Metode Analisis Data

E. Metode Analisis Data

Analisa data dalam penelitian ini menggunakan statistik deskriptif, pengujian hipotesis dan uji asumsi klasik (Ghozali, 2011). Pengujian dilakukan dengan menggunakan bantuan program SPSS release 16. Berikut ini akan dijelaskan mengenai tahapan-tahapan pengujian dalam penelitian ini.

1. Statistik Deskriptif

Statistik deskriptif memberikan gambaran atau deskripsi suatu data yang dilihat dari nilai rata-rata (mean), standar deviasi, maksimum, dan minimum. Statistik deskriptif dimaksudkan untuk memberikan gambaran mengenai distribusi dan perilaku data sampel tersebut (Ghozali, 2011).

2. Pengujian Hipotesis

Untuk menguji hipotesis, penelitian ini menggunakan analisis regresi berganda dan uji F. Sebelum menggunakan analisis regresi berganda dilakukan

commit to user

penelitian valid, tidak bias, konsisten dan penaksiran koefisien regresinya efisien (Gujarati, 2003). Pengujian asumsi klasik terdiri dari beberapa macam pengujian, meliputi:

a. Uji Multikolonieritas Multikolonieritas merupakan suatu keadaan dimana terdapat hubungan

yang sempurna antara beberapa ataus emua variabel independen dalam model regresi. Uji multikolonieritas bertujuan untuk menguji apakah masalah yang sering muncul dalam analisis regresi terjadi, yaitu dimana terdapat korelasi yang tinggi antar dua atau lebih variabel independen (Ghozali, 2011).

Multikolonieritas antar variabel independen dapat dilihat dari nilai tolerance dan variance inflation factor (VIF). Kedua ukuran tersebut menunjukkan setiap variabel independen yang satu dijelaskan oleh variabel independen yang lain. Nilai tolerance yang rendah sama artinya dengan VIF yang tinggi. VIF (variance inflation factor). Jika tolerance lebih besar dari 0,1 dan nilai VIF lebih kecil dari 10 maka tidak terjadi multikolonieritas.

b. Uji Autokorelasi Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi

linier ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada peridoe t-1 (Ghozali, 2011). Untuk mengetahui dan menguji ada tidaknya autokorelasi dalam model regresi, bisa digunakan cara pengujian Durbin Watson (DW). Apabila nilai DW lebih besar dari batas atas (du) dan kurang dari 4-du, maka dapat disimpulkan bahwa tidak terdapat autokorelasi.

commit to user

Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varian dari residual satu pengamatan ke pengamatan yang lain (Ghozali, 2011). Jika variance dari satu pengamatan ke pengamatan yang lain tetap, maka disebut homoskedastisitas, dan jika berbeda disebut heterokedastisitas. Model regresi yang baik adalah model regresi yang tidak heterokedastisitas.

Untuk menentukan heteroskedastisitas menggunakan grafik plot antara nilai prediksi variabel dependen yaitu ZPRED dengan residualnya SRESID. Deteksi ada tidaknya heteroskedastisitas dapat dilakukan dengan melihat ada tidaknya pola tertentu dalam grafik scatterplot. Titik-titik yang terbentuk harus menyebar secara acak, baik di atas maupun di bawah angka 0 pada sumbu Y. bila kondisi ini terpenuhi maka tidak terjadi heteroskedastisitas.

d. Uji Normalitas Uji normalitas bertujuan untuk menguji apakah dalam model regresi,

variabel pengganggu atau residual memiliki distribusi normal (Ghozali, 2011). Hasil pengujian data dilakukan dengan menguji kolmogorov-smirnov. Kriteria pengujian apabila p value > 0,05 maka data terdistribusi normal, sedangkan apabila p value < 0,05 data tidak terdistrubusi normal.

Hal ini didukung juga dengan tampilan grafik histogram dan normal probability plot yang membandingkan distribusi kumulatif dari distribusi normal. Distribusi normal akan membentuk satu garis lurus diagonal, dan ploting data residual akan dibandingkan dengan garis diagonal. Jika didtribusi data residual

commit to user

garis diagonalnya.

3. Analisis Regresi Berganda

Untuk pengujian hipotesis, penelitian ini menggunakan analisis regresi berganda. Analisis ini dapat memberikan jawaban mengenai besarnya pengaruh variabel independen terhadap variabel dependen. Analisis regresi dapat memberikan jawaban mengenai besarnya pengaruh setiap variabel independen terhadap variabel dependennya.

Persamaan regresi berganda untuk pengujian hipotesis dalam penelitian ini adalah: LR =α+β 1 TOP5 + β 2 INST + β 3 MNJ + β 4 PDDKN + β 5 KAP + β 6 ΣKOMAU +

β 7 CG + β 8 TOP 5*CG + β 9 INST*CG + β 10 MNJ*CG + β 11 PDDKN*CG +

β 12 KAP*CG + β 13 ΣKOMAU*CG

Tabel 3.2 Keterangan persamaan regresi berganda

Liquidity Risk

TOP5

Kepemilikan saham top 5

INST

Kepemilikan institusi

MNJ

Kepemilikan manajerial

PDDKN

Latar belakang pendidikan direktur

KAP

Audit oleh KAP big four

ΣKOMAU

Jumlah komite audit CG Corporate governance (proksi dari PBI)

a. Uji F Dalam pengujian ini akan menguji pengaruh semua variabel independen secara bersamaan terhadap variabel dependen yang akan dilakukan dengan distribusi F. Signifikansi pengujian ini secara langsung dapat dilihat dari besarnya

commit to user

maka seluruh variabel independen secara bersamaan berpengaruh secara signifikan terhadap variabel terikatnya. (Ghozali, 2011). Melalui nilai F akan diketahui apakah kepemilikan saham top 5, kepemilikan manajerial, kepemilikan institusi, latar belakang pendidikan direktur, KAP big four dan jumlah komite audit berpengaruh secara simultan terhadap liquidity risk. Penentuan penerimaan atau penolakan hipotesis sebagai berikut:

 Apabila F hitung < F tabel maka H 1 diterima dan Ho ditolak artinya tidak ada pengaruh antara variabel bebas secara simultan terhadap variabel terikat.

 Apabila F hitung > F tabel maka H 1 diterima dan Ho ditolak artinya ada pengaruh antara variabel bebas secara simultan terhadap variabel terikat.

b. Koefisien Determinasi (R 2 ) Koefisien determinasi (R 2 ) ini digunakan untuk menggambarkan

kemampuan model menjelaskan variasi yang terjadi dalam variabel dependen

(Ghozali, 2011). Koefisien determinasi (R 2 ) dinyatakan dalam persentase. Nilai koefisien korelasi (R 2 ) ini berkisar antara 0 < R 2 < 1. Nilai adjusted R 2 yang

mendekati satu berarti kemampuan variabel-variabel independen memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variasi variabel

dependen. Nilai adjusted R 2 yang kecil atau di bawah 0,5 berarti kemampuan

variabel-variabel independen dalam menjelaskan variabel dependen sangat

terbatas. Apabila terdapat nilai adjusted R 2 bernilai negatif maka dianggap bernilai

0 (Ghozali, 2011).

commit to user