70
yang berarti semua variabel penjelas secara bersama-sama mempengaruhi variabel dependen, sedangkan jika sebaliknya, maka
menerima Ho yang berarti semua variabel penjelas secara bersama- sama tidak mempengaruhi variabel dependen.
3. Analisis Regresi Data Panel
Untuk menguji pengaruh corporate governance terhadap YTM sukuk dilakukan dengan menggunakan analisis regresi panel yang
merupakan gabungan antara data cross section dan time series. Menurut Widardjono 2013:353 ada beberapa keuntungan yang diperoleh dengan
menggunakan data panel. Pertama, data panel yang merupakan gabungan dua data time series dan cross section mampu menyediakan data yang
lebih banyak sehingga menghasilkan degree of freedom yang lebih besar. Kedua, menggabungkan informasi dari data time series dan cross section
dapat mengatasi masalah yang timbul ketika ada masalah penghilangan variabel omnited variable. Untuk membantu penelitian, digunakan
software Microsoft Excel 2010 dan EViews 9 untuk pengolahan data penelitian.
Data panel terdiri dari beberapa macam, diantaranya sebagai berikut Gujarati dan Porter, 2012:238 dan Widardjono, 2013:354:
a. Balanced panel, jika masing-masing subjek perusahaan, individu, dan lain-lain memiliki jumlah yang sama atau jika setiap unit cross
section mempunyai data time series yang sama.
71
b. Unbalanced panel, jika masing-masing subjek memiliki jumlah observasi yang berbeda atau jika jumlah observasi time series dari
unit cross section tidak sama. Penelitian ini termasuk ke dalam data unbalanced panel karena
memiliki tahun yang berbeda pada tiap sampel penelitian. Secara matematis, model yang digunakan dalam penelitian ini adalah sebagai
berikut:
Keterangan: YTM
: yield to maturity : konstanta
BLOCK : jumlah blockholder
INSTOWN : persentase kepemilikan saham oleh institusi
BRDSIZE : jumlah dewan direksi
KOMINDP : persentase komisaris independen
Ditinjau dari metode estimasi parameternya, model analisis regresi panel dikelompokan menjadi tiga pendekatan yaitu Widardjono,
2013:355-360: a. Common Effect Model OLS
Model common effect merupakan metode estimasi model regresi data panel yang paling sederhana dengan asumsi intersep α dan
koefisien regresi slope β yang konstan antar waktu dan cross
72
section. Dalam pendekatan ini tidak memperhatikan dimensi antar individu maupun waktu. Diasumsikan bahwa perilaku data antar
perusahaan sama dalam berbagai kurun waktu. Pada dasarnya model common effect sama seperti OLS dengan meminimumkan jumlah
kuadrat, tetapi data yang digunakan bukan data time series atau data cross section saja, melainkan data panel yang diterapkan dalam
bentuk pooled. b. Fixed Effect Model LSDV
Model fixed effect atau seringkali disebut dengan Least Square Dummy Variable LSDV merupakan metode estimasi yang
memperhitungkan adanya perbedaan antara setiap individu yang diakomodasi melalui variabel dummy sehingga terdapat perbedaan
dalam intersep α. Nilai intersep yang berbeda-beda ini diasumsikan berasal dari variabel yang tidak ikut masuk sebagai variabel bebas
dalam persamaan regresi dan dikenal sebagai omitted variable. Akibatnya model ini mempunyai koefisien regresi slope β yang
sama, namun dengan intersep yang berbeda untuk setiap individu. Model ini memiliki kelemahan yaitu berkurangnya derajat kebebasan
degree of freedom yang akhirnya akan mengurangi efisiensi parameter.
c. Random Effect Model Model random effect merupakan metode estimasi model regresi data
panel dengan menggunakan asumsi slope konstan dan intersep
73
berbeda antar waktu dan antar individu. Model ini juga sering disebut model komponen error error component model. Metode
yang tepat digunakan untuk mengestimasi random effect adalah Generalized Least Square GLS sebagai estimatornya karena dapat
meningkatkan efisiensi dari estimasi Least Square. dengan menggunakan model random effect, maka dapat menghemat
pemakaian derajat kebebasan dan tidak mengurangi jumlahnya seperti yang dilakukan pada model common effect. Hal ini
berimplikasi bahwa parameter yang merupakan hasil estimasi akan menjadi semakin efisien.
a. Pemilihan Teknik Estimasi Regresi Data Panel
Untuk mendapatkan analisis regresi data panel yang terbaik antara model common, fixed atau random effect, maka dilakukan
teknik pemilihan model. Terdapat tiga uji yang digunakan untuk menentukan teknik yang paling tepat untuk mengestimasi regresi
data panel, diantaranya adalah Widardjono, 2013:362: 1 Uji Signifikansi Fixed Effect
Uji F atau sering disebut Uji Chow digunakan untuk mengetahui apakah teknik regresi data panel dengan fixed effect lebih baik
dari model regresi data panel tanpa variabel dummy common effect. Hipotesis dalam Uji F atau Uji Chow adalah:
Ho : model common effect Ha : model fixed effect
74
Pada software EViews 9.0, Uji Chow dapat dilakukan dengan melihat nilai probability F pada hasil output. Dasar pengambilan
keputusannya adalah jika nilai probability F ≥ 0.05, maka Ho
diterima, yang berarti model yang lebih tepat digunakan adalah common effect, tetapi jika nilai probability F 0.05, maka Ho
ditolak Ha diterima, yang berarti model yang lebih tepat digunakan adalah fixed effect.
2 Uji Signifikansi Random Effect Untuk mengetahui apakah model random effect lebih baik dari
model common effect OLS Pooled digunakan uji Langrange Multiplier
LM. Uji
signifikansi random
effect ini
dikembangkan oleh Breusch-Pagan. Hipotesis Uji LM adalah: Ho : model common effect
Ha : model random effect Dasar pengambilan keputusan dapat dilihat dari nilai chi-square
Breusch-Pagan, jika nilai chi-square Breusch-Pagan 0.05, maka terima Ho atau model yang digunakan adalah common
effect. Namun, jika nilai chi-square Breusch-Pagan 0.05, maka terima Ha atau model yang digunakan adalah fixed effect,
lalu dapat dilanjutkan dengan Uji Hausman untuk memilih model terbaik antara fixed effect dan random effect.
75
3 Uji Signifikansi Fixed Effect atau Random Effect Uji ini secara formal dikembangkan oleh Hausman. Hausman
telah mengembangkan suatu statistik untuk memilih apakah menggunakan model fixed effect atau random effect. Hipotesis
Uji Hausman adalah: Ho : model random effect
Ha : model fixed effect Dasar
pengambilan keputusannya
adalah dengan
membandingkan nilai statistik chi-square dan chi-square tabel atau melihat p-value, jika nilai statistik chi-square chi square
tabel atau p-value 0.05, maka Ho diterima, yang berarti model yang lebih tepat digunakan adalah random effect, tetapi jika
nilai statistik chi-square chi-square tabel atau p-value 0.05, maka Ho ditolak, yang berarti model yang lebih tepat digunakan
adalah fixed effect.
b. Uji Asumsi Klasik
1 Normalitas Uji normalitas bertujuan untuk menguji apakah dalam model
regresi, variabel dependen dan variabel independen maupun keduanya berdistribusi normal atau tidak. Model regresi yang
baik adalah yang memiliki distribusi data normal atau mendekati normal.Pada software EViews, pengujian normalitas sebuah
data dilakukan dengan Jarque-Bera test. Untuk menguji
76
normalitas suatu model, dibangun sebuah desain hipotesis sebagai berikut:
Ho : data berdistribusi normal Ha : data tidak berdistribusi normal
Dasar pengambilan keputusannya adalah, jika nilai probability 0.05, maka Ho diterima dan Ha ditolak yang berarti data
berdistribusi normal, sebaliknya jika nilai probability 0.05, maka Ho ditolak dan Ha diterima yang berarti data tidak
berdistribusi normal. 2 Multikolinearitas
Uji Multikolinearitas dilakukan untuk melihat hubungan linier antara variabel independen dalam suatu regresi. Untuk
mendeteksi masalah multikolinearitas dalam model regresi salah satunya dengan menguji koefisien korelasi antar variabel
independen. Jika koefisien korelasi di atas 0.85, maka diduga ada multikolinearitas dalam model Widardjono, 2013:104.
3 Autokorelasi Autokorelasi adalah adanya korelasi antar variabel gangguan
satu observasi dengan observasi lain yang berlainan waktu. Untuk mendeteksi masalah autokorelasi dapat dilakukan dengan
uji Durbin-Watson D-W. Tabel D-W terdiri atas dua nilai yaitu batas bawah d
L
dan batas atas d
U
. Nilai d
L
dan d
U
didapatkan dengan menentukan n jumlah observasi dan k jumlah variabel
77
independen tidak termasuk konstanta di tabel statistik Durbin- Watson. Untuk menguji ada atau tidaknya autokorelasi,
dibangun sebuah desain hipotesis sebagai berikut: Ho : ρ = 0 : tidak ada autokorelasi
Ha : ρ ≠ 0 : terdapat autokorelasi
Tabel 3.3 Statistik Durbin-Watson
d Nilai Statistik
d Hasil
0 d Menolak hipotesis nol; ada autokorelasi
positif d
Daerah keragu-raguan; tidak ada keputusan d 4 -
Gagal menolak hipotesis nol; tidak ada autokorelasi positifnegatif
4 - d 4 -
Daerah keragu-raguan; tidak ada keputusan 4 -
d 4 Menolak hipotesis nol; ada autokorelasi
negatif Sumber: Widardjono 2013:141
4 Heteroskedastisitas Heteroskedastisitas merupakan penyimpangan terhadap asumsi
homoskedastisitas, yaitu ketika variabel gangguan error terms mempunyai varian yang tidak konstan. Jika variabel gangguan
tidak mempunyai rata-rata nol, maka tidak mempengaruhi slope, hanya akan mempengaruhi intersep. Dampak adanya hal
tersebut adalah tidak efisiennya proses estimasi, sementara hasil estimasinya sendiri tetap konsisten dan tidak bias serta akan
mengakibatkan hasil uji t dan uji F menjadi tidak berguna. Menurut
Widardjono 2013:125,
permasalahan
78
heteroskedastisitas dapat dideteksi dengan metode White. Hal White mengembangkan sebuah metode yang tidak memerlukan
asumsi tentang adanya normalitas pada variabel gangguan. Untuk menguji ada atau tidaknya gejala heteroskedastisitas
dalam suatu model, dibangun sebuah desain hipotesis sebagai berikut:
Ho : tidak terjadi heteroskedastisitas Ha : terjadi heteroskedastisitas
Dasar pengambilan keputusannya adalah, jika nilai probabilitas 0.05, maka Ho diterima yang berarti tidak terjadi
heteroskedastisitas, sedangkan jika nilai probabilitas 0.05, maka Ha diterima yang berarti terjadi heteroskedastisitas.
c. Uji Signifikansi
1 Uji Koefisien Determinasi R
2
Koefisien determinasi R
2
digunakan untuk menjelaskan seberapa besar proporsi variasi variabel dependen yang
dijelaskan oleh variasi variabel independen. Koefisien determinasi ini nilainya tidak pernah menurun jika kita terus
menambah variabel independen, artinya koefisien determinasi akan semakin besar jika kita terus menambah variabel
independen dalam model Widardjono, 2015:276. Salah satu persoalan besar penggunaan koefisien R
2
dengan demikian adalah nilai R
2
selalu naik ketika menambah variabel independen
79
dalam model, walaupun penambahan variabel independen belum tentu mempunyai justifikasi dari teori ekonomi ataupun logika
ekonomi. Para ahli ekonometrika telah mengembangkan alternative lain yaitu digunakan R
2
yang disesuaikan Widardjono, 2015:70. Nilai koefisien determinasi terletak
antara 0 dan 1. Semakin angkanya mendekati 1 maka semakin baik garis regresi karena mampu menjelaskan data aktualnya.
Semakin mendekati angka 0 maka mempunyai garis regresi yang kurang baik.
2 Uji Signifikansi Simultan Uji Statistik F Uji F adalah uji pengaruh semua variabel independen secara
serempak terhadap variabel dependen. Uji F digunakan untuk signifikansi
model. Uji
F dapat
dilakukan dengan
membandingkan F hitung dan F tabel. F tabel didapat dari besarnya α dan df. Besar df ditentukan oleh numerator k - 1
dan df untuk denominator n – k, dimana n adalah jumlah
observasi dan k adalah jumlah variabel termasuk intersep. Dasar pengambilan keputusannya adalah jika nilai F hitung F tabel,
maka Ho ditolak dan Ha diterima, yang berarti bahwa variabel independen secara simultan berpengaruh signifikan terhadap
variabel dependen, tetapi jika nilai F hitung F tabel, maka Ho diterima dan Ha ditolak, yang berarti bahwa variabel independen
80
secara simultan tidak berpengaruh signifikan terhadap variabel dependen.
3 Uji Statistik Parsial Uji Satistik t Uji statistik t digunakan untuk mengetahui apakah variabel
independen mempengaruhi variabel dependen secara individual. Dalam melakukan uji hipotesis ini, hal yang penting dalam
hipotesis penelitian yang menggunakan data sampel dengan menggunakan uji t adalah masalah pemilihan apakah
menggunakan dua sisi two-tailed test atau satu sisi one-tailed test. Uji hipotesis dua sisi dipilih jika tidak mempunyai dugaan
kuat atau dasar teori yang kuat dalam penelitian, sebaliknya uji hipotesis satu sisi dipilih jika peneliti memiliki landasan teori
atau dugaan yang kuat. Uji t dapat dilakukan dengan membandingkan nilai t hitung dan t tabel pada α dan df sebesar
n-k, dimana n adalah jumlah observasi dan k adalah jumlah variabel termasuk intersep. Jika nilai t hitung nilai t tabel,
maka Ho ditolak yang berarti secara statistik variabel independen signifikan mempengaruhi variabel dependen dan
sebaliknya, jika nilai t hitung nilai t tabel, maka Ho diterima yang berarti secara statistik variabel independen tidak signifikan
mempengaruhi variabel dependen Widardjono, 2015:282.
81
E. Operasional Variabel Penelitian
1. Variabel Dependen