50
3.7 Jenis Data
Dalam penelitian ini, peneliti menggunakan jenis data sekunder, yaitu data yang diperoleh dalam bentuk yang sudah jadi dan tidak memerlukan pengolahan
lebih lanjut seperti laporan keuangan tahunan. Data sekunder adalah data yang diperoleh peneliti secara tidak langsung melalui media perantara diperoleh dan
dicatat oleh pihak lain. Data sekunder umumnya berupa bukti, catatan atau laporan historis yang telah tersusun dalam arsip data dokumenter yang
dipublikasikan dan yang tidak dipublikasikan. Sumber data sekunder untuk penelitian ini yang berupa laporan keuangan
yang telah dipublikasikan diperoleh dari database Bursa Efek Indonesia dengan mengunduh data melalui website resmi Bursa Efek Indonesia,
www.idx.co.id ,
selama tahun 2005 sampai 2011. Data yang diperoleh adalah data time series runtut waktu dan data cross section.
3.8 Metode Pengumpulan Data
Metode yang digunakan peneliti untuk mendapatkan data sekunder adalah metode dokumentasi. Menurut Bungin 2005:144, “Pada intinya metode
dokumentasi adalah metode yang digunakan untuk menelusuri data historis”. Dengan metode dokumentasi, peneliti menyelidiki benda-benda tertulis seperti
jurnal akuntansi atau buletin akuntansi, buku-buku yang berkaitan dengan masalah yang diteliti, majalah, dokumen, peraturan-peraturan, juga berupa teori
dan hasil penelitian yang telah dilakukan.
Universitas Sumatera Utara
51
Dengan metode pengumpulan data secara metode dokumentasi, peneliti juga melakukan pengumpulan data sekunder atau data yang diperoleh secara tidak
langsung melalui media perantara yaitu internet melalui laporan keuangan yang telah diaudit oleh auditor yang diterbitkan setiap tahunnya baik dalam media cetak
maupun data yang diunduh dari internet melalui situs resmi Bursa Efek Indonesia www.idx.co.id.
3.9 Teknik Analisis Data
Keseluruhan data yang telah dikumpul dianalisis untuk dapat memberikan jawaban dari masalah yang dibahas dalam penelitian ini. Dalam menganalisis
data, peneliti menggunakan program Software Eviews 7.1. Metode analisis data yang digunakan dalam penelitian ini adalah teknik analisis regresi berganda
Multiple Regression. Model regresi berganda atas variabel-variabel penelitian ini dapat disusun dengan fungsi atau persamaan sebagai berikut :
Y = α + b
1
X
1
+ b
2
X
2
+ b
3
X
3
+ b
4
X
4
+ b
5
X
5
+ e
Keterangan : Y = kecukupan modal Capital Adequacy Ratio-CAR
α = Konstanta βi = Koefisien regresi
X
1
= Loan to deposit Ratio LDR X
2
= Non performing Loan NPL
Universitas Sumatera Utara
52
X
3
= Return on Equity ROE X
4
= Interest Margin on Loan IML
X
5
= Beban Operasional terhadap Pendapatan Operasional BOPO e = Tingkat kesalahan variabel pengganggu error
3.9.1 Pengujian dan Pemilihan Model
Ada tiga pendekatan yang digunakan dalam melakukan analisis terhadap data time series dan cross section atau disebut dengan data panel antara lain
pendekatan kuadrat terkecil pooling least square, pendekatan efek tetap fixed effect approach dan pendekatan efek acak random effect approach.
1. Pendekatan kuadrat terkecil pooled least square approach
Pendekatan ini menggabungkan data cross section dan data time series dalam bentuk pool data. Kemudian data tersebut diregresikan dengan metode
OLS. Pendekatan ini adalah pendekatan yang paling sederhana dimana kita tidak dapat melihat perbedaan antar individu dan perbedaan antar waktu karena
intercept maupun slope dari persamaan tersebut sama. Secara matematis, model pendekatan ini dinyatakan sebagai berikut
Nachrowi dan Usman, 2006:312 : �
�,�
= α + β�
�,�
+ �
�,�
; i = 1,2,...,N ; t = 1,2,...,T
2. Pendekatan efek tetap fixed effect approach
Menurut Pratomo dan Hidayat 2010:167, “Model ini memiliki intercept persamaan yang tidak konstan atau terdapat perbedaan pada setiap individu
data cross-section. Sementara itu, slope koefisien dari regresi tidak berbeda
Universitas Sumatera Utara
53
pada setiap individu dan waktu”. Pendekatan ini merupakan teknik regresi dimana model panel data memiliki nilai konstanta atau intercept yang mungkin
berubah-ubah untuk setiap individu dan waktu dimana setiap unit cross section bersifat tetap secara time series. Perbedaan nilai intercept ini bisa terjadi
adanya variabel-variabel yang tidak semuanya masuk dalam persamaan model yang memungkinkan adanya intercept yang tidak konstan.
Hal ini juga dikenal sebagai proses generalisasi pada pendekatan fixed effect, yakni dengan cara memasukkan variabel boneka dummy variabel
kedalam persamaan regresi. Hal yang perlu dipertimbangkan adalah bahwa dengan ditambahkannya variabel boneka maka degree of freedom akan
semakin berkurang dan semakin mengecil sehingga nantinya akan mempengaruhi efisiensi dari parameter yang di estimasi.
Secara matematis, model fixed effect dinyatakan sebagai berikut Nachrowi dan Usman, 2006:313 :
�
��
= � + ��
��
+ �
2
�
2�
+ �
3
�
3�
+ ⋯ + �
�
�
��
+ �
2
�
��
+ �
2
�
�2
+ �
3
�
�3
+ ⋯ + �
�
�
��
+ �
��
Dimana: �
��
= Variabel terikat untuk individu ke-i dan waktu ke-t �
��
= Variabel bebas untuk individu ke-i dan waktu ke-t �
��
= Variabel boneka dummy dimana �
��
=1 ; untuk individu i ; i=1,2,...,N dan bernilai 0 untuk lainnya
�
��
= Variabel boneka dummy dimana �
��
=1 ; untuk periode t ; t=1,2,...,T dan bernilai 0 untuk lainnya.
Universitas Sumatera Utara
54
3. Pendekatan efek acak random effect approach
Menurut Pratomo dan Hidayat 2010:168, “Pada model ini, perbedaan antar individu terletak di error term dari persamaan. Model ini
memperhitungkan bahwa error term mungkin berkorelasi sepanjang time series dan cross section”. Pendekatan ini menyatakan bahwa perbedaan antar waktu
dan antar individu dimasukkan ke dalam komponen error pada persamaan persamaan regresi. Error dalam pendekatan ini terbagi menjadi error untuk
komponen individu, error komponen waktu dan error gabungan. Model ini mengasumsikan bahwa intercept dari individual effect terdistribusi secara acak
dengan rata-rata yang konstan, error secara individual tidak saling berkorelasi, begitu pula halnya dengan error gabungannya. Pendekatan ini dapat
menghemat penggunaan degree of freedom sehingga parameter yang menjadi hasil estimasi menjadi lebih efisien.
Secara matematis, model fixed effect dinyatakan sebagai berikut Nachrowi dan Usman, 2006:316 :
�
��
= � + ��
��
+ �
��
; �
��
= �
�
+ �
�
+ �
��
Dimana: �
�
= komponen error cross-section �
�
= komponen error time-series �
��=
komponen error gabungan Untuk menentukan pendekatan mana yang akan digunakan dalam
melakukan pengolahan data pada metode regresi maka perlu dilakukan beberapa pengujian agar diperoleh model yang valid. Agar dalam pengolahan
Universitas Sumatera Utara
55
data yang dilakukan lebih sistematis, peneliti menggunakan kedua uji ini sehingga pada akhirnya model yang dipilih adalah model yang paling dominan
menjelaskan hasil dari penelitian ini. Pengujian tersebut meliputi:
1. Uji Chow Chow Test
Uji Chow atau disebut juga dengan uji F–Statistic adalah pengujian yang dilakukan untuk mengetahui apakah model yang digunakan berbentuk Pooled
Least Square atau Fixed Effect. Hipotesis dari Chow Test atau F–Statistic adalah sebagai berikut:
� = Model Pooled Least Square
�
1
= Model Fixed Effect Dengan dasar penolakan hipotesis nol
� adalah F–Statistic dengan
rumus Chow sebagai berikut :
���� = ���� − ����� − 1
������ − � − � Dimana:
RRSS = Restricted Residual Sum Square Sum of Square Residual dari estimasi data panel menggunakan Pooled Least Square
URSS = Unrestricted Residual Sum Square Sum of Square Residual dari estimasi data panel menggunakan Fixed Effect
N = Jumlah data Cross Section
T = Jumlah data Time Series
K = Jumlah variabel penjelas
Universitas Sumatera Utara
56
Pengujian ini mengikuti distribusi F–Statistic dimana jika F–Statistic nilai Chow lebih besar dari F tabel maka Ho ditolak yang berarti model yang
digunakan adalah model Fixed Effect.
2. Uji Haussman Haussman test.
Haussman test adalah suatu uji statistik yang menjadi dasar pertimbangan dalam menentukan pemilihan model yang akan digunakan, apakah
menggunakan model fixed effect atau model random effect. Hipotesis dari pengujian ini adalah sebagai berikut :
� = Random effect model
�
1
= Fixed model effect Pertimbangan statistik chi-square dipergunakan untuk menetukan
penolakan terhadap hipotesis nol H dimana jika probabilitas Haussman lebih
kecil dari α hasil Haussman test signifikan maka H ditolak dan model fixed
effect digunakan.
3.9.2 Pengujian Asumsi
Untuk menentukan ketepatan model, perlu dilakukan pengujian atas beberapa asumsi dari ordinary least squares OLS sehingga asumsi BLUE
Best Linear Unbiased Estimator dapat terpenuhi, secara rinci dapat dijelaskan sebagai berikut :
Universitas Sumatera Utara
57
a. Uji heteroskedastisitas
“Pengujian gejala heterokedastisitas bertujuan untuk melihat apakah dalam model regresi terjadi ketidaksamaan varians dari residual satu
pengamatan ke pengamatan lainnya. Jika varian dari residual satu pengamatan ke pengamatan yang lain tetap maka disebut homoskedastisitas,
dan jika berbeda disebut heteroskedastisitas” Erlina, 2011:105. Model regresi yang baik adalah homoskedastisitas atau tidak terjadi
heteroskedastisitas. Untuk mengidentifikasi adanya heteroskedastisitas, maka dilakukan uji White
. Dengan menggunakan tingkat α = 5, maka terdapat ketentuan sebagai berikut:
• Jika ObsR-Square 0.05, maka terdapat masalah heteroskedastisitas • Jika ObsR-Square 0.05, maka tidak terdapat masalah
heteroskedastisitas
b. Uji Autokorelasi Autokorelasi merupakan korelasi antar anggota sampel yang diurutkan