populasi secara keseluruhan berjumlah 22 perusahaan dan keseluruhan populasi dijadikan sebagai sampel amatan penelitian.
Tabel 4.2 Data Variabel Penelitian Tahun 2009dan 2010
Emiten
2009 2010
CSR DER
PBV CSR
DER PBV
ANTM 756302.0
0.26 1.29
223769.0 0.21
2.58
ADRO 1152866.0 1.41
1.11 2248640.0 1.43
3.17 ATPK
0.0 0.21
1.06 11159.0
0.34 1.45
SQMI 1707.0
0.68 1.74
0.0 1.07
2.12 BUMI
1222351.0 3.19 1.38
1971027.0 3.95 3.4
BYAN 161113.0
2.38 1.57
111032.0 1.95
7.8 BIPI
0.0 0.0
0.0 0.0
0.03 0.0
CNKO 3011.0
0.18 0.33
1055.0 0.34
0.39 CTTH
6000.0 3.46
1.35 15000.0
2.04 1.34
DOID 206183.0
0.19 9.62
0.0 33.04
59.51 ENRG
0.0 2.39
0.33 0.0
4.87 1.6
GTBO 0.0
0.12 0.0
0.0 0.76
0.71 INCO
1987351.0 0.21 1.15
353591.0 0.29
2.1 MEDC
109802.0 1.68
0.77 97923.0
1.85 1.05
PGAS 3206152.0 2.47
8.6 3185675.0 1.35
8.06 PTBA
908109.0 0.51
3.98 1592353.0 0.4
6.97 SUGI
0.0 0.11
2.3 1441.0
0.01 2.34
TINS 322297.0
0.51 1.42
42825.0 0.42
2.93 PKPK
8326.0 1.55
1.01 14648.0
1.59 0.99
ELSA 27096.0
1.04 0.53
456597.0 1.2
1.36 ITMG
1218248.0 0.61 1.8
1622748.0 0.52 4.85
INDY 467160.0
0.67 1.09
364614.0 1.19
2.17 Sumber : Diolah Peneliti 2011
4.2 Statistik Deskriptif
Statistik deskriptif ini memberikan gambaran mengenai nilai minimum, nilai maksimum, sertastandar deviasi dalam bentuk tabulasi sehingga mudah dipahami.
Universitas Sumatera Utara
Tabel 4.3 Statistik Deskriptif
Sumber : Diolah Peneliti 2011 Tabel 4.5 di atas menunjukkan bahwa variabel PBV, CSR, dan DER
minimumnol. Berikut ini perincian data deskriptif yang telah diolah: 1. Variabel CSR memiliki nilai minimum 0.00 dan nilai maksimum 3210000
dengan nilai rata-rata sebesar 542730 dengan jumlah sampel sebanyak 44 sampel,
2. Variabel PBV memiliki nilai minimum 0,00 dan nilai maksimum 59,51 dengan nilai rata-rata sebesar 3,6029 dengan jumlah sampel sebanyak 44 sampel,
3. Variabel ROE memiliki nilai minimum 0,00 dan nilai maksimum 33,04 dengan nilai rata-rata sebesar 1,8791 dengan jumlah sampel sebanyak 44 sampel.
4.3 Pengujian Asumsi Klasik
Descriptive Statistics
N Range
Minimum Maximum
Mean Std.
Deviation Variance
Statistic Statistic
Statistic Statistic
Statistic Std. Error
Statistic Statistic
Csr 44
3.21E6 .00
3.21E6 5.4723E5 1.29969E
5 8.62120E5
7.433E11 Pbv
44 59.51
.00 59.51
3.6209 1.34844
8.94453 80.005
Der 44
33.04 .00
33.04 1.8791
.74457 4.93893
24.393 Valid N
listwise 44
Universitas Sumatera Utara
Pengujian asumsi klasik dalam penelitian ini dilakukan dengan bantuan program statistik. Menurut Ghozali 2006:123 asumsi klasik yang harus dipenuhi
adalah: 1. Berdistribusi normal,
2. Non-multikolinearitas, artinya antara variabel independen dalam model regresi tidak memiliki korelasi atau hubungan secara sempurna ataupun mendekati
sempurna, 3. Non-autokorelasi, artinya kesalahan pengganggu dalam model regresi tidak
saling berkorelasi, 4. Homokedastisitas, artinya variance variabel independen dari satu pengamatan
ke pengamatan lain adalah konstan atau sama.
4.3.1 Uji Normalitas
Uji normalitas bertujuan untuk mengetahui varians pengganggu atau residual berdistribusi secara normal serta untuk menghindari adanya bias dalam
model regresi. Pengujian normalitas data dalam penelitian ini menggunakan uji statistik non-parametrikKolmogorov-SmirnovK-S, dengan membuat hipotesis:
H0 : Data residual berdistribusi normal Ha : Data residual tidak berdistribusi normal
Apabila nilai signifikansi lebih besar dari 0.05 maka H0 diterima, sedangkan jika nilai signifikansi lebih kecil dari 0.05 maka H0 ditolak.
Tabel 4.4 Hasil Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Universitas Sumatera Utara
csr der
Pbv N
44 44
44 Normal Parameters
a
Mean 5.4723E5
1.8791 3.6209
Std. Deviation 8.62120E5
4.93893 8.94453
Most Extreme Differences Absolute
.266 .352
.343 Positive
.266 .339
.328 Negative
-.263 -.352
-.343 Kolmogorov-Smirnov Z
1.762 2.334
2.274 Asymp. Sig. 2-tailed
.004 .000
.000 a. Test distribution is Normal.
Sumber : Diolah Peneliti 2011
Dari hasil pengolahan data tersebut, diperoleh bahwa data dalam penelitian ini tidak terdistribusi secara normal, dimana variabel dalam penelitian CSR, DER
dan PBV memiliki nilai signifikansi yang lebih kecil dari 0.05 5 yakni sebesar CSR 0.04, DER sebesar 0,00 sedangkan PBV 0,00 sehingga tidak dapat dilakukan
pengujian lebih lanjut. Untuk itu, perlu dilakukan tindakan perbaikan treatment agar model regresi memenuhi asumsi normalitas. Beberapa cara untuk mengubah
model regresi menjadi normal, menurut Jogiyanto 2004:172 terdapat tiga cara untuk menormalkan distribusi data, yaitu:
a. Melakukantransformasi data kebentuklain, yaitu logaritma natural, akar kuadrat, logaritma 10
b. Trimming, yaitu memangkas membuang observasi yang bersifat outlier, yaitu nilainya lebih kecil dari µ - 2
σ atau lebih besar dari µ + 2
σ, c. Winzorising, yaitu mengubah nilai-nilai outlier menjadi nilai-
nilai minimum atau maksimum yang diizinkan supaya distribusinya menjadi normal.
Universitas Sumatera Utara
Setelah melihat tabel 4.5 dapat disimpulkan bahwa perhitungan Kolmogorov-Smirnovmenunjukkan data tidak terdistribusi secara normal. Untuk
itu, peneliti melakukan transformasi data ke model akar kuadrat SQRT, hal ini di karenakan histogramnya menunjukkan moderate positive skewnwss
sehingga tranformasi yang harus dilakukan menggunakan akar kuadrat SQRT Ghazali, 2006 : 33. Kemudian data diuji ulang berdasarkan asumsi normalitas.
Berikut ini hasil pengujian dengan Kolmogorov-Smirnov.
Tabel 4.5 Hasil Uji Normalitas Setelah Transformasi AkarKuadrat
One-Sample Kolmogorov-Smirnov Test
UnstandardizedResidual N
44 Normal Parameters
a
Mean .0000000
Std. Deviation .79123196
MostExtremeDifferences Absolute
.117 Positive
.117 Negative
-.053 Kolmogorov-Smirnov Z
.775 Asymp. Sig. 2-tailed
.585
Universitas Sumatera Utara
One-Sample Kolmogorov-Smirnov Test
UnstandardizedResidual N
44 Normal Parameters
a
Mean .0000000
Std. Deviation .79123196
MostExtremeDifferences Absolute
.117 Positive
.117 Negative
-.053 Kolmogorov-Smirnov Z
.775 Asymp. Sig. 2-tailed
.585 a. Test distributionis Normal.
Sumber : Diolah Peneliti 2011
Dari tabel 4.5 dapat disimpulkan bahwa data dalam model regresi telah terdistribusi secara normal. Hal ini ditunjukkan dari signifikansi 0,585 0,05.
Sehingga dapat ditarik kesimpulan Ha ditolakdengan kata lain Ho diterima. Dengan demikian secara keseluruhan dapat disimpulkan bahwa nilai-nilai
observasi data telah terdistribusi secara normal dan dapat dilanjutkan dengan uji asumsi klasik lainnya. Untuk lebih jelasnya berikut ini turut dilampirkan grafik
histogram dan plot data yang terdistribusi normal:
Universitas Sumatera Utara
Gambar 4.1 Histogram
Sumber : Diolah Peneliti 2011
Dari grafik di atas dapat disimpulkan bahwa distribusi data normal karena grafik histogram menunjukkan distribusi data mengikuti garis diagonal yang tidak
menceng skewness kiri maupun menceng kanan atau normal. Demikian pula dengan hasil uji normalitas dengan menggunakan grafik plot
berikut ini:
Universitas Sumatera Utara
Gambar 4.2 Grafik Normal Plot
Sumber : Diolah Peneliti 2011
Pada grafik normal plot terlihat titik-titik menyebar di sekitar garis diagonal serta penyebarannya agak mendekati dengan garis diagonal sehingga dapat
disimpulkan bahwa data dalam model regresi terdistribusi secara normal.
4.3.2 Uji Multikolinearitas
Ghozali 2006:91 menyatakan “uji multikolinearitas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas
independen”. Multikolinearitas menunjukkan ada tidaknya variabel independen yang memiliki kemiripan atau hubungan dengan variabel independen lain dalam
Universitas Sumatera Utara
model regresi. Untuk mengetahui ada tidaknya multikolinearitas dapat dilihat dari nilai Variance Inflation Factor VIF, apabila nilai VIF 10 maka terjadi
multikolinearitas dan apabila VIF 10 maka tidak terjadi multikolinearitas.
Tabel 4.6 Hasil Uji Multikolinearitas
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
Collinearity Statistics B
Std. Error Beta
Tolerance VIF
1 Constan
t .223
.220 1.012
.317 sqcsr
.001 .000
.232 2.256
.029 1.000
1.000 sqder
.963 .138
.716 6.960
.000 1.000
1.000 a. Dependent Variable: sqpbv
Sumber : Diolah Peneliti 2011
Dengan demikian, dari data tabel 4.7 disimpulkan dalam model regresitidak terjadi multikolinearitas dengan dasar nilai VIF untuk setiap variabel independen
tidak ada yang melebihi 10 dan nilai tolerance tidak ada yang kurang dari 0.1, maka dapat dilakukan analisis lebih lanjut dengan menggunakan model regresi
berganda.
4.3.3 Uji Heterokedastisitas
Universitas Sumatera Utara
Ghozali 2006:105 menyatakan “uji heterokedastisitas bertujuan untuk mengetahui apakah dalam model regresi terjadi ketidaksamaan variance dari
residual satu pengamatan ke pengamatan lainnya”. Jika variance dari residual satu pengamatan ke pengamatan lainnya tetap, maka disebut homokedastisitas, dan
jika berbeda disebut heterokedastisitas. Model regresi yang baik adalah homokedastisitas atau tidak terjadi heterokedastisitas.
Dalam penelitian ini, untuk mendeteksi ada tidaknya gejalaheterokedastisitas adalah dengan melihat plot grafik yang dihasilkan dari
pengolahan data menggunakan program SPSS. Dasar pengambilan keputusannya adalah:
a. Jika ada pola tertentu, seperti titik-titik yang teratur, maka telah terjadi heterokedastisitas,
b. Jika tidak ada pola tertentu, serta titik-titik yang menyebar tidak tertentu, maka tidak terjadi heterokedastisitas atau terjadi homokedastisitas.
Berikut ini dilampirkan gambar scatterplot untuk menganalisis apakah terjadi heterokedastisitas atau terjadi homokedastisitas dengan mengamati
penyebaran titik-titik pada gambar.
Universitas Sumatera Utara
Gambar 4.3 Hasil Uji Heterokedastisitas
Sumber : Diolah Peneliti 2011
Dari gambar scatterplot terlihat bahwa titik-titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y. Hal ini dapat
disimpulkan bahwa tidak terjadi heterokedastisitas pada model regresi sehingga model layak dipakai dalam penelitian ini.
4.3.4 Uji Autokorelasi
Pengujian Autokorelasi menurut Ghozali 2006:95 “bertujuan untuk menguji apakah dalam model regresi linear ada korelasi pengganggu antara
kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1”. Autokorelasi menunjukkan adanya korelasi diantara data pengamatan yang
Universitas Sumatera Utara
tersusun baik seperti data crosssectional danatau timeseries. Autokorelasi menunjukkan adanya kesalahan pengganggu residual tidak bebas dari satu
pengamatan ke pengamatan lain. Jika terjadi autokorelasi dalam model regresi berarti koefisien korelasi yang diperoleh menjadi tidak akurat, sehingga model
regresi yang baik adalah model yang bebas dari autokorelasi. Untuk mengetahui adanya autokorelasi digunakan uji Durbin-Watson, dengan kriteria menurut Triton
P. B. 2006:158dalam Kusumadilaga 2010 dengan cara melihat besaran Durbin-Watson sebagai berikut:
a. Jika angka D-WdU, maka tidak ada autokorelasi, b. Jika angka D-WdU, maka terjadi autokorealsi,
c. Jika dLD-WdU, maka tidak dapat dideteksi apakah terjadi autokorelasi atau tidak.
Berikut ini hasil uji Durbin-Watson dengan menggunakan program SPSS:
Tabel 4.7 Hasil Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .753
a
.567 .545
.81030 2.092
a. Predictors: Constant, sqder, sqcsr b. Dependent Variable: sqpbv
Sumber : Diolah Peneliti 2011
Hasil uji autokorelasi di atas menunjukkan nilai statistik Durbin-Watson D- W sebesar 2.092. Nilai ini akan dibandingkan dengan nilai tabel dengan
menggunakan nilai signifikansi 5, jumlah sampel 44 dan jumlah variabel independen 2 K=2, maka di tabel Durbin-Watson di dapat nilai batas atas dU
Universitas Sumatera Utara
1.600 dan nilai batas bawah dL 1.391. Oleh karena itu, nilai DW lebih besar dari nilai dU 2.092 1.600 maka disimpulkan bahwa tidak terjadi autokorelasi.
4.4 Pengujian Hipotesis
