3.5. Teknik Analisis Data
Analisis rasio yang digunakan berdasarkan data yang diambil pada laporan keuangan perusahaan yang menerbitkan obligasi yang aktif diperdagangkan pada
tahun 2010-2013 tersebut. kemudian menganalisis dengan regresi linear. Langkah-langkahnya adalah sebagai berikut :
a Menghitung current ratio dan ROA b Melakukan pembobotan nilai pada peringkat obligasi.
c Melakukan uji kenormalan data. Menguji pcngaruh variabel Current Ratio dan ROA terhadap Peringkat obligasi
korporasi dengan menggunakan persamaan regresi.
3.5.1. Analisis Regresi linear berganda
Metode analisis yang digunakan dalam penelitian ini adalah analisis regresi berganda. Analisis regresi berganda adalah teknik statistik melalui koefisien
parameter untuk mengetahui besarnya pengaruh variable independen terhadap variable dependen. Persamaan regresi tersebut adalah sebagai berikut :
Y = +
+ +e
Keterangan: Y = Kinerja obligasi
= Likuiditas = Profitabilitas
= Konstanta = koefisien regresi untuk likuiditas
= koefisien regresi untuk profitabilitas e = eror
3.5.2. Uji Asumsi Klasik
Pengujian terhadap penyimpangan asumsi klasik dalam penelitian ini terdiri dari uji autokorelasi, multikolinieritas, heteroskedastisitas dan normalitas Priyatno,
2008.
3.5.2.1. Uji Autokorelasi Autocorrelation
Autokorelasi dapat diartikan sebagai korelasi yang terjadi di antara anggota –
anggota dari serangkaian observasi yang berderetan waktu apabila datanya time series atau korelasi antara tempat berdekatan apabila cross sectional.
Adapun uji yang dapat digunakan untuk mendeteksi adanya penyimpangan asumsi klasik ini adalah uji Durbin Watson D-W stat dengan rumus sebagai
berikut: ∑
∑
Keterangan: d = nilai D-W stat
= nilai residual dari persamaan regresi pada periode i
= nilai residual dari persamaan regresi pada periode i-1 Kemudian d hitung dibandingkan nilai d tabel pengambilan keputusan ada
tidaknya autokorelasi, didasarkan atas hal berikut ini Ghazali, 2000:
Bila nilai DW terletak antara batas atas atau upper boud du dan 4-du, maka koefisien autokorelasi sama dengan nol, berarti tidak terjadi gejala
autokorelasi. Bila nilai DW lebih rendah daripada batas bawah atau lower boud dI,
maka koefisien autokorelasi lebih besar daripada nol, berarti terjadi autokorelasi positif.
Bila nilai DW lebih besar daripada 4-dI, maka koefisien autokorelasi lebih kecildaripada nol, berarti terjadi autokorelasi negatif.
Bila DW terletak diantara batas atas du dan batas bawah dI atau DW terletak antara 4-du dan 4-dI, maka hasilnya tidak dapat disimpulkan. .
Tabel 3.5. Hasil Uji Durbin - Watson
Sumber : SPSS 17.00, data diolah .
Pada Tabel 3.5. dengan k = 2 dan n = 52, diperoleh nilai Durbin Watson DW sebesar 1.796. Sedangkan besarnya DW-tabel dengan derajat kepercayaan sebesar
5 adalah dl batas luar sebesar 1.4741 dan du batas dalam sebesar 1.6334 sehingga nilai 4-du adalah 2.3666. DW terletak antara du dan 4-du yaitu 1.6334
1.796 2.3666 maka dapat disimpulkan Ho diterima yang mengindikasikan bahwa tidak terdapat autokorelasi pada data yang diuji.
Model Summary
b
.675
a
.456 .434
.85769 1.796
Model 1
R R Square
Adjusted R Square
St d. Error of the Estimate
Durbin- Wat son
Predictors: Constant, ROA, CR a.
Dependent Variable: PO b.
3.5.2.2 . Uji Heteroskedastisitas
Heteroskedastisitas bertujuan untuk menguji apakah dalam sebuah model regresi, terjadi ketidaksamaan varians dari residual dan satu pengamatan ke pengamatan
yang lain. Jika varians dari residual dari satu pengamatan ke pengamatan yang lain tetap, maka disebut homoskedastisitas. Dan jika varians berbeda, disebut
heterokedastisitas. Model regresi yang baik adalah tidak terjadi heterokedastisitas. Analisis heteroskedastisitas dapat menggunakan metode grafik. Deteksi dengan
melihat ada tidaknya pola tertentu pada grafik scaiterphi antara ZPR1 I variabel terikat dan SRI-SID residualnya dimana sumbu X dan Y yang telah diprediksi,
dan sumbu X adalah residual Y prediksi - Y sesungguhnya yang tclah di stidentized.
Gambar 3.1 Heteroskedastisitas
Pada gambar 3.1 terlihat titik-titik menyebar secara acak. Tidak membentuk sebuah pola tertentu yang jelas, serta baik di atas maupun di bawah angka 0 pada
sumbu Y. Hal ini berarti tidak terjadi Heteroskedastisitas pada model regresi, sehingga model regresi lavak dipakai untuk prediksi peringkat obligasi
berdasarkan masukan dari variabel bebasnya yakni current ratio dan return on asset.
Kategori