48
diserahkan ke Bursa Efek Indonesia dan download dari situs resmi Bursa Efek Indonesia. Data tersebut berupa laporan keuangan.
Data kuantitatif dinyatakan dalam bentuk angka-angka dan disajikan dalam bentuk table atas peghitungan-penghitungan matematis maupun
statistik.
3.3.2. Sumber Data
Sumber data yang digunakan dalam penelitian ini diperoleh dan dikumpulkan melalui situs resmi BEI di www.idx.co.id berupa laporan
keuangan perusahaan Food and Baverage yang terdaftar di Bursa Efek Indonesia selama periode 2006-2009.
3.3.3. Pengumpulan Data
Metode pengumpulan data yang digunakan adalah dokumentasi dengan cara melihat, mempelajari, dan mengutip catatan-catatan yang
diperoleh dari dokumen Bursa efek Indonesia berupa laporan keuangan perusahaan, indeks saham individual dan indeks saham gabungan periode
tahun 2006-2009.
3.4. Teknik Analisis dan Uji Hipotesis
3.4.1. Uji Out Layer
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
49
Uji outlayer merupakan salah satu alat uji yang dapat digunakan untuk menormalkan data. Kriteria dari uji outlayer adalah nilai Zscore yang
dihasilkan dari uji outlayer tidah boleh melebihi ±1,96. Jika setelah diuji nilai
Zscore data melebihi selang tersebut maka data tersebut harus dibuang. 3.4.2.
Uji Normalitas
Uji normalitas digunakan untuk mengetahui apakah suatu data mengikuti sebaran normal atau tidak. Untuk mengetahui apakah data
tersebut mengikuti sebaran normal dapat dilakukan dengan metode Kolmogorov Smirnov dengan menggunakan program SPSS Sumarsono,
2004: 40. Pedoman dalam mengambil keputusan apakah sebuah distribusi data
mengikuti distribusi normal adalah : Jika nilai signifikan nilai profitabilitasnya lebih kecil dari 5, maka
distribusi adalah tidak normal. Jika nilai signifikasi nilai profitabilitasnya lebih besar dari nilai 5,
maka distribusi adalah normal.
3.4.3. Uji Asumsi Klasik
Persamaan regresi diatas tersebut harus bersifat BLUE Best Linear Unbiased 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 autokorelasi
2. Non Multikolinearitas tidak boleh ada multikolinearitas
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
50
Ada Autokorelasi
Positif Daerah
Keragu – raguan
Daerah Keragu –
raguan Ada
Autokorelasi Negatif
Tidak ada autokorelasi positif dan tidak ada
autokorelasi negatif
3. Homoskedastisitas tidak boleh ada heteroskedasitisitas
Apabila salah satu dari ketiga asumsi tersebut dilanggar, maka persamaan regresi yang diperoleh tidak lagi bersifat BLUE. Sehingga
pengambilan keputusan melalui uji F dan uji t menjadi bias. Di bawah ini asumsi dasar dari BLUE, yaitu:
1. Autokorelasi
Menurut Gujarati dalam Habibi 2005, autokorelasi didefinisikan sebagai korelasi antara anggota serangkaian observasi yang diurutkan
menurut waktu seperti dalam data deretan waktu ruang seperti dalam data crossseetional. Jadi dalam model regresi linier diasumsikan tidak
terdapat gejala autokorelasi. Artinya nilai residual y observasi – y prediksi pada waktu ke t tidak boleh ada hubungan dengan nilai residual
periode sebelumnya e
t
– 1. Untuk mengetahui ada tidaknya gejala autokorelasi maka perlu dilihat tabel Watson dengan jumlah variabel
bebas k dan jumlah data n sehingga diketahui d ι dan dν maka dapat
diperoleh distribusi daerah keputusan ada atau tidak terjadi autokorelasi.
Gambar 3.1 Distribusi Daerah Keputusan Autokorelasi f d
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
51
d
L
d
u
4-d
u
4-d
L
4 Habibi,2005
Diagnosis adanya autokorelasi dalam suatu model regresi dilakukan melalui pengujian terhadap nilai uji Durbin – Watson Uji
DW dengan ketentuan sebagai berikut :
Tabel 3.1 Nilai Durbin Watson
Durbin Watson Test Kesimpulan
Kurang dari 1,08 1,08 s.d. 1,66
1,66 s.d. 2,34 2,34 s.d. 2,92
Lebih dari 2,92 Ada autokorelasi
Tanpa kesimpulan Tidak ada autokorelasi
Tanpa kesimpulan Ada autokorelari
Sumber : Algifari 2000 : 89 2.
Multikolinieritas
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
52
Multikolinieritas artinya adanya hubungan linier yang “sempurna” atau pasti diantara beberapa atau semua variabel yang
menjelaskan dari model regresi. Alat uji yang digunakan untuk mengetahui ada tidaknya multikolinieritas dalam penelitian ini dengan
melihat besarnya nilai variance inflation factor VIF. Dasar analisis yang digunakan yaitu jika nilai variance inflation
factor VIF 10, dan mempunyai angka tolerance mendekati 1 maka hal ini berarti dalam persamaan regresi tidak ditentukan adanya kolerasi
antar variabel bebas atau bebas multikolinieritas Ghozali, 2006: 96. 3.
Heteroskedastisitas Heteroskedastisitas bertujuan menguji apakah dalam model
regresi terjadi ketidaksamaan variance dari residual suatu pengamatan ke pengamatan yang lain. Jika variance dari residual suatu pengamat ke
pengamat yang lain tetap, maka disebut homoskedastisitas. Dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik adalah
model yang bersifat homoskedastisitas atau tidak terjadi heteroskedastisitas Ghozali, 2006: 125.
Menurut Santoso dalam Kussuwantoro 2010, deteksi adanya heteroskedastisitas adalah:
a. Nilai probabilitas 0,05 berarti bebas dari heteroskedastisitas.
b. Nilai probabilitas 0,05 berarti terkena heteroskedastisitas.
3.4.4. Teknik Analisis
