Metode Analisis Data

3.4 Metode Analisis Data

Pengujian hipotesis untuk membuktikan pengaruh inflasi, kurs, dan BI rate terhadap RoA menggunakan analisis regresi linier berganda. Analisis ini menggambarkan hubungan linier antara dua atau lebih variabel independen (X1, X2, X3,.........Xn) dengan variabel dependen (Y). Analisis ini bertujuan untuk mengetahui arah hubungan antarvariabel apakah masing-masing variabel dependen masing-masing berhubungan positif atau negatif. Analisis ini juga bertujuan untuk memprediksi nilai variabel dependen apabila nilai variabel independen mengalami kenaikan atau penurunan. Teknik pengolahan data menggunakan komputer yang didukung dengan aplikasi SPSS. Persamaan regresi linear berganda dapat diformulasikan sebagai berikut:

Y= a + b1X1 + b2X2 + b3X3 + e

Keterangan:

Y = RoA perusahaan subsektor makanan dan minuman

A = Konstanta

X1 = Inflasi

X2 = Kurs

X3 = BI rate

b1, b2, b3 = koofisien regresi variabel independen

e = eror

Pengujian dilakukan dengan derajat signifikan sebesar 5% sedangkan tingkat keyakinannya sebesar 95%. Dalam regresi berganda, pengujian hipotesis harus menghindari kemungkinan penyimpangan asumsi-asumsi klasik. Tujuan pemenuhan asumsi klasik ini dimaksudkan agar variabel independen sebagai estimator atas variabel dependen tidak mengalami bias.

3.4.1 Uji Asumsi Klasik

Dalam analisis regresi, untuk menunjukan hubungan yang valid dan tidak bias diperlukan pengujian asumsi klasik terhadap model regresi yang digunakan. Tujuan lainnya adalah untuk memastikan bahwa model regresi yang digunakan mempunyai data yang terdistribusi secara normal, bebas dari gejala multikolinieritas, autokorelasi dan heterokedastisitas.

1. Uji Normalitas Uji Normalitas data dilakukan untuk melihat apakah suatu data terdistribusi secara normal atau tidak. Uji normalitas data dilakukan dengan melihat normal probability plot (P-Plot) yang membandingkan distribusi komulatif dari data yang sesungguhnya dengan distribusi kumulatif distribusi normal. Distribusi normal akan membentuk garis lurus diagonal dan ploting data akan dibandingkan dengan garis diagonal. Jika distribusi data normal, maka data sesungguhnya akan mengikuti garis diagonalnya (Ghozali, 2013).

Uji normalitas dilakukan dengan melihat penyebaran data (titik) pada sumbu diagonal atau grafik. Apabila data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal maka model regresi memenuhi asumsi normalitas. Apabila data menyebar jauh dari garis diagonal dan atau tidak mengikuti arah garis diagonal maka model regresi tidak memenuhi asumsi normalitas (Ghozali, 2013). Dasar pengambilan keputusan dari analisis probability plot adalah sebagai berikut:

a. Jika data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal menunjukan pola distribusi normal maka model regresi memenuhi asumsi normalitas.

b. Jika data menyebar jauh dari garis diagonal dan atau tidak mengikuti arah garis diagonal tidak menunjukan pola distribusi normal maka model regresi tidak memenuhi asumsi normalitas.

Untuk mendeteksi normalitas data, dapat juga dilakukan melalui analisis statistik Kolmogorov-Smirnov (K-S) yang dilakukan dengan membuat Untuk mendeteksi normalitas data, dapat juga dilakukan melalui analisis statistik Kolmogorov-Smirnov (K-S) yang dilakukan dengan membuat

2. Uji Multikolinieritas Dalam model regresi, uji multikolinieritas memiliki arti bahwa adanya hubungan linier sempurna atau mendekati sempurna di antara beberapa variabel atau semua variabel bebas. Jika variabel bebas berkolerasi sempurna maka disebut “multikolinieritas sempurna”. Penggunaan multikolinieritas menunjukan adanya derajat kolinieritas yang tinggi di antara variabel-variabel bebas borkorelasi sempurna. Dalam hal ini, metode kuadrat terkecil tidak bias untuk digunakan. Variabel dikatakan orthogonal jika variabel tersebut tidak berkolerasi. Untuk menguji apakah ada atau tidak multikolinieritas dalam suatu model, salah satu metode yang digunakan adalah dengan melihat nilai toleransi atau Variance Inflation Factor (VIF). Secara umum, jika nilai VIP lebih besar daripada 10, maka variabel itu memiliki masalah dengan variabel bebas lainnya (Ghozali, 2013).

3. Uji Autokorelasi Autokorelasi berguna untuk menguji apakah dalam sebuah model regresi linier berganda terdapat korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1 (sebelumnya). Jika terjadi korelasi, maka terdapat masalah autokorelasi. Autokorelasi sering ditemukan pada data time series. Untuk melihat ada atau tidaknya 3. Uji Autokorelasi Autokorelasi berguna untuk menguji apakah dalam sebuah model regresi linier berganda terdapat korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1 (sebelumnya). Jika terjadi korelasi, maka terdapat masalah autokorelasi. Autokorelasi sering ditemukan pada data time series. Untuk melihat ada atau tidaknya

Model regresi yang baik adalah model yang bebas dari autokorelasi. Autokorelasi juga dapat diketahui uji Durbin-Watson (DW test). Jika DW terletak di antara du dan 4-du maka tidak terjadi autokorelasi. Untuk mengetahui nilai du, kita bisa melihatnya pada tabel DW yang disesuikan dengan jumlah data dan variabel dependennya.

4. Uji Heteroskedastisitas Heteroskedastisitas menampilkan kondisi di mana variance dari residual suatu pengamatan ke pengamatan yang lain terjadi ketidaksamaan (Ghozali, 2013). Uji Heteroskedastisitas bertujuan untuk menguji apakah terjadi ketidaksamaan variance dari residual suatu pengamatan ke pengamatan yang lain dalam model regresi . Model regresi yang baik adalah yang tidak terjadi heterokedastisitas (homokedastisitas). Untuk melihat Heteroskedastisitas, dapat melalui grafik plot antara nilai prediksi variabel terkait dengan residualnya. Apabila pola pada grafik ditunjukkan dengan titik-titik menyebar secara acak (tanpa pola yang jelas) serta tersebar di atas dan di bawah 0 pada sumbu Y, maka dapat disimpulkan tidak ada heteroskedastisitas. Selain menggunakan grafik scatterplots, uji heteroskedastisitas juga adapt dilakukan dengan menggunakan Uji Glejser. Jika probabilitas signifikan >0.005 maka model regresi tidak terdapat heteroskedastisitas.

3.4.2 Uji Koefisien Determinasi (R²)

Koefisien ini menunjukan seberapa besar persentase variabel independen yang digunakan dalam model mampu menjelaskan variabel dependen. Jika R² sama dengan 0, tidak ada sedikuit pun persentase sumbangan pengaruh yang diberikan variabel independen terhadap variabel dependen. R² sama dengan 0 juga berarti variasi variabel independen yang digunakan dalam model tidak menjelaskan sedikit pun variasi variabel dependen. Jika R ² sama dengan 1, maka persentase sumbangan pengaruh yang diberikan variabel independen terhadap variabel dependen sempurna atau variasi variabel independen yang digunakan dalam model menjelaskan 100% variasi variabel dependen.

3.4.3 Pengujian Hipotesis

1. Uji statistik F ( F test ) Pengujian koefisien regresi secara simultan dilakukan dengan uji F. Pengujian ini dilakukan untuk mengetahui pengaruh semua variabel independen yang ada di dalam model secara simultan terhadap variabel dependen. Dengan signifikansi 5%, nilai rasio F masing-masing koefisien regresi kemudian dibandingkan dengan nilai tabel t. Jika Frasio > Ftabel atau prob-sig <a = 5% berarti bahwa masing-masing variabel independen berpengaruh secara positif terhadap dependen. Uji F digunakan untuk menguji signifikansi pengaruh laju inflasi, kurs, dan BI rate terhadap RoA perusahaan 1. Uji statistik F ( F test ) Pengujian koefisien regresi secara simultan dilakukan dengan uji F. Pengujian ini dilakukan untuk mengetahui pengaruh semua variabel independen yang ada di dalam model secara simultan terhadap variabel dependen. Dengan signifikansi 5%, nilai rasio F masing-masing koefisien regresi kemudian dibandingkan dengan nilai tabel t. Jika Frasio > Ftabel atau prob-sig <a = 5% berarti bahwa masing-masing variabel independen berpengaruh secara positif terhadap dependen. Uji F digunakan untuk menguji signifikansi pengaruh laju inflasi, kurs, dan BI rate terhadap RoA perusahaan

a. Merumuskan hipotesis Ho diterima jika tidak ada pengaruh variabel dependen secara simultan terhadap variabel dependen. Sedangkan Ha diterima jika terdapat pengaruh variabel independen secara simultan terhadap variabel dependen

b. Menentukan tingkat signifikansi yaitu sebesar 0.05 (α=0.05). Jika signifikansi di bawah 0.05 maka terdapat pengaruh signifikan variabel dependen secara simultan terhadap variabel dependen. Sebaliknya, jika diatas 0.05 maka tidak ada pengaruh.

c. Membandingkan F hitung dengan F tabel nilai F hitung jika:

1. Ho diterima bila F tabel besar atau sama jika dibandingkan dengan F hitung.

2. Ho ditolak jika F tabel lebih kecil daripada F hitung.

2. Uji Parsial ( t-test ) Pengujian terhadap koefisien regresi secara parsial dilakukan dengan uji t. Pengujian ini dilakukan untuk mengetahui signifikansi peran secara parsial antara variabel independen terhadap variabel dependen dengan mengasumsikan bahwa varibel independen lain dianggap konstan . Dengan tingkat signifikansi sebesar 95%, nilai t hitung masing-masing koefisien regresi kemudian dibandingkan dengan nilai t tabel. Jika t-hitung > t-tabel atau prob- sig < α = 5% berarti bahwa 2. Uji Parsial ( t-test ) Pengujian terhadap koefisien regresi secara parsial dilakukan dengan uji t. Pengujian ini dilakukan untuk mengetahui signifikansi peran secara parsial antara variabel independen terhadap variabel dependen dengan mengasumsikan bahwa varibel independen lain dianggap konstan . Dengan tingkat signifikansi sebesar 95%, nilai t hitung masing-masing koefisien regresi kemudian dibandingkan dengan nilai t tabel. Jika t-hitung > t-tabel atau prob- sig < α = 5% berarti bahwa