Metode dan Teknik Analisis Data

3.6. Metode dan Teknik Analisis Data

3.6.1. Analisis Faktor

Analisis faktor merupakan salah satu dari analisis ketergantungan (interdependensi) antar variabel. Prinsip dasar analisis faktor adalah mengekstraksi sejumlah faktor bersama (common factors) dari gugusan variabel asal X1, X2,....,Xp, sehingga :

1. banyaknya faktor lebih sedikit dibandingkan dengan banyaknya variable asal X;

2. sebagian besar informasi (ragam) variabel asal X tersimpan dalam sejumlah faktor.

Agar terjadi kesamaan persepsi, untuk selanjutnya faktor digunakan untuk menyebut faktor bersama. Faktor ini merupakan variabel baru yang bersifat unobservable atau variabel laten atau variabel konstruks, sedangkan variabel X merupakan variabel yang dapat diukur atau dapat diamati sehingga sering disebut sebagai observable variable atau variabel manifest atau indikator.

Salah satu tujuan dari analisis faktor adalah mereduksi jumlah variabel dengan cara mirip seperti pengelompokan variabel. Di dalam analisis faktor, variabel- variabel dikelompokkan berdasarkan korelasinya. Variabel yang berkolerasi tinggi akan berada dalam kelompok tertentu membentuk suatu faktor, sedangkan dengan variabel dalam kelompok (faktor) lain mempunyai korelasi yang relatif kecil. Kegunaan dari analisis faktor adalah sebagai berikut :

1. Mengekstraks unobservable variable (variabel laten) dari manifest variabel atau indikator atau mereduksi variabel menjadi variabel baru yang jumlahnya lebih sedikit.

2. Mempermudah interpretasi hasil analisis sehingga didapatkan informasi yang realistik dan sangat berguna.

3. Pengelompokan dan pemetaan objek (mapping dan clustering) berdasarkan karakteristik yang terkandung di dalam faktor.

4. Pemeriksaan validitas dan reliabilitas instrumen penelitian.

5. Dengan diperolehnya skor faktor, maka analisis faktor merupakan langkah awal (sebagai data input) dari berbagai metode analisis data yang lain, 5. Dengan diperolehnya skor faktor, maka analisis faktor merupakan langkah awal (sebagai data input) dari berbagai metode analisis data yang lain,

Analisis faktor memiliki banyak kemiripan dengan analisis komponen pokok (principle component analysis) terutama bilamana proses komputasi dalam analisis factor didekati dengan solusi analisis komponen pokok (PCA solution), sehingga indikator dan kriteria pemilihan faktor yang bermakna (signifikan) dan interpretasi faktor dapat dilakukan dengan cara yang sama dengan analisis komponen pokok.

Analisa pengelompokan dalam penelitian ini dilakukan dengan menggunakan teori Altman yang mengelompokkan perusahaan dalam dua kelompok, yaitu kelompok perusahaan berkatagorikan sehat dan kelompok perusahaan dengan berkatagorikan tidak sehat.

3.6.2 Uji Asumsi Diskriminan

3.6.2.1 Uji Normalitas Data

Hasil analisis diskriminan sangat sensitif jika terjadi penyimpangan atas asumsi yang digunakan. Jika asumsi kenormalan data tidak terpenuhi akan berakibat pada kesalahan dalam melakukan estimasi fungsi diskriminan.

Gujarati (1997;67) menuliskan bahwa asumsi kenormalan data harus dipenuhi oleh sebuah model dengan beberapa alasan :

1. Data normal menghasilkan model prediksi yang tidak bias, serta memiliki varians yang minimum.

2. Data normal menghasilkan model yang konsisten , yaitu dengan meningkatnya jumlah sampel ke jumlah yang tidak terbatas, penaksir akan mengarah ke nilai populasi yang sebenarnya.

Pengujian terhadap normalitas data dilakukan menggunakan One Sample Kolmogorov-Smirnov Test dengan α=5%. Kaidah pengambilan keputusan adalah:

a. Jika Probabilitas (p) > 0,05 maka data berdistribusi normal.

b. Jika Probabilitas (p) < 0,05 maka data tidak berdistribusi normal.

3.6.2.2 Uji Linieritas

Equality of Covariance Matrices adalah asumsi bahwa keragaman sample keseluruhan variabel bebas dari kedua kelompok yang diteliti adalah sama. Pelanggaran terhadap asumsi ini akan menimbulkan penyimpangan terhadap keakuratan fungsi diskriminan dalam mengelompokkan sampel kedalam salah satu kategori tertentu. Pengujian dilakukan menggunakan Box’s M Test dengan α=5%. Asumsi linieritas terpenuhi apabila hasil pengujian menunjukkan nilai signifikansi < 0,05.

3.6.2.3 Uji Non Multikolinieritas

Multikolinearitas adalah suatu kondisi antara satu variabel bebas dengan yang lain terdapat hubungan atau korelasi. Hal ini harus dihindari untuk meminimalkan kesalahan dalam menentukan goodness of fit. Deteksi ada tidaknya multikolinieritas antar variabel independen dilakukan dengan menggunakan korelasi Pearson. Nilai Multikolinearitas adalah suatu kondisi antara satu variabel bebas dengan yang lain terdapat hubungan atau korelasi. Hal ini harus dihindari untuk meminimalkan kesalahan dalam menentukan goodness of fit. Deteksi ada tidaknya multikolinieritas antar variabel independen dilakukan dengan menggunakan korelasi Pearson. Nilai

3.6.3 Uji Diskriminan

Untuk melakukan uji terhadap hipotesis dalam penelitian ini, digunakan model analisis diskriminan yaitu Two-Group Discriminant Analysis. Penggunaan analisis diskriminan ini dimaksudkan untuk membuat pengelompokkan terhadap suatu observasi, baik secara kuantitatif dan secara statistik sehingga dapat dibedakan dengan jelas.

Model fungsi diskriminan yang digunakan dalam penelitian ini adalah sebagai berikut: D=W 1 X 1 +W 2 X 2 +W 3 X 3 +W 4 X 4 +W 5 X 5 +W 6 X 6 +W 7 X 7 +W 8 X 8 +W 9 X 9 +W 10 X 10

Notasi:

D = nilai diskriminan W 1 -W 10 = koefisien fungsi diskriminan

X 1 = CR

X 2 = DAR

X 3 = DER

X 4 = EM

X 5 = GPM

X 6 = NPM

X 7 = ROI

X 8 = ROE

X 9 = ITO

X 10 = TATO

3.6.4 Uji Hipotesis

3.6.4.1 Uji Hipotesis Ke-1

Pengujian terhadap hipotesis ke-1 dilakukan dengan melihat hasil perhitungan standardized canonical discriminant function coefficients. Jika perhitungan menghasilkan variabel yang secara statistik dinyatakan mampu membedakan status pengelompokan perusahaan maka hipotesis alternatif diterima.

3.6.4.2 Uji Hipotesis Ke-2

Pengujian terhadap hipotesis ke-2 dilakukan dengan melihat besarnya koefisien diskriminan yang dihasilkan berdasarkan perhitungan canonical discriminant function coefficients dan standardized canonical discriminant function coefficients. Nilai koefisien diskriminan yang terbesar menunjukkan pengaruh dominan dari variabel independen.