ^ Yt-1) = 1(1- ^ ) + 2(Xt - ^ Xt-1) + (t - ^ t –1)
2. Oleh karena kita belum memiliki beberapa variabel seperti (Yt-1) dan ^ (Xt-1), maka kita membuat variabel ini dengan perintah Transform dan Compute.
66 3. Pilih Transform dan Compute dan isikan pada Target
Variabel
ROAt_1 = LN_ROA-(0.461*Lag(LN_ROA)) CARt_1= LN_CAR (0.461*Lag(LN_CAR)) NPFt_1= LN_NPF(0.461*Lag(LN-NPF)) NIMt_1 = LN_NIM-(0.461*Lag(LN_NIM)) BOPOt_1 = LN_BOPO-(0.461*Lag(LN_BOPO)) INFLASIt_1=LN_INFLASI
(0.461*Lag(LN_INFLASI))
Dari menu utama SPSS, pilih menu Analyze kemudian
Regression lalu Linear
4. Pada kotak dependen isikan ROAt_1 Pada kotak independen isikan CARt_1, NPFt_1, NIMt_1, BOPOt_1, INFLASIt_1 5. Hasil Output SPSS *2 = 0,845, *3 = 1,312, *4 = -0,053, *5 = -7,721, *6 = -0,192 sedangkan nilai *1 = 1(1- )=(0,009).*(1-0.461)= 0,004851
67 Berdasarkan kedua nilai ini maka nilai t t** dapat dihitung dengan seperti di bawah ini:
t** = Yt-*1**2 * Xt
6. Pilih Transform lalu Compute dan isikan seperti di bawah ini:
LN_ROA-(0,004851)-((0,845)*LN_CAR)-((1,312)*LN_NPF)- ((-0,053)*LN_NIM)-((-7,721)*BOPO)-((-0,192)*LN_INFLASI) 7. Pilih OK, sekarang kita punya variabel baru Ut 8. Buat variabel Lag satu Ut** dengan Transform dan
Compute
9. Langkah berikutnya mengestimasi pada iterasi kedua dengan persamaan regresi
10. Dari menu utama SPSS pilih Analyze kemudian
Regression lalu Linear
11. Pada kotak dependen isikan Ut 12. Pada kotak independen isikan LagUt 13. Pilih OK
14. Hasil Output SPSS
Berdasarkan hasil output SPSS pada tabel 4.8 diperoleh nilai = 0,578 pada iterasi kedua. Berdasarkan pada perhitungan di atas diperoleh menurut berbagai metode seperti terlihat pada tabel dibawah ini. Kita
68 memilih metode Cochrane-Orcutt Step 2 untuk mentransformasikan persamaan regresi
15.Pilih Transform lalu Compute Isikan Target Variabel dengan ROA@ (dan Numeric Expression isikan ROA@ = LN_ROA - 0.578*LAG(LN_ROA) Lakukan untuk semua variabel X-nya
CAR@ = LN_CAR - 0.578*LAG(LN_CAR) NPF@ = LN_NPF – 0,578*LAG(LN_NPF) NIM@ = LN_NIM - 0.578*LAG(LN_NIM) BOPO@ = LN_BOPO - 0.578*LAG(LN_BOPO) INFLASI@ = LN_INFLASI
0.578*LAG(LN_INFLASI)
16. Dari menu utama spss pilih Analyze, kemudian
Regression, lalu pilih Linear. Pada kotak dependent isikan variabel ROA@, dan pada kotak independen variabel isikan variabel, CAR@, NPF@, NIM@, BOPO@ dan INFLASI@
17. Pilih statistik dan aktifkan Durbin-Watson (untuk menguji apakah masih terjadi autokorelasi). Abaikan lainnya dan pilih Ok
18. Bandingkan nilai Durbin-Watson saat ini, apakah masih terjadi autokoreasi atau tidak jika nilai d terletak antara nilai Du dengan 4-Du, maka dapat disimpulkan bahwa
69 model persamaan regresi tersebut sudah tidak mengandung masalah autokorelasi lagi.