Teknik Pengujian Data

3.4 Teknik Pengujian Data

Untuk semua variabel dilakukan pengujian data dengan bantuan perangkat SPSS 16.0, yaitu.

3.4.1 Statistik Deskriptif

Statistik deskriptif terdiri dari penghitungan mean, standar deviasi maksimum dan minimum. Analisis ini dimaksudkan untuk memberikan gambaran mengenai distribusi dan perilaku data (Ghozali, 2006).

3.4.2 Uji Asumsi Klasik 3.4.2 Uji Asumsi Klasik

asumsi klasik, yaitu seperti berikut ini.

3.4.2.1 Uji Normalitas

Bertujuan untuk menguji apakah dalam model regresi variabel pengganggu atau residual memiliki distribusi normal. Model regresi yang baik adalah yang memiliki distribusi normal atau mendekati normal. Uji normalitas dapat dilakukan dengan dua cara yaitu dengan analisis grafik dan uji statistik. Salah satu cara termudah untuk melihat normalitas residual adalah dengan melihat grafik histogram yang membandingkan antara data observasi dengan distribusi yang mendekati normal. Namun demikian hanya dengan melihat histogram hal ini dapat menyesatkan khususnya untuk jumlah sampel yang kecil. Metode yang lebih handal adalah dengan melihat normal probability plot yang membandingkan distribusi kumulatif dari distribusi normal. Distribusi normal akan membentuk satu garis lurus diagonal. Jika distribusi data residual normal maka garis yang menggambarkan data sesungguhnya akan mengikuti garis diagonalnya. Selain menggunakan analisis grafik penelitian ini juga akan menggunakan analisis Kolmogorov-Smirnov . Suatu distribusi data dikatakan normal apabila nilai signifikansi hitung >0.05 (Ghozali, 2006).

3.4.2.2 Uji Heteroskedastisitas

Bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan

lain. Model regresi yang baik adalah yang terjadi homokedastisitas atau tidak terjadi heterokedastisitas. Jika variance dari residual satu pengamatan

homoskedastisitas dan jika berbeda disebut heteroskedastisitas. Untuk mendekteksi

menggunakan uji Glejser. Terdapat beberapa cara untuk mendeteksi ada atau tidaknya heteroskedastisitas yaitu dengan melihat grafik plot antara nilai prediksi variabel terikat (dependen) yaitu ZPRED dengan residualnya SRESID. Titik-titik yang menyebar secara acak pada grafik scatterplots baik di atas maupun di bawah angka 0 pada sumbu Y memperlihatkan bahwa tidak terjadi heteroskedastisitas (Ghozali, 2006).

3.4.2.3 Uji Autokerelasi

Bertujuan untuk menguji apakah dalam sebuah model regresi linear terdapat korelasi antara kesalahan pengganggu pada periode t atau waktu tertentu dengan t-1 (sebelumnya). Jika terjadi autokorelasi, maka dinamakan ada problem autokorelasi. Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lainnya. Masalah ini timbul karena residual (kesalahan penganggu) tidak bebas dari satu observasi ke observasi lainnya. Model regresi yang baik adalah regresi yang bebas dari autokorelasi. Pengujian autokorelasi dalam penelitian ini menggunakan uji Durbin-Watson

(DW test) dengan membandingkan Durbin Watson hitung dengan Durbin Watson tabel (Ghozali 2006).

3.4.2.4 Uji Multikolinieritas

Bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas (independen). Model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel independen. Jika variabel independen saling berkorelasi, maka variabel-variabel ini tidak orthogonal. Variabel orthogonal adalah variabel yang nilai korelasi antar variabel independen sama dengan nol. Konsekuensi adanya multikolinearitas ini adalah tidak validnya signifikansi variabel. Cara mendeteksi adanya multikolinearitas adalah dengan melakukan regresi antar variabel bebas, dengan menganalisis besaran Varians Inflaction Factors (VIF). Secara umum nilai tolerance yang dipakai adalah 0,10 atau sama dengan nilai VIF diatas 10. Jika nilai VIF dibawah 10 maka diantara variabel bebas tidak terdapat indikasi terjadi multikolinieritas (Ghozali, 2006).

3.4.3 Analisis Regresi

Metode analisis data yang digunakan dalam penelitian ini adalah model persamaan regresi berganda untuk menguji adanya pengaruh variabel independen terhadap variabel dependen.

Model analisis pengaruh kompensasi terhadap kinerja dan risk taking dalam penelitian ini dapat dijabarkan sebagai berikut.

Keterangan: Kompen =

Kompensasi yang diberikan kepada eksekutif terdiri dari logaritma natural kompensasi total (LnKomTot) dan logaritma

Kinerja diukur menggunakan dua pengukuran yaitu menggunakan Return On Assets (ROA) dan Return On Equity (ROE),

Risk_T =

Risk Taking diukur menggunakan tiga pengukuran yaitu Non Performing Loan (NPL), Standard Deviation ROA (SDROA) dan Standard Deviation ROE (SDROE),

EQTA =

Rasio Equity to Total Assets,

SOB =

dummy kepemilikan State Owned Bank,

FOB =

dummy kepemilikan Foreign Owned Bank,

Listed =

dummy bank yang terdaftar di Bursa Efek Indonesia,

konstanta,

koefisien regresi, dan

variabel penganggu.

3.4.4 Uji Ketepatan Perkiraan (Uji R Square)

Koefisien determinasi (R Square ) digunakan untuk mengukur

seberapa jauh kemampuan model untuk menerangkan variasi variabel seberapa jauh kemampuan model untuk menerangkan variasi variabel

R 2 di mana djika R 2 semakin mendekati 1, maka semakin kuat

kemampuan variabel independen dalam menjelaskan variabel dependen. Akan tetapi, dalam Ghozali (2006) dijelaskan mengenai kelemahan mendasar penggunaan koefisien determinasi yang bias terhadap jumlah variabel independen yang dimasukkan ke dalam model.

Setiap tambahan satu variabel independen, maka R Square pasti

meningkat tanpa mempedulikan variabel tersebut berpengaruh secara signifikan terhadap variabel dependen. Oleh karena itu, peneliti menggunakan nilai Adjusted R Square untuk mengevaluasi model regresi yang terbaik karena dalam model regresi yang digunakan menggunakan variabel independen dan variabel kontrol.