BAB III METODE PENELITIAN
E. Uji Hipotesis dan Analisis Data
Analisis data yang dilakukan meliputi statistik deskriptif dan analisis regresi linier berganda.
1. Statistik deskriptif
Penelitian ini menggunakan analisis statistik deskriptif seperti rata-rata, nilai maksimum, minimum dan standar deviasi. Analisis ini ditujukan untuk memberikan gambaran awal tentang variabel-variabel yang digunakan dalam penelitian.
2. Analisis Data
Pengujian hipotesis dilakukan dengan menggunakan model koreksi kesalahan atau Error Correction Models (ECM). Error Correction Models (ECM) adalah teknik untuk mengoreksi ketidakseimbangan jangka pendek
35
menuju kesimbangan jangka panjang, serta dapat menjelaskan hubungan antara peubah terikat dengan peubah bebas pada waktu sekarang dan waktu lampau. Pengolahan data dalam penelitian ini menggunakan software Microsoft Excell dan Eviews 4.1. Adapun syarat untuk menggunakan metode analisis ECM yaitu jika minimal ada salah satu variabel yang tidak stasioner. Apabila seluruh data yang digunakan ternyata stasioner, maka persamaan tersebut tidak dapat dianalisa menggunakan metode ECM.
Dalam penelitian ini akan dilakukan Unit Root Test untuk mengetahui apakah data yang digunakan stasoiner atau tidak. Unit Root Test dapat diketahui dengan menggunakan Augmented Dickey Fuller (ADF) Test. Kemudian, dilakukan uji derajat integrasi serta uji kointegrasi untuk mengetahui adanya hubungan jangka panjang dengan menggunakan Engel-Granger Cointegration Test. Adapun persamaan untuk melihat pengaruh ukuran perusahaan, capital adequacy ratio, dan loan to deposit ratio terhadap profitabilitas dalam jangka panjang dengan uji kointegrasi adalah sebagai berikut:
ROAt = α1 SIZEt + α 2 CARt + α3 LDRt + e Keterangan :
ROAt = Profitabilitas (diukur dengan return on assets) pada periode t SIZEt = Ukuran perbankan pada periode t
CARt = Capital Adequady Ratio pada periode t LDRt = Loan to deposit ratio pada periode t et = Error disturbance pada periode t
36
Langkah selanjutnya adalah melakukan koreksi kesalahan (error) dengan menggunakan ECM untuk melihat pengaruh ukuran perusahaan, capital adequacy ratio, dan loan to deposit rasio terhadap profitabilitas dalam jangka pendek.
∆ROAt = α1 ∆SIZEt + α2 ∆CARt + α3 ∆LDRt + γut-1 + et
0<γ<1
Keterangan :
ROAt = Profitabilitas (diukur dengan return on assets) pada periode t SIZEt = Ukuran perbankan pada periode t
CARt = Capital Adequady Ratio pada periode t LDRt = Loan to deposit ratio pada periode t ut-1 = Error correction terms
Berdasarkan hasil perhitungan dengan analisis regresi linear ECM diatas, maka dapat diketahui nilai variabel ECT (error correction term), yaitu variabel yang menunjukkan keseimbangan investasi. Hal ini dapat menjadikan indikator bahwa spesipikasi model baik atau tidak melalui tingkay signifikansi koefisien koreksi kesalahan (Winarno, 2011). Jika variabel ECT signifikansi pada α = 5%, maka koefisien tersebut akan
menjadi penyesuaian bila terjadi fluktuasi variabel yang diamati menyimpang dari hubungan jangka panjang. Dengan kata lain spesipikasi model sudah shahih (valid) dan dapat menjelaskan variasi variabel tak bebas.
Langkah-langkah pengujian hipotesisnya adalah sebagai berikut: a. Pengujian akar unit (Unit Root Test)
37
Sebelum melakukan analisa regresi dengan menggunakan data time-series, perlu dilakukan uji stationary terhadap seluruh variabel untuk mengetahui apakah variabel-variabel tersebut stationary atau tidak. Suatu series dikatakan stationary apabila rata-rata, varian dan autocovariance nilainya konstan dari waktu ke waktu.
Gambar 2.1. Data yang Tidak Stationary
Gambar 2 (a) menunjukkan bahwa nilai Y semakin tinggi seiring dengan meningkatnya waktu. Nilai rata-ratanya juga mengalami peningkatan yang sistemik (tidak konstan) sedangkan variannya konstan. Sedangkan pada gambar 2 (b) terlihat adanya peningkatan rata-rata yang tidak sistemik atau konstan namun variannya menjadi semakin tinggi ketika terjadi penambahan waktu atau ada heteroskedastisitas. Kedua kondisi inilah yang menunjukkan bahwa data tidak stationary.
Dalam analisis time series, informasi apakah data bersifat stasionary merupakan hal yang sangat penting. Variabel-variabel ekonomi yang terus menerus meningkat sepanjang waktu adalah contoh dari variabel yang tidak stationary. Dalam metode OLS, mengikutsertakan variabel
38
yang non stationer dalam persamaan mengakibatkan standard error yang dihasilkan menjadi bias dan menghasilkan kesimpulan yang tidak benar. Banyak ditemukan bahwa koefisien estimasi signifikan tetapi sesungguhnya tidak ada hubungan sama sekali.
Terdapat beberapa metode pengujian unit root, dua diantaranya yang saat ini secara luas dipergunakan adalah (augmented) Dickey-Fuller (1981) dan Phillips–Perron (1988) unit root test. Prosedur pengujian stationary data adalah sebagai berikut :
1) Melakukan uji terhadap level series. Jika hasil uji unit root menunjukkan terdapat unit root, berarti data tidak stationary.
2) Selanjutnya adalah melakukan uji unit root terhadap first difference dari series.
3) Jika hasilnya tidak ada unit root, berarti pada tingkat first difference, series sudah stationary atau semua series terintegrasi pada orde I(1). 4) Jika setelah di-first difference-kan series belum stationary maka perlu
dilakukan second difference. b. Uji Kointegrasi
Keberadaan variabel non-stationary menyebabkan kemungkinan besar adanya hubungan jangka panjang antara variabel di dalam sistem ECM. Berkaitan dengan hal ini, maka langkah selanjutnya di dalam estimasi ECM adalah uji kointegrasi untuk mengetahui keberadaan hubungan antar variabel.
39
Konsep kointegrasi adalah hubungan linier antar variabel yang tidak stasioner. Salah satu catatan penting mengenai kointegrasi adalah seluruh variabel harus terintegrasi pada orde yang sama. Jika ada dua variabel yang terintegrasi pada orde yang berbeda, maka kedua variabel ini tidak mungkin berkointegrasi (Enders, 1995: 358-360). Jadi sebelum melakukan uji kointegrasi, seluruh variabel harus terintegrasi pada orde yang sama.
Uji kointegrasi dilakukan dengan menggunakan metode Engle dan Granger. Dari hasil estimasi regresi akan diperoleh residual. Kemudian residual tersebut diuji statianory-nya, jika stationary pada orde level maka data dikatakan terkointegrasi.
c. Estimasi ECM
Penentuan Panjang Lag Optimal
Dampak sebuah kebijakan ekonomi seperti kebijkan moneter biasanya tidak secara langsung berdampak pada aktivitas ekonomi tetapi memerlukan waktu (lag). Penentuan panjang lag optimal merupakan hal yang sangat penting dalam ECM, yang berguna untuk menangkap semua pengaruh dari variabel-variabel bebas. Penentuan panjang lag optimal digunakan untuk mengetahui seberapa banyak lag yang digunakan dalam estimasi ECM.
Kriteria yang umum digunakan dalam menentukan panjang lag optimal adalah Akaike Information Criteria (AIC) dan Schwarz
40
dikembangkan oleh Hirotsugu Akaike pada 1971 dan dikemukakan dalam Akaike (1974), yang menghitung ukuran terbaik dari sebuah estimasi model statistik.
Metodologi AIC mencoba mencari model yang mampu menjelaskan data dengan parameter bebas yang minimum. AIC memutuskan sebuah model dengan seberapa dekat nilai model tersebut terhadap nilai kebenarannya dalam istilah nilai pendugaan tertentu. Tetapi sangat penting untuk disadari bahwa nilai AIC menandai sebuah model yang hanya menunjukkan peringkat kompetisi model dan memberitahukan yang manakah yang terbaik diantara alernatif yang diberikan.
Penentuan panjang lag optimal dapat dilakukan dengan mengestimasi masing-masing lag, kemudian dilihat masing-masing nilai kriteria AIC. Lag optimal terjadi ketika nilai kriteria turun kemudian naik pada lag berikutnya.
d. Uji t (t test)
Uji t, digunakan untuk menguji signifikansi pengaruh masing-masing variabel independen terhadap variabel dependen. Adapun kriteria ujinya sebagai berikut:
1) Jika p value > 0,05, maka Ha ditolak 2) Jika p value < 0,05, maka Ha diterima e. Uji F (F test)
41
Uji F dimaksudkan untuk menguji signifikansi pengaruh variabel independen secara serentak terhadap variabel dependen. Adapun kriteria ujinya sebagai berikut:
1) Jika p value > 0,05, maka Ha ditolak 2) Jika p value < 0,05, maka Ha diterima f. Koefisien Determinasi
Koefisien determinasi digunakan untuk mengetahui seberapa besar persentase variabilitas variabel dependen dapat dijelaskan oleh variabel independen. Besarnya koefisien determinasi akan terletak antara 0 sampai dengan 1. Semakin besar nilai koefisien determinasi (mendekati 1) semakin baik, demikian sebaliknya.
g. Pelanggaran Asumsi Klasik
Dalam penelitian ini uji pelanggaran asumsi klasik meliputi uji normalitas, autokorelasi, heteroskedastisitas, dan multikolinearitas. 1) Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi residual berdistribusi normal atau tidak. Model regresi yang baik adalah memiliki residual berdistribusi normal atau mendekati normal. Untuk mendeteksi normalitas melalui program Eviews dengan menggunakan uji Jarque Bera (JB), dengan kriteria: (Basuki & Yuliadi, 2015).
42
a) Jika probabilitas Jarque Bera (JB) > 0,05, maka residualnya berdistribusi normal.
b) Jika probabilitas Jarque Bera (JB) < 0,05, maka residualnya berdistribusi tidak normal.
2) Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam suatu model regresi linier ada korelasi antara residual (kesalahan pengganggu) pada periode t dengan residual pada periode t-1 (sebelumnya). Model regresi yang baik adalah regresi yang bebas dari autokorelasi. Untuk menentukan autokorelasi dengan menggunakan uji Durbin-Watson. Penarikan kesimpulan apakah terdapat autokorelasi, sebagai berikut: (Ghozali, 2005).
a) Jika DWhitung < dl maka terjadi autokorelasi positif. b) Jika dl < DWhitung < du maka terdapat di daerah ragu-ragu. c) Jika du < DWhitung < 4-du maka tidak terjadi autokorelasi d) Jika 4- du < DWhitung < 4-dl maka terdapat di daerah ragu-ragu e) Jika DWhitung > 4-d1 maka terjadi autokorelasi negatif.
3) Uji Heteroskedastisitas
Heteroskedastisitas adalah kondisi dimana nilai varian dari variabek independen tidak memiliki nila-nilai yang sama. Untuk mendeteksi heteroskedastisitas dengan melihat nilai Obs*R-Squared pada White Heteroskedasticity Test. Apabila nilai Obs*R-Squared
43
lebih besar dari taraf nyata yang digunakan maka persamaan tidak memiliki heteroskedastisitas.
4) Uji Multikolinearitas
Multikolinearitas dalam model regresi artinya antara variabel independen memiliki hubungan yang sempurna dan mendekati sempurna. Uji multikolinearitas melalui program Eviews dengan pendekatan korelasi parsial.
51
BAB IV
GAMBARAN UMUM