Analisis Deskriptif Pemilihan Model Estimasi

54

3.8 Metode Pengumpulan Data

Metode pengumpulan data dalam penelitian ini adalah dengan menggunakan studi dokumentasi. Dokumentasi yang dilakukan adalah dengan mengumpulkan semua data sekunder yang dipublikasikan bursa efek Indonesia pada tahun 2012-2014 berupa laporan keuangan dan masing-masing perusahaan yang terdaftar di indeks LQ-45. 3.9 Metode Analisis Data Teknik analisis data yang digunakan dalam penelitian ini adalah analisis regresi data panel berganda dengan menggunakan Eviews 8 serta melakukan pemilihan model estimasi. Adapun tahap-tahap metode analisis data yang digunakan adalah sebagai berikut:

3.9.1 Analisis Deskriptif

Statistik deskriptif merupakan proses transformasi data penelitian dalam bentuk tabulasi, sehingga mudah dipahami dan diinterprestasikan. Umumnya digunakan untuk memberikan informasi mengenai variabel penelitian yang utama. Ukuran yang digunakan antara lain frekuensi tendensi sentral mean, median, modus, disperse deviasi standar, variance, dan pengukur-pengukur bentuk seperti measures of sharpe Erlina dan Mulyani, 2007:82. Universitas Sumatera Utara 55

3.9.2 Uji Asumsi Klasik

Uji asumsi klasik digunakan untuk mengestimasi suatu model regresi dengan meminimalkan jumlah kesalahan setiap observasi sehingga model regresi tersebut harus memenuhi uji asumsi klasik regresi. Dengan dilakukan penujian ini diharapkan agar hasil model regresi menjadi tidak bias. Uji asumsi klasik yang harus dipenuhi adalah sebagai berikut:

1. Uji Normalitas

Uji ini berguna untuk tahap awal dalam metode pemilihan analisis data. Tujuan uji normalitas adalah untuk mengetahui apakah dalam model regresi terdapat variabel pengganggu atau residual memiliki distribusi normal. Pengujian dilakukan untuk melakukan uji t dan uji F mengasumsikan bahwa nilai residual mengikuti distribusi normal. Jika asumsi dilanggar maka uji statistik menjadi tidak valid Erlina dan Mulyani, 2007:103. Untuk melihat apakah data penelitian memiliki distribusi normal atau tidak, dapat dilihat residual dengan menggunakan uji Jarque-Bera J-B. Dalam penelitian ini, tingkat signifikansi yang digunakan � = 0,05. Dasar pengambilan keputusan adalah melihat angka probabilitas dari statistik J-B, dengan ketentuan sebagai berikut. Jika nilai probabilitas � ≥ 0,05, maka asumsi normalitas terpenuhi. Jika probabilitas 0,05, maka asumsi normalitas tidak terpenuhi. Universitas Sumatera Utara 56 jika signifikasi lebih besar dari 0,05, maka data berdistribusi normal atau tidak terdapat nilai yang ekstrim yang dapat menyebabkan hasil penelitian menjadi bias. 2. Uji Heteroskedastisitas Heteroskedastisitas berarti variasi variable tidak sama untuk semua pengamatan. Masalah heteroskedastisitas sering muncul pada data cross section. Konsekuensi heterokedastisitas adalah model menjadi tidak bias dan linier. Adanya heterokedastisitas menyebabkan estimator tidak lagi mempunyai varian yang minimum. Jika estimator tidal lagi mempunyai varian yang minimum, maka menyebabkan perhitungan standard error tidak lagi bisa dipercaya dan interval estimasi maupun uji hipotesis yang didasarkan pada uji t dan uji F tidak dapat dipercaya untuk evaluasi hasil regresi. Metode yang dapat dipakai untuk mendeteksi masalah heterokedastisitas adalah metode Park dan Glejser serta metode korelasi Spearman Widarjono, 2015:67.

3. Uji Autokorelasi

Menurut Widarjono 2015:78 autokorelasi merupakan korelasi antara variabel gangguan satu observasi dengan variabel observasi lainnya. Autokorelasi sering muncul pada data time series. Jika suatu model masih mengandung autokorelasi, maka estimator model tidak lagi menghasilkan estimator yang mempunyai varian yang minimum. Jika varian tidak minimum maka meyebabkan perhitungan standard error metode tersebut tidak lagi bisa dipercaya kebenarannya dan uji hipotesis yang Universitas Sumatera Utara 57 didasarkan uji t dan uji F tidak dapat dipercaya untuk evaluasi hasil regresinya. Salah satu cara untuk mendeteksi masalah autokorelasi adalah dengan metode Durbin- Watson. Durbin-Watson berhasil mengembangkan statistik distribusi dengan menurunkan niali kritis batas bawah � � dan batas atas � � . Adapun kriteria dalam pengambilan kesimpulan dalam uji D-W ini dapat dilihat pada Tabel 3.2 berikut: Tabel 3.3 Kriteria Nilai Uji Durbin Watson No Nilai d Keterangan 1 1,10 Ada autokorelasi 2 1,10-1,54 Tidak ada kesimpulan 3 1,55-2,46 Tidak ada autokorelasi 4 2,46-2,90 Tidak ada kesimpulan 5 2,91 Ada autokorelasi Sumber:Misbahuddin dan Hasan 2013:108 Selain menggunakan uji D-W, cara untuk mendeteksi autokorelasi dapat menggunakan metode Breusch-Godfrey.

4. Uji Multikolinieritas

Multikolinieritas merupakan hubungan linier antara variabel independen di dalam regresi berganda. Multikolieritas akan menyebabkan estimator mempunyai varian yang besar dan dengan demikian standard error juga besar. Masalah yang timbul dari multikolieritas adalah sulit mendapatkan estimasi yang tepat, interval estimasi akan cenderung lebih lebar dan nilai hitung statistik uji t akan kecil sehingga membuat variabel independen secara statistik lebih besar serta meskipun variabel Universitas Sumatera Utara 58 independen tidak signifikan terhadap variabel dependen melalui uji t, nilai koefisien determinasi � 2 masih bisa relatif tinggi. Pengujian multikolieritas dapat menggunakan korelasi parsial antar variabel independen VIF dan Tolerance. Perlu kehati-hatian terutama kepada data time series karena jenis data ini sering kali menunjukan korelasi antar variabel independen yang cukup tinggi. Korelasi yang tinggi ini terjadi karena data time series sering kali menunjukan unsur tren yaitu data bergerak naik turun secara bersamaan. Jika VIF melebihi angka 10, maka bisa disimpulkan ada multikolieritas karena nilai � 2 melebihi 0,90. Masalah multikolieritas juga bisa dideteksi dengan melihat tolerance TOL. Jika nilai TOL semakin mendekati 0, maka diduga ada multikolieritas dan sebaliknya jika nilai TOL semakin mendekati 1 maka diduga tidak ada multikolieritas Widarjono, 2015:60.

3.9.3 Pemilihan Model Estimasi

Data panel Nachrowi, 2006:309 adalah data yang yang dikumpulkan dari dikumpulkan secara cross section dan diikuti pada periode waktu tertentu. Untuk mengestimasi data panel dapat melakukan beberapa pendekatan yaitu: 1. Common Effect Model atau Pooled Least Square PLS Model estimasi ini tidak ubahnya dengan regresi degan data cross section maupun time series. Sebelum melakukan regresi, kita harus menggabungkan data tersebut yang diperlakukan sebagai satu kesatuan. Universitas Sumatera Utara 59 2. Model Efek Tetap Fixed Effect Adanya variabel-variabel yang tidak semuanya masuk dalam persamaan model memungkinkan adanya intercerpt tidak konstan. Intercept ini mungkin akan nberubah setiap individu dan waktu. 3. Model Efek Random Random Effect Pada model ini perbedaan diakomodasikan lewat error. Teknik ini juga memperhitungkan bahwa error mungkin berkorelasi sepanjang times series dan cross section . Adapun langkah-langkah dalam melakukan pemilihan model data panel adalah sebagai beikut: 1. Estimasi dengan Common Effect Model atau Pooled Least Square PLS. 2. Estimasi dengan Fixed Effect Model dengan Uji Chow. Dengan kriteria pengujian: H = Common Effect Model H 1 = Fixed Effect Model Tolak H jika p-value nilai signifikansi 0,05; maka H 1 diterima. 3. Estimasi dengan Random Effect Model 4. Uji Hausman Random Effect Model atau Fixed Effect Model Dengan kriteria pengujian: H = Random Effect Model H 1 = Fixed Effect Model Universitas Sumatera Utara 60 Tolak H jika p-value nilai signifikansi 0,05; maka H 1 diterima.

3.9.4 Analisis Regresi Data Panel Berganda