Uji Asumsi Klasik Metode Analisis Data

Hipotesis : H = data berdistribusi normal H 1 = data berdistribusi tidak normal Jika hasil dari JB hitung Chi Square tabel, maka H ditolak Jika hasil dari JB hitung Chi Square tabel, maka H diterima b. Uji Multikolinearitas Uji Multikolinearitas digunakan untuk mendeteksi ada tidaknya hubungan antara beberapa atau semua variabel independen dalam model regresi. Multikolinearitas merupakan keadaan di mana satu atau lebih variabel independen dinyatakan sebagai kondisi linear dengan variabel lainnya. Artinya di antara perubah ubah bebas yang digunakan sama sekali tidak berkorelasi satu dengan yang lain maka bisa dikatakan bahwa tidak terjadi multikolinearitas. Jika tidak ada korelasi antara kedua variabel tersebut maka koefisien pada regresi majemuk akan sama dengan koefisien pada regresi sederhana. Hubungan linier antar variabel bebas ini yang disebut multikolinearitas. 21 Pada penelitian ini pendeteksian adanya multikolinearitas dengan menggunakan uji efisiensi korelasi r. Jika koefisien korelasi cukup tinggi misalnya di atas 0.8 maka diduga terjadi multikolinearitas dalam model. 21 Nachrowi Djalal, Pendekatan Populer dan Praktis Ekonometrika Jakarta: Lembaga Penerbit Fakultas Ekonomi Universitas Indonesia, 2006, h. 95. Sebaliknya jika koefisien relatif rendah maka diduga model tidak terjadi multikolinearitas. Langkah-langkah pengujiannya adalah sebagai berikut : Hipotesis : H = tidak ada multikolinearitas H 1 = ada multikolinearitas Bila r 0.8 tidak ada multikolinearitas Bila r 0.8 ada multikolinearitas Ada beberapa cara untuk mengatasi masalah adanya multikolinearitas antara lain dengan melihat informasi sejenis yang ada, mengeluarkan variabel bebas yang kolinier dari model, mentransformasikan variabel, mencari data tambahan. 22 c. Uji Heteroksedasitas Uji Heteroksedasitas adalah alat untuk mendeteksi apakah variabel gangguan tidak konstan atau berubah-ubah. Uji Heteroksedasitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan yang lain. Jika variance dari residual satu pengamatan ke pengamatan lain tetap, maka disebut homoksedasitas dan jika variance tidak konstan atau berubah-ubah disebut dengan heteroksedasitas. Model regresi yang baik adalah yang homoksedasitas atau tidak terjadi 22 Ibid., h. 104-107. heteroksedasitas. 23 Pendeteksian heteroksedasitas yang penulis gunakan dilakukan melalui Uji White. Dengan langkah-langkah pengujian sebagai berikut : Hipotesis : H = tidak ada heteroksedasitas H 1 = ada heteroksedasitas Bila probabilitas ObsR 2 0.0 → signifikan, H diterima Bila probabilitas ObsR 2 0.0 → tidak signifikan, H ditolak Apabila probabilitas ObsR 2 lebih besar dari 0.05 maka model tersebut tidak terdapat heteroksedasitas. Apabila probabilitas ObsR 2 lebih kecil dari 0.05 maka model tersebut dipastikan terdapat heteroksedasitas jadi model tersebut harus ditangani melalui transformasi logaritma natural dengan cara membagi persamaan regresi dengan variabel independen yang mengandung heteroksedasitas. d. Uji Autokorelasi Autokorelasi adalah suatu keadaan dimana terjadi korelasi antara residual tahun ini dengan tingkat kesalahan tahun sebelumnya. Untuk mengetahui ada atau tidaknya penyakit autokorelasi dalam suatu model, dapat dilihat dari Uji Breusch-Godfrey. 23 Ibid., h. 109. Dalam berbagai studi ekonometrika, data time series sangat banyak digunakan. Namun ternyata data time series menyimpan banyak permasalahan, salah satunya yaitu autokorelasi. 24 Autokorelasi lebih mudah timbul pada data yang bersifat runtut waktu karena berdasarkan sifatnya, data masa sekarang dipengaruhi oleh data pada masa-masa sebelumnya. Meskipun demikian, tetap dimungkinkan autokorelasi dijumpai pada data yang bersifat antarobjek cross section. 25 Autokorelasi ini merupakan penyebab yang mengakibatkan data menjadi tidak stasioner, sehingga bila data dapat distasionerkan maka autokorelasi akan hilang dengan sendirinya karena metode transformasi data untuk membuat data yang tidak stasioner sama dengan transformasi data untuk menghilangkan autokorelasi. Untuk melihat ada tidaknya autokorelasi dapat juga menggunakan Uji Langrange Multiplier LM Test atau yang disebut Uji Breusch-Godfrey dengan membandingkan nilai probabilitas R- Squared dengan α = 0.05. Langkah-langkah pengujiannya sebagai berikut : Hipotesis : H = tidak ada autokorelasi H 1 = ada autokorelasi Bila probabilitas ObsR 2 0.0 → signifikan, H diterima Bila probabilitas ObsR 2 0.0 → tidak signifikan, H ditolak 24 Ibid., h. 196-197. 25 Wing Wahyu Winarno, op. cit., h.5.29.

3. Regresi Data Panel

Metode analisis data dalam penelitian ini adalah analisis regresi data panel. Data panel pool yang merupakan gabungan antara data runtun waktu time series dengan seksi silang cross section. Oleh karena itu data panel memiliki gabungan karakteristik yaitu data yang terdiri atas beberapa objek dan meliputi beberapa waktu. 26 Uji regresi panel digunakan untuk mengetahui hubungan antara variabel independen dengan variabel dependen. Pada penelitian ini data diolah dengan software Microsoft Excel dan Eviews 8. Penggunaan data panel dalam sebuah observasi mempunyai beberapa keuntungan yang diperoleh. Pertama, data panel merupakan gabungan dua data time series dan cross section yang mampu menyediakan data yang lebih banyak sehingga akan menghasilkan degree of freedom yang lebih besar. Kedua, menggabungkan informasi dari data time series dan cross section yang dapat mengatasi masalah yang timbul ketika ada masalah penghilangan variabel omitted-variabel. 27 Model regresi data panel dalam penelitian ini adalah : Y it = α + β 1 X 1it + β 2 X 2it + β 3 X 3it - β 4 X 4it + Ɛ it Di mana: α = konstanta β = koefisien regresi 26 Wing Wahyu Winarno, op. cit., h.10.1. 27 Agus Widarjono, Ekonometrika Pengantar dan Aplikasinya: Disertai Panduan Eviews Edisi Keempat Yogyakarta: UPP STIM YKPN, 2013, h.353. Ɛ = standar kesalahan Y it = kesehatan finansial X 1it = pendapatan Islam X 2it = pembiayaan bagi hasil X 3it = investasi Islam X 4it = rasio zakat Dalam menganalisis persamaan dengan menggunakan metode analisis regresi data panel dapat dilakukan dengan beberapa tahap yaitu: a. Estimasi Model Data Panel Metode estimasi model regresi dengan menggunakan data panel dapat dilakukan melalui tiga pendekatan antara lain : 28 1 Metode Pooled Least Square PLS Common Effect Pooled Least Square model merupakan metode estimasi model regresi data panel yang paling sederhana dengan asumsi intercept dan koefisien slope yang konstan antar waktu dan cross section common effect. Dalam pendekatan ini tidak memperhatikan dimensi individu maupun waktu. Diasumsikan bahwa perilaku data antar perusahaan sama dalam berbagai kurun waktu. Pada dasarnya model common effect sama dengan OLS dengan meminimumkan jumlah kuadrat, tetapi data yang digunakan bukan data time series atau data cross section saja melainkan data panel yang diterapkan dalam bentuk pooled. Bentuk untuk model ordinary least square adalah: 28 Ibid., h.355 2 Metode Fixed Effect Model FEM Model fixed effect adalah teknik mengestimasi data panel dengan menggunakan variabel dummy untuk menangkap adanya perbedaan intersep. Pengertian fixed effect ini didasarkan adanya perbedaan intersep antara perusahaan namun intersepnya sama antar waktu time in variant. Disamping itu, model ini juga mengasumsikan bahwa koefisien regresi slope tetap antar perusahaan dan antar waktu. Salah satu cara paling sederhana untuk mengetahui perbedaan adalah dengan mengasumsikan bahwa intersep adalah berbeda antar perusahaan sedangkan slope-nya tetap sama antar perusahaan. Pendekatan dengan variabel dummy ini dikenal dengan sebutan Fixed Effect Model atau Least Square Dummy LSDV atau disebut covariance model. Persamaan dengan menggunakan Fixed Effect Model dapat ditulis dalam bentuk sebagai berikut: 3 Metode Random Effect Model REM Random Effect Model merupakan metode estimasi model regresi data panel dengan asumsi koefisien slope dan intercept berbeda antar individu dan antar waktu random effect. Terdapat variabel Y it = β + β 1 X 1it + β 2 X 2it + Ɛ it Y it = β + β 1 X 1it + β 2 X 2it + β 3 X 3it + β 3 D 1i + β 3 D 2i + … + Ɛ it