Uji Normalitas Uji Asumsi Klasik

3.4.2. Sumber Data

Sumber data yang digunakan dalam penelitian ini diperoleh dan dikumpulkan melalui situs resmi BEI di www.idx.co.id yang diolah dari laporan keuangan perusahaan Otomotif yang terdaftar di Bursa Efek Indonesia selama periode 2009-2012.

3.4.3. Pengumpulan Data

Teknik pengumpulan data dalam penelitian ini menggunakan teknik dokumentasi, yang dilakukan dengan perbandingan dengan membaca buku-buku dan laporan keuangan dari perusahaan Otomotif yang terdaftar di Bursa Efek Indonesia.

3.5 Teknik Analisis dan Uji Hipotesis

3.5.1. Uji Normalitas

Uji normalitas digunakan untuk mengetahui apakah suatu data mengikuti sebaran normal atau tidak.Untuk mengetahui apakah data tersebut mengikuti sebaran normal atau tidak dapat dilakukan dengan berbagai metode, diantaranya metode Kolmogorov Smirnov Sumarsono, 2004: 40. Uji Kolmogorov Smirnov menentukan apakah skor dalam sampel berasal dari populasi yang memiliki distribusi teoritis, dimana distribusi teoritis adalah apa yang diharapkan sesuai dengan hipotesis nol H . a. Hipotesis: H : Data berdistribusi normal H 1 : Data tidak berdistribusi normal. Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. b. Keputusan: Tingkat signifikan 5 maka H diterima dan H 1 ditolak. Tingkat signifikan 5 maka H dan H 1 diterima.

3.5.2. Uji Asumsi Klasik

Persamaan regresi diatas tersebut harus bersifat BLUE Best Linear Unbrased Estimator artinya pengambilan keputusan uji F dan uji t tidak boleh bias. Untuk menghasilkan keputusan yang BLUE maka harus dipenuhi tiga asumsi klasik yaitu: 1. Non Autokorelasi tidak boleh ada korelasi 2. Non Multikolinearitas tidak boleh ada multiklinearitas 3. Homokedastisitas tidak boleh ada heteroskedasitisitas Berikut penjelasan ketiga asumsi klasik diatas:

1. Autokorelasi

Menurut Gujarati 1995: 201 autokorelasi dapat didefinisikan sebagai “korelasi antara data observasi yang diurutkan berdasarkan urut waktu data time series atau data yang diambil pada waktu tertentu data cross-sectional ”. Jadi dalam model regresi linear diasumsikan tidak terdapat gejala auto korelasi. Artinya nilai residual Y observasi – Y prediksi pada waktu ke- t ε t tidak boleh ada hubungan dengan nilai residual periode sebelumnya ε t-1 . . Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. Menurut Algifari 2000: 88 jika dalam suatu model regresi terdapat autokorelasi maka akan menyebabkan varians sampel tidak dapat menggambarkan varians populasinya dan model regresi yang dihasilkan tidak dapat digunakan untuk menaksir nilai variabel dependen pada nilai variabel independen tertentu. Identifikasi ada tidaknya gejala autokorelasi dapat di tes dengan menghitung nilai Durbin Watson. Berdasarkan jumlah sampel dan jumlah variabel independen menentukan d L Batas Bawah dan d U Batas Bawah berdasarkan table DurbinWatson Gujarati, 1995: 217 Langkah selanjutnya adalah menarik kesimpulan: NILAI d Kesimpulan 0 d d L d L ≤ d ≤ d L d U d 4 – d L 4 – d U ≤ d ≤ 4 – d L 4 – d L d 4 Ada korelasi positif Tidak ada kesimpulan Tidak ada autokorelasi Tidak ada kesimpulan Ada korelasi negatif

2. Multikolinieritas

Uji multikolnieritas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variable bebasindependen.Model regresi yang baik seharusnya tidak terjadi korelasi antara variable bebas.Jika Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. variable bebas saling berkorelasi, maka variable-variabel ini tidak orthogonal. Variable orthogonal adalah variable yang nilai korelasi antar sesame variable bebas sama dengan nol Gujarati, 2001: 57 Menurut Santoso 2002: 206 model regresi bebas dari multikolinieritas bila : a. Variance inflation factor VIF disekitar angka 1 atau lebih kecil dari10 b. Mempunyai angka tolerance mendekati 1.

3. Heteroskedastisitas

Pada regresi linear nilai residual tidak boleh ada hubungan dengan variabel X. hal ini bisa diidentifikasi dengan cara menghitung korelasi Rank Spearmen r s antara residual dengan seluruh variabel bebas. varian variable dalam model tidak sama konstan. Jika terdapat heteroskedastisitas maka akan menyebabkan penaksir yang diperoleh tidak efisien, baik dalam sampel kecil maupun besar, walaupun penaksir yang diperoleh menggambarkan populasinya dan bertambahnya sampel yang digunakan akan mendekati nilai sebenarnya. Ini disebabkan oleh varians yang tidak minimum Algifari, 2000: 85. Menurut Santoso 2002: 301 deteksi adanya heteroskedastisitas adalah: a. Nilai probabilitas 0,05 berari bebas dari heteroskedastisitas. b. Nilai probabilitas 0,05 berarti terkena heteroskedastisitas. Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

3.5.3 Teknik Analisis