BAB III. METODE PENELITIAN
E. Teknik Analisis Data
1. Analisis Regresi Linier Berganda
Teknik analisis data yang digunakan dalam penelitian ini adalah teknik analisis regresi berganda (Multiple Regtession). Analisis regresi berganda bertujuan menghitung besarnya pengaruh dua atau lebih variabel bebas terhadap satu variabel terikat dan memprediksi variabel terikat dengan menggunakan dua atau lebih variabel bebas.57
Variabel dependen yang digunakan adalah perkembangan sukuk korporasi, sedangkan variabel independen adalah inflasi dan nilai tukar rupiah, untuk mengetahui apakah ada pengaruh yang signifikan dari variabel independen terhadap dependen.
Analisis Regresi Linier Berganda dirumuskan sebagai berikut :
57 Imam Ghozali, Aplikasi Analisis Multivariate dengan Program SPSS, Semarang:
UNDIP, 2006), hlm. 45
Dimana Y adalah variabel dependen (terikat), X adalah variabel independen (bebas).
Keterangan :
Y : perkembangan sukuk korporasi X1: Inflasi
X2: Nilai Tukar Rupiah α : Konstanta
β : Koefisien regresi, merupakan besarnya perubahan variabel terikat akibat perubahan tiap-tiap unit variabel bebas (Kemiringan).
e : Standar Error
2. Uji Asumsi Klasik
Setelah model regresi diperoleh, maka model terdebut haru diuji sudah termasuk BLUE (Best Linear Unbiased Estimator) atau tidak.
Model regresi linier berganda dapat disebut sebagai model regresi yang baik, jika model tersebut memenuhi asumsi normalitas data dan terbebas dari asumsi-asumsi klasik statistik, baik itu autokorelasi, multikolinieritas, dan heterokedastisitas.58
Asumsi klasik dalam penelitian ini adalah sebagai berikut:
a. Uji Normalitas Data
Uji normalitas bertujuan untuk mengetahui distribusi data dalam variabel yang akan digunakan dalam penelitian. Data yang baik dan layak digunakan dalam penelitian adalah data yang memiliki distrisbusi normal. Normalitas data dapat dilihat dengan menggunakan grafik normal P-P Plots. Pada normalitas data dengan normal P-Plot, 58Bhuono Agung Nugroho, Strategi Jitu Memilih Metode Statisitik Penelitian dengan SPSS, (Yokyakarta: CV Andi Offset, 2005), hlm.57
data pada variabel yang digunakan akan dinyatakan terdistribusi normal atau mendekati normal. Suatu variabel dikatakan normal jika gambar distribusi dengan titik-titik data yang menyebar disekitar garis diagonal, dan penyebaran titik-titik data searah mengikuti garis diagonal.59
Selain itu, untuk menguji normalitas data dapat digunakan uji statistik Kolmogorov Smirnov (K-S). Dasar pengambilan keputusan dari uji K-S ini adalah jika Asymp. Sig lebih besar dari 0,05 (Asymp.
Sig > 0.05) maka data terdistibusi normal.
b. Uji Multikolinearitas
Uji multikolinearitas diperlukan untuk mengetahui ada tidaknya variabel independen yang memilki kemiripan dengan variabel independen lain dalam suatu model. Kemiripan antar variabel independen dalam suatu model akan menyebabkan terjadinya korelasi yang sangat kuat antar suatu variabel independen dengan variabel independen lain.60
Jika antara variabel bebas terjadi korelasi, maka terdapat masalah multikolinearitas.
Salah satu cara untuk mendeteksi multikolinearitas adalah dengan melihat nilai VIF dan tolerance.
a. Jika nilai Variance Inflation Faktor (VIF) kurang dari 10 dan tolerance lebih dari 0.10 (VIF < 10 dan tolerance > 0.10) maka dapat dikatakan tidak ada masalah multikolinearitas.
59 Ibid., hlm.20 60 Ibid., hlm.58
b. Jika nilai Variance Inflation Faktor (VIF) lebih dari 10 dan tolerance kurang dari 0.10 (VIF > 10 dan tolerance < 0,1) maka dapat dikatakan ada masalah multikolinearitas.61
c. Uji Autokorelasi
Bertujuan untuk menguji apakah dalam suatu model ada korelasi antara variabel pengganggu (et) pada periode tertentu dengan variabel penganggu periode sebelumnya (et-1). Autokorelasi didefenisikan terjadinya korelasi antara data pengamatan sebelumnya, dengan kata lain bahwa munculnya suatu data dipengaruhi oleh data sebelumnya. Jika terjadi korelasi berarti ada masalah autokorelasi.
Persamaan regresi yang baik adalah bebas dari autokorelasi. 62
Cara untuk mendeteksi terjadi autokorelasi atau tidak, dapat dilihat melalui nilai Durbin Waston (DW) yang bisa dijadikan patokan untuk mengambil keputusan, antara lain 63:
a. Angka D-W di bawah - 2, berarti ada autokorelasi positif.
b. Angka D-W di antara -2 sampai +2, berarti tidak terjadi autokorelasi.
c. Angka D-W + 2, berarti ada autokorelasi negatif
Jika ada masalah autokorelasi, maka persamaan regresi yang seharusnya signifikan (lihat angka F dan signifikansinya), menjadi tidak layak untuk dipakai. Autokorelasi dapat diatasi dengan berbagai
61 Singgih Santoso, Buku Latihan SPSS Statistik Parametrik, (Jakarta: PT: Elex Media Komputido, 2000), hlm. 219
62 Ibid., hlm.59
63 Singgih Santoso, Buku Latihan SPSS Statistik Parametrik,;hlm.219
cara antara lain dengan melakukan transformasi data dan menambah data observasi.64
d. Uji Heterokedastisitas
Heterokedastisitas menguji terjadinya perbedaan variance residual suatu periode pengamatan ke periode pengamatan yang lain, atau gambaran hubungan antar nilai yang diprediksi dengan studentized delete residual nilai tersebut. Model regresi yang baik adalah model regresi yang memiliki persamaan variance residual suatu periode pengamatan dengan periode pengamatan lain, atau adanya hubungan antar nilai yang diprediksi dengan studentized delete residual nilai tersebut sehingga dapat dikatakan model tersebut homokedastisitas. Persamaan regresi yang baik adalah tidak terjadi heterokedastisitas.65
Salah satu cara untuk mendeteksi ada atau tidaknya heterokedastisitas yaitu dengan melihat grafik plot antara nilai prediksi variabel terikat (ZPRED) dan residualnya (SPRESID).
Deteksi ada atau tidaknya heterokedasitisitas dapat dilakukan dengan melihat ada tidaknya pola tertentu pada grafik scatter plot antara yang
64 M. Iqbal Hasan, Pokok-pokok Materi Statistik 2: Statistik Inferensi, (Jakarta: PT Bumu Aksara, 2003), Ed. Kedua, Cet. Kedua, hlm. 290
65Bhuono Agung Nugroho, Strategi Jitu Memilih Metode Statisitik Penelitian dengan SPSS; hlm.62
telah di studentized. Analisis pada gambar scatterplot yang menyatakan model regresi linier berganda tidak terdapat heterokedastisitas jika66:
a. Titik-titik data menyebar di atas dan di bawah atau disekitar angka 0.
b. Titik-titik data tidak mengumpul hanya di atas dan di bawah saja.
c. Penyebaran titik-titik data tidak boleh membentuk pola bergelombang melebar kemudian menyempit dan melebar kembali.
d. Penyebaran titik-titik data sebaiknya tidak berpola.
3. Koefisien Determinasi (R2)
Koefisien determinasi (R2) bertujuan untuk mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel dependen.
Nilai koefisien determinasi adalah di antara nol dan satu. Nilai R2 yang kecil berarti kemampuan variabel-variabel independen dalam menjelaskan variasi variabel dependen amat terbatas. Nilai yang mendekati satu berarti variabel-variabel independen memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen. 67
Dalam Output SPSS koefisien determinasi terletak pada tabel model summarybdan tertulis R square, namun untuk regresi linier berganda sebaiknya menggunakan R square yang sudah disesuaikan atau tertulis
66 Ibid., hlm.63
67 Mudrajad Kuncoro, Metode Kuantitatif Teori dan Aplikasi Untuk Bisnis dan Ekonom, (Yokyakarta: Unit Penerbit dan Percetakan (UPPT) STIM YKPN, 2007). hlm.84
Adjusted R square, karena disesuaikan dengan jumlah variabel independen yang digunakan dalam penelitian.68
kelemahan mendasar penggunaan koefisien determinasi adalah bisa terhadap jumlah variabel independen yang dimasukkan dalam model.
Setiap tambahan satu variabel independen R2 pasti meningkat tidak peduli apakah variabel tersebut berpengaruh secara signifikan terhadap variabel dependen. Oleh karena itu banyak peneliti menganjurkan untuk menggunakan nilai Adjusted R2 pada saat mengevaluasi mana model regresi yang terbaik. Tidak seperti R2, nilai adjusted R2 dapat naik atau turun apabila satu variabel independen ditambahkan ke dalam model.69 4. Pengujian Hipotesis
Ketepatan fungsi regresi sampel dalam menaksir nilai akrual dapat diukur dari nilai koefisien determinan (R2), nilai statistik F dan nilai statistik T. Perhitungan statistik disebut signifikan secara statistik apabila nilai uji statistiknya berada dalam daerah kritis (daerah dimana H0 ditolak).
Sebaliknya disebut tidak signifikan bila nilai uji statistiknya berada dalam daerah dimana H0 diterima.70
a. Uji Signifikansi Simultan (Uji F)
Uji simultan dengan F-test bertujuan untuk mengetahui pengaruh bersama-sama variabel independen terhadap variabel dependen. Hasil
68 Bhuono Agung Nugroho, Strategi Jitu Memilih Metode Statisitik Penelitian dengan SPSS; hlm.51
69 Mudrajad Kuncoro, Metode Kuantitatif Teori dan Aplikasi Untuk Bisnis dan Ekonom;
hlm. 85
70 Ibid., hlm 57
F-test pada Output SPSS dapat dilihat pada tabel ANOVA. Kriteria keputusannya sebagai berikut71:
1. Apabila F hitung > F tabel atau F statistik < 0,05 maka Ho ditolak dan Ha diterima, berarti terdapat pengaruh yang signifikan antara variabel bebas terhadap variabel terikat.
2. Apabila F hitung < F tabel atau F statistik > 0,05 maka Ho diterima dan Ha ditolak, berarti tidak terdapat pengaruh yang signifikan antara variabel bebas terhadap variabel terikat.
b. Uji Signifikansi Parameter Individual (Uji t)
T-test bertujuan untuk mengetahui pengaruh masing-masing variabel independen secara individual (parsial) terhadap variabel dependen. Hasil uji ini pada Output SPSS dapat dilihat pada tabel coefficients. Kriteria keputusannya sebagai berikut:
Apabila t hitung > t tabel atau t statistik < 0,05, maka Ho ditolak dan Ha diterima, berarti terdapat pengaruh yang signifikan dari variabel bebas terhadap variabel terikat.
Apabila t hitung < t tabel atau t statistik > 0,05, maka Ho diterima dan Ha ditolak, berarti tidak terdapat pengaruh yang signifikan dari variabel bebas terhadap variabel terikat.
BAB IV PEMBAHASAN