Teknik Analisis Data

E. Teknik Analisis Data

1. Analisis Deskriptif Statistik deskriptif memberikan gambaran atau deskripsi mengenai suatu data yang dilihat dari nilai rata-rata (mean), standar deviasi, maksimum, minimum (Ghozali, 2007). Statistik deskriptif digunakan untuk memberikan gambaran variabel Value Added Intellectual Coefficient (VAIC) , Return On Asset (ROA), dan Price to Book Value (PBV).

2. Pemilihan Teknik Estimasi Regresi Data Panel Untuk dapat memilih model mana yang akan digunakan dalam penelitian, menentukan model yang terbaik dapat dilakukan dengan tiga pengujian :

a) Uji Chow (Uji Signifikansi Fixed Effect)

Uji chow digunakan untuk mengetahui model yang terbaik antara fixed effect dibanding dengan common effect dengan Uji chow digunakan untuk mengetahui model yang terbaik antara fixed effect dibanding dengan common effect dengan

Dimana:

RSS1 = residual sum of squares teknik Common Effect, RSS2

= residual sum of squares teknik Fixed Effect, M

= pembatasan dalam didalam model tanpa variabel dummy,

n-k = jumlah observasi – jumlah parameter model fixed effect

H 0 adalah bahwa intersepnya sama. Jika hasil perhitungan uji F ≥ F (k-1,n-k) berarti H 0 ditolak, artinya intersep untuk semua unit cross section tidak sama. Dengan demikian model fixed effect lebih tepat untuk mengestimasi persamaan regresi daripada model common effect (Widarjono, 2013: 362).

b) Uji Hausman (Uji Signifikansi Fixed Effect atau Random Effect)

Uji Hausman dilakukan untuk membandingkan atau memilih model mana yang terbaik antara fixed effect dan random effect. Uji hausman didasarkan pada ide bahwa kedua metode OLS dan GLS konsisten tetapi OLS tidak efisien dalam

H 0 . Statistik uji hausman mengikuti distribusi statistic chi square dengan degree of freedom sebanyak k dimana k adalah jumlah variabel independen. Jika nilai statistik hausman lebih besar daripada nilai kritisnya maka model yang baik digunakan model fixed effect, sedangkan jika nilai statistik hausman lebih kecil daripada nilai kritisnya maka model yang tepat digunakan adalah model random effect (Widarjono, 2013,h.365).

3. Analisis Jalur

Untuk meguji pengaruh variabel intervening digunakan metode analisis jalur (path analysis). Analisis jalur merupakan perluasan dari analisis regresi linear berganda. Analisis jalur adalah penggunaan analisis regresi untuk menaksir hubungan kasualitas antar variabel (model causal) yang telah ditetapkan sebelumnya berdasarkan teori. Analisis jalur sendiri tidak dapat menentukan hubungan sebab-akibat dan juga tidak dapat digunakan sebagai substitusi bagi peneliti untuk melihat hubungan kausalitas antar variabel. Apa yang dilakukan oleh analisis jalur adalah menentukan pola hubungan antara tiga atau lebih variabel dan tidak dapat dignakan untuk mengkonfirmasi atau menolak hipotesis kausalitas imajiner (Ghazali, 2011,h. 249).

Gambar 3.1 Model Analisis Jalur (Path Analysis)

Diagram jalur memberikan secara eksplisit hubungan kausalitas antar variabel berdasarkan pada teori. Anak panah menunjukan hubungan antar variabel. Model bergerak dari kiri ke kanan dengan implikasi prioritas hubungan kausal variabel yang dekat ke sebelah kiri. Setiap nilai p menggambarkan jalur koefisien jalur. Berdasarkan gambar model jalur diajukan hubungan berdasarkan teori bahwa VAIC mempunyai hubungan langsung dengan PBV (p1). Namun demikian VAIC juga mempunyai hubungan tidak langsung ke PBV yaiu dari VAIC ke ROA (p2) baru kemudian ke PBV (p3). Total pengaruh hubungan dari VAIC ke ROA (korelasi antara VAIC dengan PBV) sama dengn Pengaruh Langsung VAIC ke PBV (koefisien path atau p1) di tambah pengaruh tidak langsung yaitu koefisien path dari VAIC ke

ROA yaitu p2 dikalikan dengan koefisien path dari ROA ke PBV yaitu p3. Pengaruh langsung VAIC ke PBV

= p1 Pengaruh tak langsung VAIC ke ROA ke PBV

= p2 x p3 Total pengaruh (korelasi VAIC ke PBV)

=p1 + (p2 xp3) (3.1) Hubungan langsung terjadi jika satu variabel mempengaruhi variabel lainnya tanpa ada variabek ketiga yang memediasi (intervening) hubungan kedua variabel tadi. Hubungan tidak langsung adalah jika ada variabel ketiga yang memediasi hubungan kedua variabel ini. Kemudian pada setiap variabel independen (endogen variabel) aka nada anak panah yang menuju ke variabel ini dan ini berfungsi untuk menjelaskan jumlah variance yang tak dapat dijelaskan (unexplained variance) oleh variabel itu.

Jadi, anak panah tidak dijelaskan oleh VAIC. Besarnya e1 = √

. Sedangkan anak panah dari e2 menuju PBV menunjukan variance PBV yang tidak dapat dijelaskan oleh variabel VAIC dan ROA dan besarnya e2 = √

. Koefisien jalur adalah standardized koefisien regresi. Koefisien jalur dihitung

dengan membua dua persamaan structural yaitu persamaan regresi yang menunjukan hubungan yang di hipotesiskan. Dalam hal ini ada 2 persamaan tersebut, adalah : ROA = α + p2VAIC + e1

(3.1) PBV = α + p1VAIC + p3ROA + e2

Standardize koefisien untuk VAIC pada persamaan (1) akan memberikan nilai p2. Sedangkan koefisien untuk VAIC dan ROA pada persamaan (2) akan memberikan nilai p1 dan p3.

4. Sobel Test Hitung standar error dari koefisien indirect effect

5. Uji Hipotesis Ketepatan fungsi regresi sampel dalam menaksir nilai aktual dapat diukur dari Goodness of Fit. Secara statistik, setidaknya uji hipotesis ini dapat diukur dari nilai koefisien determinasi, nilai uji

F dan nilai uji t. Perhitungan statistik disebut signifikan secara statistik apabila hasil ujinya berada pada daerah H 0 ditolak. Sebaliknya, perhitungan tidak signifikan apabila hasil ujinya berada dalam daerah H 0 diterima (Ghozali, 2011,h. 97).

a. Uji Simultan (Uji F) Uji F ini dilakukan guna mengetahui pengaruh antara variabel-variabel yang digunakan dalam penelitian ini secara bersama-sama. Uji F ini dilakukan dengan membandingkan hasi l uji dengan nilai signifikansi α sebesar 0,05 (Ghozali, 2011,h. 98). Pengambilan keputusan:

Jika F hitung ≤ F tabel maka H 0 diterima. Jika F hitung > F tabel maka H 0 ditolak.

Pengambilan keputusan berdasar signifikansi: Jika signifikansi > alfa maka H 0 diterima.

Jika signifikansi ≤ alfa maka H 0 ditolak.

b. Koefisien Determinasi (R 2 )

2 Koefisien determinasi (R ) pada intinya mengukur seberapa jauh kemampuan model dalam menerangkan variabel-

variabel dependen. Nilai koefisien determinasi adalah 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, 2011,h. 97).

2 Misalkan R menunjukkan angka 0,65 maka dapat ditarik kesimpulan bahwa pada penelitian ini variabel independen

mempengaruhi variabel dependen sebesar 65% sedangkan sisanya sebesar 35% dipengaruhi oleh variabel lain yang tidak ada dalam penelitian.

c. Uji Parsial (Uji t) Pengujian ini dilakukan untuk melihat pengaruh variabel independen terhadap variabel dependen secara parsial dengan derajat keabsahan 5%. Pengambilan kesimpulannya adalah dengan melihat nilai sig yang dibandingkan dengan nilai α (5%) dengan ketentuan sebagai berikut (Ghozali, 2011,h. 98): Jika nilai Sig < α maka Hο ditolak Jika nilai Sig > α maka Hο diterima