62
3.9.1 Analisis Statistik Deskriptif
Menurut Sugiyono 2007 dalam Sudarmanto 2013 Statistik deskriptif berfungsi untuk mendiskripsikan atau member gambaran terhadap objek yang
diteliti melalui data sampel atau populasi sebagaimana adanya, tanpa melakukan analisis dan membuat kesimpulan yang berlaku umum. Analisis
statistic deskriptif meliputi jumlah, sampel, nilai minimum, nilai maksimum, nilai rata-rata mean, dan standar deviasi dari semua variabel
3.9.2 Uji Asumsi Klasik
Karena data yang digunakan adalah data sekunder maka untuk menentukan ketepatan model perlu dilakukan pengujian atas beberapa asumsi klasik yang
digunakan yang secara rinci dapat dijelaskan sebagai berikut:
3.9.2.1 Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel dependen dan variabel independen keduanya
mempunyai distribusi normal ataukah tidak. Model regresi yang baik adalah memiliki distribusi data normal atau mendekati normal. Untuk
menguji apakah distribusi data normal ataukah tidak, maka dapat dilakukan dengan analisis grafik dan uji statistik.
1. Analisis Grafik
Cara yang digunakan untuk melihat normalitas residual adalah dengan melihat grafik histogram yang membandingkan antara data
Universitas Sumatera Utara
63
observasi dengan distribusi yang mendekati normal. Namun dengan hanya melihat grafik histogram, hal ini dapat menyesatkan, khususnya
untuk jumlah sampel kecil. Metode lain yang dapat digunakan adalah dengan melihat normal probability plot yang membandingkan distribusi
kumulatif dari distribusi normal. Dasar pengambilan keputusan dari analisis normal probability plot adalah sebagai berikut:
a. Jika data menyebar di sekitar garis diagonal dan mengikuti arah garis
diagonal, maka model regresi memenuhi asumsi normalitas. b.
Jika data menyebar jauh dari garis diagonal dan atau tidak mengikuti arah garis diagonal, maka model regresi tidak memenuhi asumsi
normalitas. 2.
Analisis Statistik Uji normalitas dengan grafik dapat menyesatkan karena secara
visual kelihatan normal namun secara statistik bisa sebaliknya. Oleh sebab itu dianjurkan disamping uji grafik dilengkapi dengan uji statistik
melalui Kolmogorov-Smirnov test K-S. Uji K-S dilakukan dengan membuat hipotesis:
Ho = Data residual berdistribusi normal Ha = Data residual tidak berdistribusi normal
Dasar pengambilan keputusan dalam uji K-S adalah sebagai berikut: 1. Apabila probabilitas nilai Z uji K-S signifikan secara statistik mak Ho
ditolak, yang berarti data terdistribusi tidak normal.
Universitas Sumatera Utara
64
2. Apabila probabilitas nilai Z uji K-S tidak signifikan secara statistik maka Ho diterima, yang berarti data terdistribusi normal.
3.9.2.2 Uji Multikolinearitas
Uji asumsi
tentang multikolinearitas
dimaksudkan untuk
membuktikan atau menguji ada tidaknya hubungan yang linear antara variabel bebas independen satu dengan variabel bebas independen
lainnya. Frisch dalam Gujarati dan Zein 1997 menyatakan bahwa istilah multikolinearitas berarti adanya hubungan linear yang “sempurna” atau
pasti, diantara beberapa variabel atau semua variabel yang menjelaskan dari model regresi.
Pendekatan yang digunakan untuk menguji ada tidaknya multikolonieritas ada dua yaitu dengan melihat nilai tolerance dan
lawannya dan dengan uji tes Variance Inflation Factor VIF, dengan analisis sebagai berikut:
a. Jika nilai tolerance 0,10 dan VIF 10, maka dapat diartikan bahwa tidak terdapat multikolonieritas antar variabel
independen dalam model regresi. b. Jika nilai tolerance 0,10 dan VIF 10, maka dapat diartikan
bahwa terdapat multikolonieritas antar variabel independen dalam model regresi.
Universitas Sumatera Utara
65
3.9.2.3 Uji Heteroskedastisitas Menurut Sudarmanto 2005 uji asumsi heteroskedastisitas
digunakan untuk mengetahui apkah variasi residual absolut sama atau tidak sama untuk semua pengamatan. Apabila asumsi tidak terjadinya
heteroskedastisitas ini tidak terpenuhi, maka penaksir menjadi tidak lagi efisien baik dalam sampel kecil maupun besar Gujarati, 1997 dan estimasi
koefisien dapat dikatakan menjadi kurang akurat Rietveld dan Sunaryanto, 1993.
Banyak pendekatan yang dapat digunakan untuk menguji heteroskedastisitas yaitu 1 menggunakan metode grafik, metode ini lazim
digunakan meskipun menimbulkan bias, hal ini karena subjektivitas sangat tinggi sehingga pengamatan antara satu dengan lainnya bisa menimbulkan
perbedaan persepsi dan 2 menggunakan uji statistic sehingga diharapkan dapat menghilangkan unsure bias akibat subjektivitas. Statistik yang sering
digunakan untuk menguji heteroskedastisitas yaitu koefisien korelasi Spearman, Uji Glejser, uji Park, dan uji White.
3.9.2.4 Uji Autokorelasi
Menurut Sudarmanto 2013:263 autokorelasi merupakan suatu kondisi di mana terdapat korelasi atau hubungan antar pengamatan atau
observasi, baik itu dalam bentuk observasi deret waktu time series atau observasi cross section. Adanya autokorelasi dapat mengakibatkan
penasiran mempunyai varians tidak minimum Gujarati, 1997 dan uji-t tidak dapat digunakan, karena akan memberikan kesimpulan yang salah
Universitas Sumatera Utara
66 Rietveld dan Sunaryanto, 1994.
Uji Autokorelasi bertujuan untuk menguji apakah dalam model regresi linear ada korelasi antara kesalahan
pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 sebelumnya
Model regresi yang baik adalah regresi yang bebas dari autokorelasi. Untuk mendeteksi terjadinya autokorelasi dapat dilakukan
dengan pengujian terhadap nilai uji Durbin-Watson Uji DW dengan ketentuan sebagai berikut:
1. Bila nilai Durbin-Watson DW terletak antara batas atas atau
Upper Bound DU dan 4 – DU, maka koefisien autokorelasi
sama dengan nol, berarti tidak ada autokorelasi. 2.
Bila nilai DW lebih rendah daripada batas bawah atau Lower Bound DL, maka koefisien autokorelasi lebih besar dari nol,
berarti ada autokorelasi positif. 3.
Bila nilai DW lebih besar daripada 4-DL, maka koefisien autokorelasi lebih kecil dari nol, berarti ada autokorelasi negatif.
4. Bila nilai DW terletak di antara batas atas DU dan batas bawah
DL atau DW terletak antara 4-DU dan 4-DL, maka hasilnya tidak dapat disimpulkan.
3.9.3 Analisis Regresi Berganda
Teknik analisis yang akan dipakai dalam penelitian ini adalah teknik analisis regresi linier berganda untuk memperoleh gambaran yang
menyeluruh
Universitas Sumatera Utara
67
mengenai hubungan antara variabel satu dengan variabel lain. Variabel dependen
yang digunakan adalah
Nilai Perusahaan
dan variabel independennya adalah
Capital Adequacy Ratio CAR, Biaya Operasional dan Pendapatan Operasional
BOPO,
Loan to Deposit Ratio
LDR
, Net Interest Margin NIM, Loan to
Deposit Ratio LDR,
dan Kualitas Aktiva Produktif.
Untuk mengetahui apakah ada
pengaruh yang signifikan dari variabel independen terhadap dependen maka
digunakan model regresi linier berganda multiple linier regression method, yang
dirumuskan sebagai berikut: Y
PBV
= α + β
1
CAR + β
2
BOPO + β
3
NIM + β
4
LDR + β
5
KAP + β
6
ROA + e Y
ROA
= α + β
1
CAR + β
2
BOPO + β
3
NIM + β
4
LDR + β
5
KAP + e Keterangan :
α = Konstanta
β
1-
β
2
= Koefisien regresi Y
= Nilai Perusahaan X
1
= Capital Adequacy Ratio CAR X
2
= Biaya Operasional terhadap Pendapatan Operasional BOPO X
3
= Net Interest Margin NIM X
4
= Loan to Deposit Ratio LDR X
5
= Kualitas Aktiva Produktif X
6
= Return On Asset ROA e
= error
Universitas Sumatera Utara
68
3.9.4 Analisis Jalur Path Analysis
Intervening merupakan variabel antara yang berfungsi menjadi perantara hubungan antara variabel independen dengan variabel dependen.
Untuk menguji pengaruh variabel intervening digunakan metode analisis jalur path analysis.
Analisis jalur sendiri tidak dapat menentukan hubungan sebab akibat dan tidak dapat digunakan sebagai subtitusi bagi peneliti untuk melihat
hubungan kausalitas antar hubungan. Yang dapat dilakukan oleh analisis jalur adalah menentukan pola hubungan antara tiga atau lebih variabel dan tidak
dapat digunakan untuk mengkonfirmasi atau menolak hipotesis kasualitas imajiner.
Diagram jalur memberikan secara eksplisit hubungan kausalitas antar variabel berdasarkan pada teori. Anak panah menunjukkan hubungan antar
variabel. Di dalam menggambarkan diagram jalur yang perlu diperhatikan adalah anak panah berkepala satu merupakan hubungan regresi. Hubungan
langsung terjadi jika satu variabel mempengaruhi variabel lain tanpa ada variabel ketiga yang memediasi intervening hubungan kedua variabel tadi.
Pada setiap variabel independen akan ada anak panah yang menuju ke variabel ini mediasi dan ini berfungsi untuk menjelaskan jumlah varian yang tak
dapat dijelaskan oleh variabel lain Ghozali, 2005. Diagram jalur memberikan secara eksplisit hubungan kausalitas antar
variabel berdasarkan pada teori. Anak panah menunjukkan hubungan antar variabel. Model bergerak dari kiri ke kanan dengan implikasi prioritas
hubungan kausal variabel yang dekat ke sebelah kiri.
Universitas Sumatera Utara
69
Koefisien jalur adalah standardized koefisien regresi. Koefisien jalur dihitung dengan membuat dua persamaan struktural yaitu persamaan regresi
yang dihipotesiskan. Persamaan struktural yang dikembangkan dalam penelitian ini adalah sebagai berikut:
Y
PBV
= Pyx
1
+ Pyx
2
+ Pyx
3
+ Pyx
4
+ Pyx
5
+ Pyx
6
+ e
2
…………3.1 Y
ROA
= Px
6
x
1
+ Px
6
x
2
+ Px
6
x
3
+ Px
6
x
4
+ Px
6
x
5
+ e
1
…………3.2 Dimana:
Y
ROA
= Return On Asset Y
PBV
= Price to Book Value Px
6
x
1
-Px
6
x
5
= Koefisien Jalur terhadap ROA Pyx
1
-Pyx
6
= Koefisien Jalur terhadap PBV e
= Error term, yaitu tingkat kesalahan dalam penelitian
3.9.5 Uji Hipotesis