Pengujian Asumsi Klasik Metode Analisis Data

38

3.6 Metode Analisis Data

Analisa data dilakukan dengan menggunakan metode analisa kuantitatif yaitu dengan mengumpulkan, mengolah, dan menginterpretasikan data yang diperoleh sehingga memberi keterangan yang benar dan lengkap untuk pemecahan masalah yang dihadapi. Metode analisis data yang digunakan dalam penelitian ini adalah model regresi sederhana dengan menggunakan bantuan software SPSS for window v.21. Ada dua jenis pengujian yang dapat dipakai dalam penelitian ini, yaitu uji asumsi klasik dan pengujian hipotesis.

3.6.1 Pengujian Asumsi Klasik

3.6.1.1 Uji normalitas Uji normalitas berguna pada tahap awal dalam metode pemilihan analisis data. Uji normalitas berfungsi untuk melihat apakah nilai residual terdistribusi normal atau tidak. Model regresi yang baik adalah memiliki nilai residual yang terdistribusi normal Sunjoyo dkk., 2013 : 59. Cara yang digunakan untuk mendeteksi apakah residual mengikuti berdistribusi normal atau tidak adalah dengan analisis grafik. Jika data menyebar di sekitar garis diagonal atau grafik histogramnya menunjukkan pola distribusi normal, maka model regresi memenuhi asumsi normalitas, demikian sebaliknya. Selain itu bisa jug melalui uji analisis statistik. Uji statistik yang dapat digunakan untuk menguji normalitas residual adalah uji statistik Kolmogrov-Smirnov atau biasa disingkat K-S Ghozali, 2008 : 30 dalam Sunjoyo dkk, 2013 : 60. Uji K-S dibuat dengan membuat hipotesis : H o H : Data residual berdistribusi normal a : Data residual tidak berdistribusi normal 39 Bila sig 0,05 dengan α = 5, berarti distribusi data normal H o diterima, sebaliknya bila sig 0,05 dengan α = 5, berarti distribusi data tidak normal H a a Transformasi data diterima. Distribusi yang melanggar asumsi normalitas dapat dijadikan menjadi bentuk normal dengan berbagai cara sebagai berikut : Transformasi data dapat dilakukan dengan logaritma natural ln, log 10, maupun akar kuadrat. Jika ada data yang bernilai negatif, transformasi data dengan log akan menghilangkannya sehingga sampel n akan berkurang. b Trimming Trimming adalah membuang memangkas observasi yang bersifat outlier, yaitu yang nilainya lebih kecil dari μ-2σ atau lebih besar dari μ+2σ. Metode ini juga akan mengecilkan sampelnya. c Winzorising Winzorising mengubah nilai - nilai outliers menjadi nilai - nilai minimum atau maksimum yang diizinkan supaya distribusi menjadi normal. Nilai – nilai observasi yang lebih kecil dari μ-2σ akan diubah nilainya menjadi μ-2σ dan nilai – nilai yang lebih besar dari μ+2σ akan diubah menjadi μ+2σ. 3.6.1.2 Uji Multikolinieritas Uji multikolinearitas adalah untuk melihat ada atau tidaknya korelasi yang tinggi antara variabel-variabel bebas dalam dalam suatu model regresi linear berganda. Jika ada korelasi tinggi diantara variabel-variabel bebasnya, maka hubungan antara variabel bebas terhadap variabel terikatnya menjadi terganggu 40 Sunjoyo dkk., 2013 : 65. Untuk mendeteksi ada atau tidaknya multikolonieritas di dalam model regresi adalah sebagai berikut: a. menganalisis matrik korelasi variabel – variabel independen, jika diantara variabel independen ada korelasi yang cukup tinggi umumnya diatas 0.90, maka hal ini merupakan indikasi adanya multikolonieritas, b. multikolonieritas dapat juga dilihat dari 1 nilai tolerance dan lawannya 2 variance inflation factor VIF, nilai cutoff yang umum dipakai untuk menunjukkan adanya multikolonieritas adalah nilai tolerance 0,10 atau sama dengan nilai VIF 10. Menurut Sunjoyo dkk. 2013 : 66 Beberapa alternatif cara untuk mengatasi masalah multikolinearitas adalah sebagai berikut: a. mengganti atau mengeluarkan variabel yang mempunyai korelasi yang tinggi, b. menambah jumlah observasi, c. mentransformasikan data kedalam bentuk lain misalnya logaritma natural, akar kuadrat atau bentuk first difference delta, d. dalam tingkat lanjut dapat digunakan metode regresi bayessian yang masih jarang sekali digunakan. 3.6.1.3 Heterokedastisitas Uji heterokedastisitas adalah untuk melihat apakah terdapat ketidaksamaan varians dari residual satu ke pengamatan ke pengamatan yang lain. Model regresi yang memenuhi persyaratan adalah terdapat kesamaan varians dari residual satu pengamatan ke pengamatan yang lain tetap atau disebut homoskedastisitas Sunjoyo dkk., 2013 : 69. Ada tidaknya heteroskedastisitas dapat dilakukan dengan melihat grafik Scaterplot antara nilai prediksi variabel independen dengan nilai residualnya. Dasar yang digunakan untuk menentukan heteroskedastisitas antara lain : 41 a. jika ada pola tertentu, seperti titik – titik yang ada membentuk pola tertentu yang teratur bergelombang, melebar kemudian mnenyempit, maka mengindikasikan telah terjadi heteroskedastisitas, b. jika tidak ada pola yang jelas, serta titik – titik yang menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas. 3.6.1.4 Uji Autokorelasi Uji autokorelasi adalah untuk melihat apakah terjadi korelas antara suatu periode t dengan periode sebelumnya t-1. Secara sederhana, analisis regresi adalah untuk melihat pengaruh antara variabel bebas terhadap variabel terikat, jadi tidak boleh ada korelasi antara observasi dengan data observasi sebelumnya Sunjoyo dkk., 2013 : 73. Uji autokorelasi hanya dilakukan pada data time series runtut waktu dan tidak diperlukan pada data cross section seperti pada kuesioner dimana pengukuran dilakukan secara serempak dan bersamaaan. Model Regresi pada penelitian di Bursa Efek Indonesia yang periodenya lebih dari satu tahun biasanya memerlukan uji autokorelasi. Beberapa uji statistik yang sering dipergunakan adalah uji Durbin-Watson. Pengambilan keputusan ada tidaknya autokorelasi adalah : Hipotesis Nol Keputusan Jika Tidak ada autokorelasi positif Tolak 0 d dl Tidak ada autokorelasi positif No decision dl . d . du Tidak ada autokorelasi negatif Tolak 4 – dl d 4 Tidak ada autokorelasi negatif No decision 4 . du . d . 4 – dl 42 Tidak ada autokorelasi, positif atau negatif Tidak ditolak du d 4 - du Tabel 3.4 Pengambilan Keputusan Uji Autokorelasi

3.6.2 Uji Hipotesa