Teknik Analisis

D. Teknik Analisis

  Analisis data merupakan kegiatan setelah data dari seluruh responden yang terkumpul. Kegiatan dalam analisis data menurut (Sugiyono, 2014) adalah mengelompokkan data berdasarkan variabel dan jenis respon, menstabulasi data berdasarkan variabel dari seluruh responden, menyajikan data tiap variabel yang diteliti, melakukan perhitungan untuk menjawab rumusan masalah, dan melakukan perhitungan untuk menguji hipotesis yang telah diajukan.

  Dalam penelitian ini penulis menganalisis data rasio dan menggunakan analisis korelasi dan regresi untuk menganalisis hubungan dan pengaruh antara variabel dalam statistik infrensial. Penulis juga melakukan uji signifikan, yaitu untuk menentukan apakah suatu kesimpulan dari data sampel dapat diberlakukan pada obyek atau tidak. Dimana signifikan adalah kemampuan untuk digenerasikan dengan kesalahan tertentu (Sugiyono, 2014). Regresi untuk menentukan apakah persamaan boleh dipergunakan untuk meramalkan iya atau dan uji parsial untuk menentukan variabel tertentu harus dipertahankan atau harus dikeluarkan dari persamaan. Uji simultan dilakukan untuk mengetahui Dalam penelitian ini penulis menganalisis data rasio dan menggunakan analisis korelasi dan regresi untuk menganalisis hubungan dan pengaruh antara variabel dalam statistik infrensial. Penulis juga melakukan uji signifikan, yaitu untuk menentukan apakah suatu kesimpulan dari data sampel dapat diberlakukan pada obyek atau tidak. Dimana signifikan adalah kemampuan untuk digenerasikan dengan kesalahan tertentu (Sugiyono, 2014). Regresi untuk menentukan apakah persamaan boleh dipergunakan untuk meramalkan iya atau dan uji parsial untuk menentukan variabel tertentu harus dipertahankan atau harus dikeluarkan dari persamaan. Uji simultan dilakukan untuk mengetahui

1. Statistik Deskriptif

  Statistik deskriptif adalah statistik yang digunakan untuk menganalisis

  mendeskripsikan atau

  menggambarkan data yang telah terkumpul sebagai mana adanya maksud membuat kesimpulan yang berlaku untuk umum atau generalisasi. Statistik deskriptif adalah penyajian data melalui perhitungan mean, median, modus, dan standar deviasi. Yang termasuk dalam statistik deskriptif antara lain :

  a . Mean (Rata-Rata Hitung)

  Mean (rata-rata hitung) adalah suatu nilai yang diperoleh dengan cara membagi seluruh nilai pengamatan dengan banyaknya pengamatan. Mean (rat-rata hitung) dapat dirumuskan sebagai berikut:

  Mean (Rata-rata)

  Xn =

  Variabel ke-n

  Xi

  Nilai x ke i ke n

  n

  Banyak data atau jumlah sampel Banyak data atau jumlah sampel

  Standar deviasi atau simpangan baku dari data yang telah disusun dalam tabel distribusi frekuensi atau data bergolong , dapat dihitung dengan rumus sebagai berikut :

  Keterangan: S

  = Simpangan baku

  X i = Nilai X ke I sampai ke n

  X = Rata-rata nilai

  N

  = Jumlah Sampel

c. Range

  Diantara ukuran varians yang paling sederhana dan paling mudah dihitung adalah jarak (range). Jika suatu kelompok nilai (data) sudah disusun menurut urutan yang terkecil (X1) sampai dengan yang terbesar (Xn), maka untuk menghitung nilai jarak dipergunakan rumus sebagai berikut :

  Nilai jarak (NJ) = Xn – X1

  Atau Nilai Jarak = nilai maksimal – nilai minimum

d. Skewness (Kecondongan)

  Kecondongan suatu kurva dapat dilihat dari perbedaan letak mean, median dan modusnya. Jika ketiga ukuran pemusatan data tersebut Kecondongan suatu kurva dapat dilihat dari perbedaan letak mean, median dan modusnya. Jika ketiga ukuran pemusatan data tersebut

   Kecondongan data ke arah kiri (condong negatif) dimana nilai

  modus lebih dari nilai mean (modus > mean).  Kecondongan data simetris (distribusi normal) dimana nilai mean

  dan modus adalah sama (mean = modus).  Kecondongan data ke arah kanan (condong positif) dimana nilai

  mean lebih dari nilai modus (mean > modus).

2. Uji Normalitas Data

  Uji normalitas data bertujuan ingin mengetahui apakah distribusi sebuah data mengikuti atau mendekati distribusi normal, yakni distribusi data dengan bentuk lonceng (bell shaped). Data yang baik adalah data yang mempunyai pola seperti distribusi normal, yakni distribusi data tidak menceng kekiri atau menceng ke kanan.

  Dasar pengambilan keputusan berdasarkan probabilitas:

  a. Jika signifikan > 0.05 maka data berdistribusi normal

  b. Jika signifikan < 0.05 maka data berdistribusi tidak normal

3. Analisis Regresi Data Panel

  Penelitian ini menggunakan analisis regresi berganda, analisis regresi bertujuan untuk mengukur kekuatan hubungan antara dua variabel atau lebih serta menunjukkan arah hubungan antara variabel Penelitian ini menggunakan analisis regresi berganda, analisis regresi bertujuan untuk mengukur kekuatan hubungan antara dua variabel atau lebih serta menunjukkan arah hubungan antara variabel

  Model regresi linear berganda dalam penelitian ini dilakukan dengan menggunakan alat analisis yaitu Eviews 8. Penelitian ini menggunakan data panel. Data panel merupakan data gabungan dari data cross section dan data time series (Widarjono, 2013). Regresi dengan data panel diharuskan memilih beberapa model pendekatan yang paling tepat untuk mengestimasi data panel yaitu pendekatan model Common Effect, Fixed Effect, dan Random Effect. Penjelasannya adalah sebagai berikut (Widarjono, 2013).

a. Pendekatan Model Common Effect

  Pendekatan dengan model Common Effect merupakan pendekatan yang paling sederhana untuk mengestimasi data panel .Pendekatan dengan model common effect memiliki kelemahan yaitu ketidaksesuaian model dengan keadaan yang sesungguhnya karena adanya asumsi bahwa perilaku antar individu dan kurun waktu sama padahal pada kenyataannya kondisi setiap objek akan saling berbeda pada suatu waktu dengan waktu lainnya (Widarjono, 2013).

b. Pendekatan Model Fixed Effect

  Pendekatan model fixed effect mengasumsikan adanya perbedaan antar objek meskipun menggunakan koefisien regresor yang sama. Fixed effect disini maksudnya adalah bahwa satu objek Pendekatan model fixed effect mengasumsikan adanya perbedaan antar objek meskipun menggunakan koefisien regresor yang sama. Fixed effect disini maksudnya adalah bahwa satu objek

  1) Data panel yang merupakan kombinasi dari data cross section

  dan time series akan memberikan informasi data yang lebih banyak sehingga akan menghasilkan degree of freedom yang semakin besar.

  2) Menggabungkan data cross section dan time series dapat

  mengatasi masalah yang timbul ketika ada masalah penghilangan variable. Penelitian ini menggunakan uji regresi data panel dengan model fixed effect. Persamaan yang digunakan dalam regresi berganda data panel dengan model fixed effect adalah sebagai berikut (Widarjono, 2013) :

  Y = a + b1X1 + b2X 2 + αi + uit Keterangan : Y = Harga Saham

  a = Konstanta

  b = Koefisien regresi X1 = Earnings per Share X2 = Dividend per Share αi = Fixed Effect pada observasi ke-i uit = Standard Error

c. Pendekatan Model Random Effect

  Pendekatan model random effect ini adalah mengatasi kelemahan dari model fixed effect. Model ini dikenal juga dengan sebutan model generalized least square (GLS). Model random effect menggunakan residual yang diduga memiliki hubungan antar waktu dan antar objek. Untuk menganalisis data panel menggunakan model ini ada satu syarat yang harus dipenuhi yaitu objek data silang lebih besar dari banyaknya koefisien (Widarjono, 2013).

4. Pemilihan Model Estimasi Regresi Data Panel

  Pengolahan regresi data panel terlebih dahulu harus memilih model estimasi yaitu common effect, fixed effect dan random effect. Pemilihan model dilakukan dengan uji chow dan uji hausman, penjelasannya adalah sebagai berikut:

1) Uji Chow

  Uji Chow test atau likelihood ratio test merupakan sebuah pengujian untuk memilih antara model common effect dan model fixed effect yang tepat. Chow test merupakan uji dengan melihat hasil

  F statistic untuk memilih model yang lebih baik antara model common effect atau fixed effect, apabila nilai probabilitas signifikansi F statistik lebih kecil dari ti ngkat signifikansi α = 0,05 maka H0 diterima, namun jika nilai probabilitas signifkansi F statistik lebih besar dari tingkat signifikansi α = 0,05 maka H0 ditolak. H0 menyatakan bahwa model fixed effect yang lebih baik digunakan dalam mengestimasi data panel dan Ha menyatakan bahwa model common effect yang lebih baik (Widarjono, 2013).

2) Uji Hausman

  Uji Hausman dalam menentukan model terbaik menggunakan statistic chi square dengan degree of freedom adalah sebanyak k, dimana k adalah jumlah variabel independen, apabila nilai statistik chi square lebih besar dibandingkan tingkat signifikansi α = 0,05 maka H0 ditolak yang artinya model yang lebih baik adalah model random effect, apabila nilai statitik chi square lebih kecil dari tingkat signifikansi α = 0,05 maka H0 diterima yang mengartikan bahwa model yang lebih baik adalah model fixed effect (Widarjono, 2013).

  Uji Hausman merupakan pengujian Eviews yang dilakukan untuk membandingkan dan memilih antara model fixed effect dan random effect yang paling baik digunakan dalam sebuah model penelitian. Pengujian menggunakan Uji Hausman melihat nilai chi-square dalam menentukan model terbaik yang digunakan dalam sebuah penelitian. Apabila nilai chisquare lebih dari nilai tingkat signifikansi maka model yang terbaik untuk digunakan adalah model random effect, tetapi jika nilai chi-square kurang dari nilai tingkat signifikansi maka model yang terpilih adalah model fixed effect.

5. Uji Asumsi Klasik

a. Uji Normalitas

  Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal. Model regresi yang baik adalah memiliki distribusi data normal atau mendekati normal. Dalam Eviews, normalitas sebuah datga dapat Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal. Model regresi yang baik adalah memiliki distribusi data normal atau mendekati normal. Dalam Eviews, normalitas sebuah datga dapat

  Chi Square tabel (χ 2 tabel). Uji Jarque-Bera didapat dari histogram

  normality pada Eviews. Untuk mendeteksi apakah residualnya berdistribusi normal atau tidak dengan membandingkan nilai Jarque

  Bera dengan χ 2 tabel yaitu:

  1) Jika nilai Jarque- Bera > χ 2 tabel, maka residualnya berdistribusi

  tidak

  normal.

  2) Jika nilai Jarque- Bera < χ 2 tabel, maka residualnya berdistribusi

  normal.

  JB > χ 2 tabel, residual tidak normal. JB > χ 2 tabel, residual normal.

b. Uji Multikolinieritas

  Uji multikolinieritas bertujuan untuk menguji apakah dalam model regresi terdapat hubungan linear antar variabel independen. Menurut Widarjono (2013), model regresi yang baik adalah yang tidak terdapat hubungan linear antar variabel independen. Indikasi adanya multikolinearitas dalam sebuah model regresi ditunjukkan dengan adanya nilai koefisien determinasi (R2) yang tinggi tetapi variabel independen banyak yang tidak signifikan.

  Multikolinieritas dapat dideteksi dengan melihat nilai korelasi parsial antar variabel independen, apabila nilai korelasi parsial kurang dari atau sama dengan 0,8 maka tidak ada masalah multikolinearitas, sebaliknya apabila nilai korelasi parsial lebih dari 0,8 maka diduga Multikolinieritas dapat dideteksi dengan melihat nilai korelasi parsial antar variabel independen, apabila nilai korelasi parsial kurang dari atau sama dengan 0,8 maka tidak ada masalah multikolinearitas, sebaliknya apabila nilai korelasi parsial lebih dari 0,8 maka diduga

  R 2 < 0,8 maka tidak terdapat multikolinearitas.

  2 > 0,8 maka terdapat multikolinearitas. R

c. Uji Heteroskedastisitas

  Asumsi ini menyatakan bahwa variansi residual di sekitar garis regersi adalah konstan untuk setiap kombinasi dari nilai variabel

  independennya. Secara matematis  2 (  j ) =  2 (  j ) =  2

  (homoskedastisitas). Validitas dari asumsi ini telah ditunjukkan dalam regresi nilai mutlak residual pada variabel independen. Salah satu cara mendeteksi Heteroskedastisitas adalah dengan melihat residual graphics. Jika dalam regresi residual graphics tidak membentuk pola tertentu (bergelombang, melebar kemudian menyempit, pola linear atau kuadratis) maka dalam regresi asumsi heteroskedastisitas tidak terjadi, Korelasi ranking Spearman (Rs) dapat dihitung dengan rumus sebagai berikut :

  Rs = 1 - (∑ – d i 2 )

  2 n (n – 1)

  dimana : Rs : Koefisien korelasi Spearman

  d i : Perbedaan ranking nilai e i dan xi yang sebenarnya

  n : Banyaknya sampel n : Banyaknya sampel

  Uji autokorelasi dilakukan untuk menguji apakah dalam model regresi linier terdapat korelasi antara variabel gangguan atau residual, jika dalam model regresi terdapat masalah autokorelasi maka akan menyebabkan varian yang besar dan akan menyebabkan model regresi tidak bersifat BLUE sehingga hasil estimasi dari model regresi tidak dapat dipercaya.

  Uji autokorelasi dapat diuji dengan menggunakan DW test (Durbin- Watson test). DW test dilakukan dengan cara membandingkan nilai DW hitung (d) dengan nilai dL dan dU pada tabel Durbin-Watson.

  Hasil perbandingan akan menghasilkan kesimpulan seperti kriteria sebagai berikut:

  1) Jika d < dl, berarti terdapat autokorelasi positif

  2) Jika d > (4 – dl), berarti terdapat autokorelasi negatif

  3) Jika du < d < (4 – dl), berarti tidak terdapat autokorelasi

  4) Jika dl < d < du atau (4 – du), berarti tidak dapat

  disimpulkan

  Menganalisis keberadaan autokorelasi menggunakan Uji Durbin Watson adalah dengan cara membandingkan nilai DW test dengan nilai dL dan dU pada Tabel Durbin Watson pada tingkat k (jumlah variable independen), n (jumlah sampel) dan α (tingkat signifikasi) yang ditentukan.

6. Uji Hipotesis

a. Uji Korelasi Berganda

  Uji korelasi berganda (r) digunakan untuk menghitung seberapa kuat hubungan antara kinerja keuangan terhadap harga saham. Analisis korelasi merupakan metode statistika untuk mengidentifikasi hubungan timbal balik antara variabel dependen (Y) dan variabel independen (X). Yang menjadi ciri dari analisis korelasi adalah bahwa Y dan X tidak memiliki kedudukan sebagai sebab dan akibat. Artinya, suatu ketika Y menjadi akibat suatu ketika ia juga menjadi penyebab. Demikian pula hal ini tejadi pada variabel X. Suatu ketika X menjadi penyebab dan suatu ketika pula ia menjadi akibat. Besarnya nilai korelasi (r) berkisar antara -1 hingga +1.

  Nilai r = +1 berarti hubungan timbal balik terjadi sempurna secara positif. Nilai r = -1 berarti hubungan timbal balik terjadi sempurna secara negatif. Nilai r = 0 berati sama sekali tidak ada hubungan timbal balik.

  Tabel 3.3

  Pedoman Interpretasi Koefisien Korelasi

  Interval Korelasi

  Tingkat Hubungan

  0.000-0.199

  Sangat lemah

  Sangat Kuat

  Pengujian analisis koefisien korelasi menggunakan teknik uji koefisien korelasi Product Moment Pearson, yaitu mengkorelasikan variabel independen dengan residualnya. Pengujian menggunakan tingkat signifikansi 0.05 dengan uji 2 sisi. Jika korelasi antara variabel independen dengan residual memberikan signifikansi lebih dari 0.05.

b. Uji t

  Uji t digunakan untuk mengetahui apakah varibel independen mempengaruhi variabel dependen. Perumusan hipotesis:

  Ho :β 1 = 0, berarti tidak ada pengaruh signifikan dari X 1 dan X 2

  terhadap Y secara parsial.

  Ha : β 1 ≠0 , berarti ada pengaruh signifikan dari X 1 dan X 2, terhadap Y

  secara parsial.

  1) Statistik uji:

  2) Kriteria Uji

  t o >t tabel

  : signifikan, maka H 0 ditolak, Ha diterima.

  t o < t tabel

  : tidak signifikan, maka H 0 diterima, Ha ditolak.

c. Uji F

  Perumusan Hipotesis :

  H o : β = 0 tidak ada pengaruh yang signifikan antara X 1 dan X 2

  terhadap Y secara bersama-sama)

  H a : β ≠ 0 (ada pengaruh yang signifikan antara X 1 dan X 2

  terhadap Y secara bersama-sama.

  1) Statistik uji:

  F 0 

  SS Re g k

  SS Re s ( n k  1 )

  2) Kriteria Uji

  F o >F tabel

  : signifikan, maka H 0 ditolak, Ha diterima.

  F o < F tabel

  : tidak signifikan, maka H 0 diterima, Ha ditolak.

d. Koefisien Determinasi (KD)

  Koefisien determinasi digunakan untuk menentukan besarnya kontribusi suatu variabel independen (X1, X2) terhadap variabel dependen (Y) .

  koefisien determinasi untuk model regresi variabel x r y x = koefisien korelasi variabel x dengan variabel y