Metode Analisis Data METODE PENELITIAN
54
Menguji normalitas residual dapat menggunakan analisis histogram dan analisis grafik. Dalam analisis histogram dapat dideteksi dengan
melihat garis yang terdapat pada histogram. Data dikatakan normal jika garis yang terdapat pada histogram menyerupai bentuk lonceng. Dalam
analisis grafik dapat dideteksi dengan melihat data titik-titik yang muncul pada sumbu diagonal dari grafik. Jika data menyebar disekitar
garis diagonal dan mengikuti arah garis diagonal atau grafik histogramnya menunjukkan pola distribusi normal, maka model regresi
memenuhi asumsi normalitas. Jika data menyebar jauh dari diagonal dantidak mengikuti arah garis diagonal atau grafik histogram tidak
menunjukan pola distribusi normal, maka model regresi tidak memenuhi asumsi normalitas Ghozali, 2013: 163. Agar uji normalitas grafik agar
lebih dapat diandalkan dianjurkan dilengkapi dengan uji statistik. Uji statistik sederhana yang sering digunakan untuk menguji
normalitas residual adalah uji statistik non-parametrik Kolmogorov- Smirnov.
Pengambilan keputusan
uji statistik
non-parametrik Kolmogorov-Smirnov ini dilihat dari hasil uji K-S, jika nilai probabilitas
signifikansinya lebih besar dari 0,05 maka data terdistribusi secara normal. Sebaliknya, jika nilai probabilitas signifikansinya lebih kecil dari
0,05 maka data tersebut tidak terdistribusi secara normal. 2 Uji Multikolonieritas
Uji multikolonieritas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas independen. Model
55
regresi yang baik seharusnya tidak terjadi korelasi di antara varibel independen. Untuk mendeteksi ada atau tidaknya multikolinearitas di
dalam model regresi dapat dilihat dari nilai tolerance dan variance inflation factor VIF. Tolerance mengukur variabelitas variabel yang
terpilih tidak dijelaskan oleh variabel independen lainnya. Jadi nilai tolerance yang rendah sama dengan nilai VIF yang tinggi karena VIF
=1Tolerance. Nilai cutof yang umumnya dipakai untuk menunjukan adanya multikolinieritas adalah nilai Tolerance ≤ 0.10 dan VIF ≥10.
3 Uji Autokorelasi Uji autokorelasi menguji apakah dalam model regresi linear ada
korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 sebelumnya Ghozali, 2013: 110.
Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lainnya. Masalah ini timbul karena residual
kesalahan penganggu tidak bebas dari satu observasi ke observasi lainnya Ghozali, 2013: 110.Untuk mengetahui terjadi autokorelasi atau
tidak yaitu dengan cara melakukan uji Durbin-Watson. Suatu model regresi dikatakan bebas dari autokorelasi jika memiliki nilai Durbin-
Watson DW du nilai DW 4-du. 4 Uji Heteroskedastisitas
Uji heteroskedastisitas menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan
yang lain. Jika variance dari residual satu pengamatan ke pengamatan
56
yang lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut heteroskedastisitas.
Model regresi
yang baik
adalah yang
homoskedastisitas atau yang tidak terjadi heteroskedastisitas Ghozali, 2013: 139.
Untuk melihat ada atau tidaknya masalah heterokedastisitas digunakan grafik scatterplot dan uji Glejser. Grafik scatterplot memperlihatkan data
tidak mengandung heteroskedastisitas jika titik-titik tersebar secara acak dan tersebar dengan baik di atas maupun di bawah angka 0 di sumbu Y.
Uji Glejser mengusulkan untuk meregres nilai absolut residual terhadap variabel independen Gujarat dalam Ghozali, 2013: 142
b. Analisis Regresi Berganda Penggunaan analisis ini untuk mengetahui pengaruh antara variabel bebas
dan variabel terikat, yaitu antara Kepemilikan Manajerial X1, Kepemilikan Institusional X2, Leverage X3, Intellectual Capital X4
terhadap kinerja perusahaan Y. Pengujian dilakukan secara partial dan simultan. Adapun model regresinya adalah sebagai berikut:
Y=β0+β1X1+β2X2+β3X3+β4X4+e Keterangan:
Y = ROA sebagai pengukur kinerja perusahaan
β0 = Konstanta
β1 = Koefisien regresi kepemilikan manajerial
β2 = Koefisien regresi kepemilikan institusional
β3 = Koefisien regresi leverage
57
β4 = Koefisien regresi intellectual capital
X1 = Kepemilikan manajerial
X2 = Kepemilikan institusional
X3 = Leverage
X4 = Intellectual capital
e = kesalahangangguan
c. Uji Hipotesis 1 Uji Bersama Uji F
Uji F pada dasarnya menunjukan apakah semua variabel independen atau bebas yang dimasukkan dalam model mempunyai pengaruh secara
bersama-sama terhadap variabel dependenterikat Ghozali, 2013: 98. Untuk menguji hipotesis ini, kriteria pengambilan keputusannya
adalah apabila nilai signifikansi 0,05 maka kepemilikan manajerial, kepemilikan institusional, leverage, dan intellectual capital berpengaruh
simultan terhadap kinerja perusahaan. 2 Uji Partial Uji t
Menunjukkan seberapa jauh pengaruh satu variabel independen secara individual dalam menerangkan variasi variabel dependen. Analisis
dilakukan dengan melihat hasil uji menunjukan tingkat signifikansi 0,05 maka terdapat pengaruh yang signifikan antara satu variabel
independen dengan variabel dependen. Sebaliknya, apabila tingkat signifikan 0,05 maka tidak terdapat pengaruh yang signifikan antara
satu variabel independen terhadap variabel dependen Ghozali,2013:98.
58
Selain itu analisis juga dilakukan dengan melihat nilai koefisien pada masing-masing variabel. Nilai koefisien ini berfungsi menunjukkan arah
hubungan antara variabel independen terhadap variabel dependen. Jika hipotesis menyatakan hubungan positif dan hasil uji menunjukkan nilai
koefisien positif pula, maka hipotesis diterima. Begitu juga sebaliknya jika hipotesis menyatakan hubungan negatif dan hasil uji menunjukkan
nilai koefisien negatif pula, maka hipotesis diterima. Namun jika hipotesis menyatakan hubungan positif dan hasil uji menunjukkan nilai
koefisien negatif, maka hipotesis ditolak. Begitu juga sebaliknya jika hipotesis menyatakan hubungan negatif dan hasil uji menunjukkan nilai
koefisien positif, maka hipotesis ditolak. d. Uji Koefisien Determinasi R
2
Mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel dependen. Nilai R
2
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 Ghozali, 2013: 97.
59