Uji Asumsi Klasik Analisis Statistik

Tiara Azhari Octaviani, 2012 Pengaruh Profitabilitas Dan Solvabilitas Terhadap Deviden Kas Pada Perusahaan Sub Sektor Plantation Yang Terdaftar Di Bursa Efek Indonesia Universitas Pendidikan Indonesia | repository.upi.edu perhitungan serta menjawab masalah yang diteliti dan menarik kesimpulan dari pengolahan data tersebut. Adapun teknik analisis data yang dilakukan oleh penulis adalah: 1. Menghitung besarnya variabel X 1 Profitabilitas dengan indikator Return On Equity ROE dengan membagi total laba bersih dengan total modal. 2. Menghitung besarnya variabel X 2 Solvabilitas dengan indikator Debt Equity Ratio DER dengan membagi laba bersih dengan jumlah lembar saham biasa. 3. Menghitung besarnya variabel Y Dividen Kas dengan indikator besarnya jumlah dividen kas yang dibagikan oleh emiten. 4. Melakukan pengujian variabel independen dan variabel dependen untuk menentukan jenis pemakaian alat statistik, apakah menggunakan statistik parametrik atau statistik non parametrik.

3.6.2 Analisis Statistik

Model regresi linear berganda multiple regression dapat disebut sebagai model yang baik jika model tersebut memenuhi kriteria best linear unbiased estimator BLUE. Kriteria tersebut dapat dicapai bila memenuhi beberapa asumsi yang selanjutnya disebut dengan asumsi klasik.

3.6.2.1 Uji Asumsi Klasik

1. Uji Normalitas Pengujian normalitas data penelitian adalah untuk menguji apakah dalam model statistik variabel-variabel penelitian berdistribusi normal atau tidak Tiara Azhari Octaviani, 2012 Pengaruh Profitabilitas Dan Solvabilitas Terhadap Deviden Kas Pada Perusahaan Sub Sektor Plantation Yang Terdaftar Di Bursa Efek Indonesia Universitas Pendidikan Indonesia | repository.upi.edu normal. Cara yang dapat digunakan untuk mengetahui apakah data terditribusi normal atau tidak adalah dengan menggunakan grafik normal probability plot. Apabila variabel berdistribusi normal maka penyebaran plot akan berada di sekitar dan di sepanjang garis 45. Berdasarkan grafik normal probability plot, maka variabel berdistribusi normal. 2. Uji Autokorelasi Uji autokorelasi bertujuan menguji apakah dalam suatu model regresi linear ada korelasi antara kesalahan pengganggu periode t dengan kesalahan pada periode t-1 sebelumnya. Jika terjadi korelasi, maka dinamakan ada problem autokorelasi. Untuk mendeteksi ada atau tidaknya autokorelasi digunakan untuk uji Durbin-Watson dimana hipotesis yang akan diuji adalah: H : Tidak ada autokorelasi r = 0 H i : Ada autokorelasi r ≠ 0 Bila nilai DW terletak antara batas atas atau upper bound du dan 4-du, maka koefisien atau korelasi sama dengan nol, berarti tidak ada korelasi Ghozali, 2001:61. 3. Uji Multikoleniaritas Uji ini bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas independen. Model regresi yang baik seharusnya bebas multikolinieritas atau tidak terjadi korelasi diantara variabel independen. Uji multikolinieritas dapat dilihat dari 1 nilai tolerance dan lawannya, 2 Variance Inflation Factor VIF. “Jika nilai tolerance lebih besar dari 0,1 atau nilai VIF lebih kecil dari 10, maka dapat disimpulkan tidak terjadi multikolinieritas pada data yang akan diolah ” Ghozali, 2001:57. Tiara Azhari Octaviani, 2012 Pengaruh Profitabilitas Dan Solvabilitas Terhadap Deviden Kas Pada Perusahaan Sub Sektor Plantation Yang Terdaftar Di Bursa Efek Indonesia Universitas Pendidikan Indonesia | repository.upi.edu 4. Uji Heteroskedastisitas Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan kepengamatan yang lain. Jika variance dari residual satu pengamatan kepengamatan yang lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut heteroskedastisitas. Untuk mendeteksi ada atau tidaknya heteroskedastisitas dapat dengan melihat grafik plot antara nilai prediksi variabel terikat ZPRED dengan residualnya SDRESID. Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas Ghozali, 2001:69.

3.6.2.2 Analisis Regresi Linier Berganda