Metode Analisis Data
D. Metode Analisis Data
1. Uji Asumsi Klasik
Data yang digunakan dalam penelitian ini adalah data sekunder, maka untuk menentukan ketepatan model perlu dilakukan pengujian atas beberapa asumsi klasik yang mendasari model regresi. Pengujian asumsi klasik yang digunakan pada penelitian ini meliputi uji normalitas, multikoliniearitas,
commit to user
secara rinci dapat dijelaskan sebagai berikut:
a. Uji Normalitas
Uji normalitas dimaksudkan untuk mengetahui normalitas data dari residualnya. Seperti diketahui bahwa uji t dan F mengasumsikan bahwa nilai residual mengikuti distribusi normal. Kalau asumsi ini dilanggar maka uji statistic menjadi tidak valid untuk jumlah sampel kecil (Ghozali,2006).. Penelitian ini menggunakan uji normalitas analisis grafik (normal probability plot) dan uji statistik non-parametrik Kolmogrov-Smirnov .
Dengan analisis normal probability plot ada syarat yang harus dipenuhi untuk normalitas data yaitu jika data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal, maka model regresi memenuhi asumsi normalitas, namun sebaliknya jika data menyebar jauh dari garis diagonal, maka model regresi tidak memenuhi asumsi normalitas. Sedangkan untuk analisis kolmogrov-smirnov syarat yang harus dipenuhi yaitu hasil dari asymp. sig. (2-tailed) lebih besar dari 0.05 ,jika syarat tersebut terpenuhi maka data residual terdistribusi normal.
b. Uji Multikolinieritas.
Uji multikolinieritas dimaksudkan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas (independen). Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel independen. Jika variabel independen saling berkorelasi, maka
commit to user
korelasi antar sesama variabel independen sama dengan nol). Salah satu cara untuk mendeteksi ada tidaknya multikolineritas yaitu dengan memperhatikan nilai toleransi dan nilai VIF (Variance Inflatien factor). Kedua ukuran ini menunjukkan setiap variabel independen manakah yang dijelaskan oleh variabel independen lainnya. Dalam pengertian sederhana setiap variabel independen menjadi variabel dependen dan diregres terhadap variabel independen lainnya.
Tolerance mengukur variabilitas variabel independen yang terpilih yang tidak dijelaskan oleh variabel independen lainnya. Nilai cutoff yang umum dipakai untuk menunjukkan adanya mulitkolinieritas adalah nilai tolerance < 0.10 atau sama dengan nilai VIF > 10. Dengan kata lain untuk bebas dari multikolinieritas maka nilai tolerance > 0.10 atau sama dengan nilai VIF < 10
c. Uji Autokorelasi
Uji ini untuk mengetahui apakah dalam model regresi liniear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 (sebelumnya). Jika terjadi korelasi, maka berarti ada problem autokorelasi. Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lainnya.
Masalah ini muncul karena residual (kesalahan pengganggu) tidak bebas dari satu observasi ke observasi lainnya. Hal ini sering ditemukan
pada data runtut waktu (time series) karena “gangguan” pada seseorang individu atau kelompok cenderung mempengaruhi “gangguan” pada
commit to user
crossection (silang waktu), masalah autokorelasi relative jarang terjadi karena “gangguan” pada observasi yang berbeda berasal dari individu
atau kelompok yang berbeda. Model regres yang baik adalah regresi yang bebas dari autokorelasi.
Dalam penelitian ini menggunakan run test untuk mendeteksi autokorelasi dalam model regresi. Run test sebagai bagian dari staristik non-parametrik dapat digunakan untuk menguji apakah antar residual terdapat korelasi yang tinggi. Jika antar residual tidak terdapat hubungan korelasi maka dikatakan bahwa residual adalah acak atau random. Hasil dari asymp. sig. (2-tailed) > 0.05 agar tidak terjadi autokorelasi.
d. Uji Heteroskedastisitas
Uji heteroskedastisitas ini bertujuan untuk mengetahui apakah dalam model regresi ini terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Jika variance dari residual satu pengamtan ke pengamtan yang lain tetap, maka disebut homokedastisitas dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik adalah yang homokedastisitas atau tidak terjadi heterokedastisitas.
Dalam penelitian ini menggunakan cara analisis grafik plot antara nilai prediksi variabel dependen yaitu ZPRED dengan residualnya SRESID. Deteksi ada tidaknya heterokedastisitas dapat dilakukan dengan melihat ada tidaknya pola tertentu pada grafik scatterplot antara SRESID dan ZPRED dimana sumbu Yadalah Y yang telah diprediksi, dan sumbu
X adalah residual (Y prediksi – Y sesungguhnya) yang telah di-
commit to user
pola tertentu yang teratur (bergelombang, melebar kemudian menyempit), maka mengindikasikan telah terjadi heteroskedastisitas. Namun jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tida terjadi heteroskedastisitas
2. Analisis Regresi Berganda
Pengujian hipotesis menggunakan regresi liniear berganda untuk mengukur nilai Y dan seberapa pengaruh rasio financial leverage, reputasi underwriter , return on assets dan current ratio terhadap tingkat underpricing . Adapun model penelitian dirumuskan sebagai berikut:
UDP = a + b 1 FL + b 2 RU + b 3 ROA + b 4 CR + e
Keterangan : UDP = underpricing FL
= financial leverage RU = Reputasi underwriter ROA = Return on asset CR
= Current ratio
= Banyaknya sampel
a = Konstanta
b 1-4
= Nilai koefisien variabel dari tiap-tiap variabel x
commit to user
Ketepatan fungsi regresi sampel dalam menaksir nilai aktual dapat diukur dari goodness of fitnya. Secara statistik, setidaknya ini dapat diukur dari nilai koefisien determinasi, nilai statistik F dan nilai statistik t (Ghozali, 2006).
a. Koefisien Determinasi (R 2 )
Analisis koefisien determinasi (R 2 ) dilakukan untuk mengukur seberapa besar kemampuan model dalam menerangkan variasi variabel dependen. Nilai R 2 berkisar antara nol dan satu . Nilai R 2 yang kecil berarti kemampuan variabel-variabel independen dalam menjelaskan variasi variabel dependen amat terbatas. Nilai yang mendekati satu berarti variabel-variabel independen memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen (Ghozali, 2006).
b. Uji Signifikansi Simultan (Uji Statistik F)
Pada dasarnya uji statistik F menunjukkan apakah semua variabel independen yang di masukkan dalam model mempunyai pengaruh secara bersama-sama terhadap variabel dependen. Jika hasil dari uji F mempunyai sig. lebih kecil dari 0.05 maka semua variabel independen yang dimasukkan dalam model mempunyai pengaruh secara bersama- sama terhadap variabel dependen (Ghozali, 2006).
c. Uji Signifikan Parameter Individual (Uji Statistik t)
Uji statistik t pada dasarnya menunjukkan seberapa jauh pengaruh satu variabel independen secara individual dalam menerangkan variasi
commit to user
dari 0.05 maka variabel independen secara individual berpengaruh terhadap variabel dependen (Ghozali, 2006).
commit to user