Uji Hipotesis Uji Normalitas Uji Asumsi Klasik

3.4.2 Uji Hipotesis

Langkah-langkah yang dilakukan dalam mengolah dan menganalisis data dengan teknik analisis regresi linier berganda adalah sebagai berikut :

1. Uji t

Uji t adalah uji yang digunakan untuk melihat pengaruh masing-masing variabel bebas secara parsial terhadap variabel terikat Widarjono,2005:58. Langkah-langkah yang dilakukan dalam uji t-hitung adalah : a. Merumuskan hipotesis Ho = β 1 = 0, tidak ada pengaruh yang signifikan dari variabel Xi terhadap variabel Y. Hi = β 1 ≠ 0, ada pengaruh yang signifikan β dari variabel Xi terhadap variabel Y. b. Menetapkan tingkat signifikansi atau tingkat kepercayaan α yaitu sebesar 5. c. Menentukan rumus distribusi t-hitung gujarati, 1995:78 t hitung = t hitung = t hasil perhitungan βi = koefisien regresi Se βi = Standar error d. Menentukan daerah penerimaan dan penolakan Ho dalam bentuk grafik e. Membandingkan t-hitung dengan t-tabel 1. Apabila t tabel ≤ t hitung ≤ t tabel maka Ho diterima dan Hi ditolak, artinya diduga ada pengaruh yang tidak signifikan antara variabel bebas dengan variabel terikat. 2. Apabila t hitung t tabel atau t hitung t tabel maka Ho ditolak dan Hi diterima, artinya diduga ada pengaruh yang signifikan antara variabel bebas dengan variabel terikat. f. Mengambil kesimpulan berdasarkan criteria pengujian diatas.

3.4.3. Uji Normalitas

Pengujian normalitas data penelitian adalah untuk menguji apakah dalam model statistik variabel-variabel penelitian berdistribusi tidak normal. Model regresi yang baik adalah memiliki distribusi normal atau mendekati normal. Untuk menguji apakah distribusi data normal atau tidak, salah satunya dengan menggunakan analisis grafik. Metode yang handal adalah dengan melihat normal probabilty plot, dimana pada grafik normal plot terlihat titik-titik menyebar disekitar garis diagonal serta penyebarannya mengikuti arah garis diagonal

3.4.4. Uji Asumsi Klasik

Persamaan regresi tersebut diatas harus bersifat BLUE Best,Linier,Unbiased,Estimator artinya pengambilan keputusan melalui uji F dan uji t tidak boleh bias. Menurut Sumodiningrat 2002: 115 sifat BLUE dapat dijelaskan sebagai berikut: 1. Best : Pentingnya sifat ini bila diterapkan uji signifikan baku terhadap α dan ß. 2. Linier : Sifat ini dibutuhkan untuk memudahkan dalam penaksiran. 3. Unbiased : Nilai jumlah sampel sangat besar penaksir parameter diperoleh dari sampel besar kira-kira lebih mendekati nilai parameter sebenarnya. 4. Estimate : e diharapkan sekecil mungkin. Untuk menghasilkan keputusan yang BLUE maka harus dipenuhi diantaranya tiga asumsi dasar. Tiga asumsi dasar yang tidak boleh dilanggar dalam regresi linier berganda yaitu : tidak terjadi multikolinieritas, tidak terjadi heteroskedastisitas, tidak terjadi autokorelasi.

1. Multikolinearitas

Persamaan regresi linier berganda di atas diasumsikan tidak terjadi pengaruh antar variable bebas. Apabila ternyata ada pengaruh linier antar variable bebas,maka asumsi tersebut tidak berlaku lagi terjadi bias. Untuk mendeteksi adanya multikolinieritas dapat diartikan dengan menghitung VIF Varians Inflation Factor dengan menggunakan rumus sebagai berikut Gujarati, 1995:171: VIF = var βΣxσ2 VIF menyatakan tingkat “pembekalan”varians. Apabila VIF 10 maka tidak terdapat multikolinieritas. Sebaliknya apabila VIF 10 maka terdapat multikolinieritas pada persamaan regresi linier.

2. Heteroskedastisitas

Heteroskedastisitas varians sama merupakan fenomena dimana pada bertujuan menguji apakah dalam model regresi terjadi ketid nilai variable independen tertentu masing-masing kesalahan ei mempunyai nilai varians yang sama besar sebesar σ², jika model yang di peroleh ternyata tidak memenuhi asumsiatau fenomena tersebut maka model tersebut terjadi heteroskedastisitas. Heteroskedastisitas ini mengakibatkan nilai-nilaiestimator koefisien regresi dari model tersebut tidak efisien meskipun estimator tersebut tidak bias dan konsisten. Pengujian terhadap adanya fenomena heteroskedstisitas dilakukan dengan menggunakan spearman’s Rank Corelation tes. Pengujian adanya fenomena heteroskedstisitas ini didasarkan pada hipotesis berikut ini Gujarati,1995:188: 1 6 1 2 2 1     N N d r s keterangan: di = perbedaan dalam rank antara residual dengan variable bebas ke i N = banyaknya data r s = koefisien korelasi

3. Autokorelasi

Dapat di definisikan sebagai korelasi antar data observasi yang diurutkan berdasarkan urut waktu data time series atau antara space untuk data cross section. Keberadaan autokorelasi dapat di tes dengan menghitung nilai durbin Watson d tes dengan rumus sebagai berikut gujarati,1995:215:          N t t t N t t t t e e e d 1 2 2 2 1 Keterangan : d = nilai durbin Watson el = residual pada waktu ke t-1 satu periode sebelumnya N = Banyaknya data a. apabila 4 – dW dU Ho diterima : jadi P = 0, berarti tidak ada autokorelasi pada model. b. Apabila 4 – dW dL Ho ditolak : jadi P = 0, berarti terdapat autokorelasi pada model. c. Apabila dL 4 – dW dU Uji ini hasilnya tidak konklusif, sehingga tidak dapat diketahui apakah terdapat autokorelasi atau tidak dalam model tersebut.

BAB IV HASIL PENELITIAN DAN PEMBAHASAN

4.1. Deskripsi Obyek penelitian 4.1.1. Sejarah Singkat Bursa Efek Indonesia Perkembangan Bursa di Indonesia dimulai dari pendirian Badan Pelaksana Pasar Modal Bapepam sebagai pengelola Bursa pada tahun 1977. Pada saat itu merupakan masa paling sulit bagi Bapepam untuk memperkenalkan dan mengembangkan Bursa di Indonesia. Dengan usaha yang begitu besar baik dari tenaga SDM maupun dari dana yang dikeluarkan oleh Pemerintah melalui Bapepam, untuk pengembangan Bursa di Indonesia nilainya cukup besar yang tidak mungkin dilakukan oleh pihak swastaSRO seperti dewasa ini. Pengembangan Bursa membutuhkan waktu kurang lebih 15 tahun untuk dapat menghasilkan 162 emiten. Baru setelah Bapepam berhasil mengembangkan Bursa di Indonesia dan Bursa sudah menjadi kebutuhan masyarakat Indonesia khususnya emiten dan investor, kemudian Bursa diswastanisasikan tahun 1992.