46
B. Metode Penentuan Sampel
Sampel yang diambil untuk keperluan penelitian ini menggunakan metode adalah purposive sampling, yang berarti pemilihan sampel secara
tidak acak yang disesuaikan dengan tujuan dan target tertentu. Tujuan penelitian ini adalah untuk mengetahui faktor-fator apa saja yang
mempengaruhi underpricing pada perusahaan yang melakukan IPO di BEI. Sampel penelitian ini diambil dari 144 perusahaan yang melakukan IPO
di BEI periode tahun 2005 sampai 2012, namun hanya 117 perusahaan yang terpilih menjadi sampel penelitian. Hal ini dikarenakan 27 perusahaan tidak
memenuhi kriteria untuk menjadi sampel penelitian. Adapun kriteria tersebut sebagai berikut:
1. Perusahaan melakukan IPO pada periode 2005 sampai 2012 dan terdaftar
di BEI. 2.
Perusahaan yang mengalami underpricing pada IPO. 3.
Perusahaan yang memiliki informasi ketersediaan data yang digunakan dalam penelitian.
4. Perusahaan dengan nilai ROA positif.
C. Metode Pengumpulan Data
Data yang digunakan dalam penelitian ini adalah data sekunder yang diperoleh dari Indonesia Stock Exchange IDX, jurnal, literatur, dan internet.
Data yang digunakan telah memenuhi kriteria-kriteria yang ditetapkan, meliputi:
47
1. Daftar efek yang melakukan IPO di BEI.
2. Laporan keuangan tahunan annual report perusahaan pada tahun
perusahaan melakukan IPO pada periode 2005-2012. 3.
Prospektus perusahaan yang melakukan IPO pada periode 2005-2012. 4.
Data perkembangan harga saham harian pada saat perusahaan melakukan IPO pada periode 2005-2012.
5. IDX Fact Book pada periode 2005-2012.
6. IDX Statistic Book pada periode 2005-2012.
D. Metode Analisis Data
1. Menghitung Initial Return IR
Keuntungan permulaan berlebih initial return, yaitu selisih antara harga saham pada hari pertama penutupan closing price dengan harga
penawaran perdana offering price dibagi dengan harga penawaran perdana offering price dikali 100. Secara sistematis dapat dirumuskan
sebagai berikut Suyatmin dan Sujadi, 2006: 21-22: IR = [Pt
1
-Pt Pt
] x 100 2.
Uji-t Satu Sampel One Sample t-test Uji-t satu sampel one sample t-test digunakan untuk menguji
purata mean dari satu sampel tunggal terhadap suatu purata acuan μ
dengan asumsi data terdistribusi normal Uyanto, 2006: 77. Dalam penelitian ini objek yang akan diuji menggunakan uji-t satu sampel ini
adalah seluruh IPO saham perusahaan dari tahun 2005 sampai dengan
48
2012 di Bursa Efek Indonesia. Penelitian ini akan menguji apakah telah terjadi underpricing pada penawaran umum perdana IPO di Bursa Efek
Indonesia dari tahun 2005-2012 dengan α = 0,05. Jika hal ini terjadi,
maka nilai initial return perusahaan akan lebih tinggi dari rata-rata μ
= 0, karena itu digunakan uji hipotesis satu sisi one sided atau one tailed
test untuk sisi atas upper tailed dengan hipotesis: H
: μ ≤ 0 H
a
: μ 0 Keputusan yang didapatkan apakah terjadi underpricing pada
penawaran umum perdana IPO di Bursa Efek Indonesia dari tahun 2005-2012. Kriteria pengujian hipotesisnya adalah sebagai berikut:
Jika P- value α, maka H
ditolak Jika P-
value ≥ α, maka H tidak dapat ditolak
3. Metode Analisis
Metode analisis yang digunakan untuk menguji hipotesis adalah analisis regresi berganda multiple regression yaitu untuk mengetahui
pengaruh perubahan variabel independen terhadap dependen baik secara sendiri-sendiri maupun secara bersama-sama. Model Regresi Linear
Berganda yang digunakan adalah: Y = α
+ β
1
X
1
+ β
2
X
2
+ β
3
X
3
+ e
Dimana: Y
= Initial Return
49
X
1
= Return on Asset X
2
= Reputasi Auditor X
3
= Ukuran Perusahaan α
= Konstanta e
= Nilai residual atau pengganggu β
= Koefisien Regresi Sebelum dilakukan pengujian dengan regresi berganda, variabel-
variabel penelitian diuji dengan asumsi klasik atau bisa dikenal dengan uji BLUE Best Linear Unbiased Estimate yaitu data terdistribusi normal
uji normalitas, tidak terjadinya heterokedasitas, tidak terjadinya autokorelasi dan todak terjadinya multikolinearitas Suyatmin dan Sujadi,
2006: 22. Uji asumsi klasik terdiri dari pengujian-pengujian sebagai berikut:
a. Uji Normalitas Data Uji normalitas bertujuan untuk menguji apakah dalam model
regresi, variabel pengganggu atau residual e di dalam suatu persamaan memiliki distribusi normal. Seperti diketahui uji t dan F
mengasumsikan bahwa nilai residual mengikuti distribusi normal. Jika asumsi ini dilanggar maka uji statistik menjadi tidak valid. Ada
dua cara untuk mendeteksi apakah residual berdistribusi normal atau tidak yaitu dengan analisis grafik dan uji statistik Imam Ghozali,
2012: 160.
50
Normalitas dapat dideteksi dengan melihat penyebaran data titik pada sumbu diagonal dari grafik atau dengan melihat
histogram dari residualnya. Dasar pengambilan keputusan Imam Ghozali, 2012: 163:
1 Jika data menyebar di sekitar garis diagonal dan mengikuti arah
garis diagonal atau grafik histogramnya menunjukkan pola distribusi normal, maka model regresi memenuhi asumsi
normalitas. 2
Jika data menyebar jauh dari diagonal dan tidak mengikuti arah garis diagonal atau grafik histogram tidak menunjukkan pola
distribusi normal, maka model regresi tidak memenuhi asumsi normalitas.
Uji statistik lain yang dapat digunakan untuk menguji normalitas residual adalah uji statistik non-parametik Kolmogorov-
Smirnov K-S. Uji K-S dilakukan dengan membuat hipotesis Imam Ghozali, 2012: 164:
H : Data residual berdistribusi normal
H
a
: Data residual tidak berdistribusi normal b. Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu
pengamatan ke pengamatan yang lain. Jika variance dari residual satu pengamatan yang lain tetap, maka disebut homoskedastisitas
51
dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik adalah homoskedastisitas atau tidak terjadi heteroskedastisitas
Imam Ghozali, 2012: 139. Deteksi ada tidaknya heteroskedastisitas dapat dilakukan dengan melihat ada tidaknya pola tertentu pada
grafik scatterplot antara variabel dependen dan residualnya dimana sumbu Y adalah Y yang diprediksi, dan sumbu X adalah residual Y
prediksi – Y sesungguhnya yang telah di studentized. Dasar analisis
Imam Ghozali, 2012: 139: 1
Jika terdapat pola tertentu seperti titik-titik yang ada membentuk pola tertentu yang teratur bergelombang, melebar kemudian
menyempit, maka
mengindikasikan telah
terjadi heteroskedastisitas.
2 Jika tidak ada pola yang jelas, serta titik menyebar diatas dan di
bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.
c. Uji Autokorelasi Uji autokorelasi bertujuan untuk menguji apakah model regresi
linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-
1
sebelumnya. Jika terjadi korelasi maka dinamakan ada problem autokorelasi Imam
Ghozali, 2012: 110. Autokorelasi biasanya terjadi pada deret waktu time series data data yang hanya mempunyai satu observasi untuk
setiap variabel pada setiap satuan waktu Salvatore, 2001: 170.
52
Artinya autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lain. Uji autokorelasi juga
dapat didefinisikan adanya korelasi antara anggota serangkaian observasi yang telah diurutkan menurut waktu seperti dalam runtun
waktutime series atau ruang seperti data cross section. Untuk mengambil keputusan ada tidaknya autokorelasi bisa menggunakan
tabel autokorelasi sebagai berikut: Tabel 3.1
Tabel Autokorelasi No
Hiportesis Nol Keputusan
Jika 1
Tidak ada autokorelasi positif
Tolak 0 d dl
2 Tidak ada autokorelasi
positif Tanpa
keputusan dl ≤ d ≤ du
3 Tidak ada autokorelasi
negatif Tolak
4 –dl d 4
4 Tidak ada autokorelasi
negatif Tanpa
keputusan 4-
du ≤ d ≤ 4-dl 5
Tidak ada autokorelasi positif maupun negatif
Tidak ditolak du d 4-du
Sumber: Imam Ghozali 2012: 111 d.
Uji Multikolonieritas Uji multikolonieritas bertujuan untuk menguji apakah model
regresi ditemukan adanya korelasi antar variabel bebas atau independen. Model regresi yang baik seharusnya tidak terjadi
korelasi diantara variabel independen Imam Ghozali, 2012: 105. Adanya multikolinearitas dapat dilihat dari tolerance value atau
Variance Inflation Factor VIF. Nilai cut off yang umum dipakai
53
untuk menunjukkan adanya multikoleniaritas adalah nilai tolerance 0,10 atau VIF 10 Imam Ghozali, 2012: 106.
Menurut Imam Ghozali cara untuk mengobati bila terjadi multikolinearitas:
1 Menggabungkan data cross section dan time series pooling
data. 2
Keluarkan satu atau lebih variabel independen yang mempunyai korelasi lebih dari model regresi dan identifikasikan variabel
independen lainnya untuk membantu prediksi. 3
Transformasi variabel merupakan salah stu cara mengurangi hubungan linear diantara variabel independen. Transformasi
dapat dilakukan dalam bentuk logaritma natural. 4
Gunakan model dengan variabel independen yang mempunyai korelasi tinggi hanya semata-mata untuk prediksi jangan
mencoba untuk mneginterpretasikan koefisien regresinya. 5
Gunakan metode analisis yang lebih canggih seperti Bayessian Regression.
4. Pengujian Hipotesis
a. Uji Parsial atau Uji t
Uji t digunakan untuk menganalisis pengaruh variabel independen terhadap variabel dependen secara parsial. Apabila nilai
T
hitung
lebih besar dari T
tabel
atau tingkat signifikan T α = 5 maka ini menunjukkan bahwa H
ditolak dan H
a
diterima. Hal ini berarti
54
bahwa variabel independen mempunyai pengaruh signifikan terhadap variabel dependen secara parsial.
b. Uji Simultan atau Uji F
Uji F dilakukan untuk melihat makna dari hasil model regresi. Apabila nilai F
hitung
lebih besar dari F
tabel
atau tingkat signifikan lebih kecil dari 5 maka ini menunjukkan bahwa H
ditolak dan H
a
diterima. Hal ini berarti bahwa variabel independen mempunyai pengaruh signifikan terhadap variabel dependen secara simultan.
c. Koefisien Determinasi
Koefisien determinasi adjusted R square pada intinya mengukur seberapa jauh kemampuan model dalam menerangkan
variasi variabel dependen. Nilai adjusted R square berkisar antara 0 sampai dengan 1, bila adjusted R square kecil berarti kemampuan
variabel bebas dalam menjelaskan variasi variabel terikat amat terbatas. Nilai yang mendekati satu berarti variabel bebas
memberikan hampir semua informasi yang dibutuhkan untuk meprediksi variasi variabel terikat. Secara umum koefisien
determinasi untuk data silang cross section relatif rendah karena adanya variasi yang besar antara masing-masing pengamatan,
sedangkan untuk data runtun waktu time series biasanya mempunyai nilai koefisien determinasi yang tinggi. Banyak peneliti
menganjrkan untuk menggunakan nilai adjusted R square pada saat mengevaluasi nama model regresi terbaik.
55
E. Operasional Variabel Penelitian