Metode Analisis Data
3.5 Metode Analisis Data
3.5.1 Analisis Statistik Deskriptif
Statistik deskriptif digunakan untuk menggambarkan variabel-variabel dalam penelitian. Variabel-variabel yang diteliti dalam penelitian ini adalah ukuran dewan direksi, aktivitas dewan direksi, proporsi komisaris independen, komite audit, dan kepemilikan institusional. Deskripsi variabel tersebut disajikan untuk mengetahui nilai-nilai (mean) minimum, maksimum dan standar deviasi dari variabel-variabel yang diteliti.
Menurut Oktapiyani (2009) dalam Sari (2010) mean digunakan untuk menghitung rata-rata variabel yang dianalisis. Maksimum digunakan untuk mengetahui jumlah atribut paling banyak yang diungkapkan di sektor perbankan.
3.5.2 Uji Asumsi Klasik
Sebelum melakukan pengujian hipotesis dengan analisis regresi berganda, harus dilakukan uji klasik terlebih dahulu. Uji asumsi klasik dalam penelitian ini digunakan untuk mengetahui hubungan antar variabel penelitian yang ada dalam model regresi. Pengujian yang digunakan adalah uji multikolinearitas, uji autokorelasi, uji heteroskedastisitas dan uji normalitas.
a. Uji Multikolonieritas Menurut Ghozali (2006, hal.95-96) uji multikolonieritas bertujuan untuk menguji apakah di dalam model regresi ditemukan adanya korelasi antara variabel bebas (independen). Model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel independen. Jika variabel independen saling berkolerasi, maka variabel-variabel ini tidak ortogonal. Variabel ortogonal adalah variabel independen yang nilai korelasinya antar sesama variabel independen sama dengan nol. Multikolonieritas dapat juga dilihat dari tolerance dan lawannya dan variance inflation factor (VIF). Kedua ukuran ini menunjukkan setiap variabel independen manakah yang dijelaskan oleh variabel independen lainnya. Untuk mendeteksi ada atau tidaknya multikolonieritas di dalam model ini adalah sebagai berikut :
a. Nilai R2 sangat tinggi, tetapi secara individual variabel-variabel independen banyak yang tidak signifikan mempengaruhi variabel dependen.
b. Menganalisis matrik korelasi antar variabel independen jika terdapat korelasi antar variabel independen yang cukup tinggi (> 0,9) hal ini merupakan
indikasi adanya multikolonieritas.
c. Dilihat dari nilai VIF dan Tolerance. Nilai cut off Tolerance < 0,10 dan VIF >
10 (berarti terdapat multikolonieritas).
b. Uji Autokolerasi Uji Autokorelasi bertujuan menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 (sebelumnya). Autokorelasi timbul karena residual (kesalahan penggangu) tidak bebas dari satu observasi ke observasi lainnya. Salah satu cara untuk mengetahui ada atau tidaknya autokorelasi adalah dengan uji Durbin Watson (DW test). Uji DW dihitung berdasarkan jumlah selisih kuadrat nilai taksiran faktor gangguan yang berurutan. Kriteria pengujian dengan hipotesis tidak ada autokorelasi adalah sebagai berikut:
Tabel 3.1 Uji Durbin-Watson (DW test)
Hipotesis nol
Keputusan
Jika
O < DW < dl Tidak ada autokolerasi positif
Tolak
dl ≤ DW ≤ du Tidak ada autokolerasi positif
No decision
4 – dl < DW < 4 Tidak ada autokolerasi negatif
Tolak
4 – du ≤ DW ≤ 4 – dl Tidak ada autokolerasi negatif
No decision
Tidak ada autokolerasi Du < DW < 4 – du
Tidak ditolak
positif atau negatif
Sumber : Ghozali (2005)
c. Uji Heteroskedastisitas Uji heteroskedastisitas digunakan untuk mengetahui apakah pada model regresi penyimpangan variabel bersifat konstan atau tidak. Salah satu cara untuk mengetahui adanya heteroskedastisitas dapat dilakukan dengan melihat ada tidaknya pola tertentu pada grafik scatterplot antara variabel dependen (terikat) dengan residualnya. Apabila grafik yang ditunjukan dengan titik-titik tersebut membentuk suatu pola tertentu, maka telah terjadi heteroskedastisitas dan apabila polanya acak serta tersebar, maka tidak terjadi heteroskedastisitas. Selain itu heteroskedastisitas juga dapat diketahui melalui uji Park maupun Uji Glejser (Glejser Test), yaitu dengan melakukan analisis regresi variabel independen terhadap nilai absolute residual. Dalam uji Glejser yaitu jika tingkat signifikansi diatas 5% atau jika t hitung > t table, maka disimpulkan tidak terjadi heterokedastisitas. Namun bila tingkat signifikansi di bawah 5% atau t hitung < t table, maka ada gejala heterokedastisitas.
d. Uji Normalitas Pengujian normalitas memiliki tujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal. Seperti diketahui bahwa uji t dan uji F mengasumsikan bahwa nilai residual mengikuti distribusi normal. Kalau asumsi ini dilanggar maka uji statistik menjadi tidak valid untuk jumlah sampel kecil. Untuk menguji normalitas data, penelitian ini menggunakan analisis grafik. Pengujian normalitas melalui analisis grafik adalah dengan cara menganalisis grafik normal probability plot yang membandingkan d. Uji Normalitas Pengujian normalitas memiliki tujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal. Seperti diketahui bahwa uji t dan uji F mengasumsikan bahwa nilai residual mengikuti distribusi normal. Kalau asumsi ini dilanggar maka uji statistik menjadi tidak valid untuk jumlah sampel kecil. Untuk menguji normalitas data, penelitian ini menggunakan analisis grafik. Pengujian normalitas melalui analisis grafik adalah dengan cara menganalisis grafik normal probability plot yang membandingkan
a. 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.
b. Jika data menyebar lebih jauh dari diagonal dan atau tidak mengikuti arah garis diagonal atau grafik histogram tidak menunjukkan pola distribusi normal, maka model regresi tidak memenuhi asumsi normalitas (Ghozali, 2001).
Uji statistik yang dapat digunakan untuk menguji normalitas residual adalah uji statistik non-parametrik Kolmogrov-Smirnov (K-S). Menurut Ghozali (2001) jika hasil Kolmogrov-Smirnov menunjukkan nilai signifikan di atas 0,05 maka data residual terdistribusi dengan normal. Sedangkan jika hasil Kolmogrov- Smirnov menunjukkan nilai signifikan di bawah 0,05 maka data residual terdistribusi tidak normal.
3.5.3 Analisi Regresi
Menurut Gujarati (2003) analisis regresi pada dasarnya adalah studi mengenai ketergantungan variabel dependen (terikat) dengan satu atau lebih variabel independen (bebas), dengan tujuan untuk mengestimasi dan/atau memprediksi rata-rata populasi atau nilai rata-rata variabel dependen berdasarkan nilai variabel independen yang diketahui.
Menurut Tabachnick (1996) hasil analisis regresi adalah berupa koefisien untuk masing-masing variabel independen. Koefisien ini diperoleh dengan cara memprediksi nilai variabel dependen dengan suatu persamaan. Koefisien regresi dihitung dengan dua tujuan sekaligus : pertama, meminimumkan penyimpangan antara nilai aktual dan nilai estimasi variabel dependen berdasarkan data yang ada.
Pengolahan data dalam penelitian ini menggunakan alat bantu berupa perangkat lunak statistik (statistic software) yang dikenal dengan SPSS. Teknik analisis data yang digunakan adalah analisis regresi linear berganda dengan metode penggabungan (pooling data) merupakan model yang diperoleh dengan mengkombinasikan atau mengumpulkan semua data cross section dan data time series. Model data ini kemudian diestimasi dengan menggunakan Ordinary Least Square (OLS). Analisis regresi linear berganda dapat menjelaskan pengaruh antara variabel terikat dengan beberapa variabel bebas. Pooling data atau data panel dilakukan dengan cara menjumlahkan perusahaan-perusahaan yang memenuhi kriteria selama periode pengamatan.
Persamaan regresi tersebut adalah sebagai berikut :
CFROA =
+ o BOD + 1 RDK + 2 INST + 3 INDEP + 4 KA + 5
SIZE + e 6