Surabaya BES ke Bursa Efek Jakarta BEJ dan berubah nama menjadi Bursa Efek Indonesia BEI.
Dari populasi yang ada, sampel diambil berdasarkan kriteria yang telah ditetapkan, yaitu sebanyak 10 perusahaan dengan 4 tahun pengamatan
sehingga berjumlah 40 unit analisis.
Metode analisis data yang digunakan dalam penelitian ini adalah metode analisis statistik yang menggunakan regresi linear berganda.
Pengujian asumsi klasik dan regresi dilakukan dengan menggunakan software SPSS versi 17. Proses pengolahan data dimulai dengan
memasukkan variabel-variabel penelitian ke program SPSS tersebut dan menghasilkan output-output sesuai metode analisis data yang telah
ditentukan.
4.2. Analisis Data Hasil Penelitian
4.2.1. Statistik Deskriptif
Analisis statistik deskriptif merupakan metode analisis yang digunakan untuk memberikan gambaran yang dilihat dari frekuensi
dan deskriptif minimum, maksimum, mean, standar deviasi dari setiap variable, baik variabel independen maupun variabel dependen.
Hasil analisis statistic deskriptif disajikan pada tabel berikut ini:
Universitas Sumatera Utara
Tabel 4.1.
Descriptive Statistics
N Minimum
Maximum Mean
Std. Deviation Free_Cash_Flow
40 -1.55
4.56 -.2747
.89932 Laba_Bersih
40 -752
677 79.30
231.948 Arus_Kas_Masa_Depan
40 1
672 168.95
175.990 Arus_Kas_operasi
40 1
915 187.08
226.059 Valid N listwise
40
Sumber: Hasil Pengolahan SPSS 17 2012
Berdasarkan table 4.1. dapat dideskripsikan sebagai berikut: 1. Variabel Arus kas operasi memiliki nilai minimum sebesar 1,
nilai maksimum sebesar 915, mean sebesar 187.08, dan standard deviation sebesar 226.059.
2. Variabel Free Cash Flow memiliki nilai minimum sebesar -1.55, nilai maksimum sebesar 4.56, mean sebesar -.2747 dan standard
deviation sebesar 0,89932. 3. Variabel Laba Bersih memiliki nilai minimum sebesar –0,752,
nilai maksimum sebesar 677, mean sebesar 79.30 dan standard deviation sebesar 231.948.
4. Variabel Arus Kas Masa Depan memiliki nilai minimum sebesar 1, nilai maksimum sebesar 672, mean sebesar 168.95 dan
standard deviation sebesar 175.990.
Universitas Sumatera Utara
4.2.2. Pengujian Asumsi Klasik
4.2.2.1. Uji Normalitas Data
Uji normalitas bertujuan untuk mengetahui apakah dalam model regresi, variable pengganggu atau residual
memiliki distribusi normal atau tidak. Uji normalitas dapat dilakukan dengan analisis grafik dan uji statistik.
Gambar 4.1. Grafik Histogram
Sumber: Hasil Pengolahan SPSS 17 2012
Dari gambar diatas terlihat bahwa pola distribusi normal, akan tetapi jika kesimpulan normal atau tidaknya data hanya dilihat dari grafik
histogram, maka hal ini dapat menyesatkan khususnya untuk jumlah sampel yang kecil. Metode lain yang digunakan dalam analisis grafik
Universitas Sumatera Utara
adalah dengan melihat normal probability plot yang membandingkan distribusi kumulatif dari distribusi normal. Jika distribusi data residual
normal, maka garis yang akan menggambarkan data sesungguhnya akan mengikuti garis diagonalnya. Uji normalitas dengan melihat Normal
Probability Plot dapat dilihat pada gambar berikut:
Gambar 4.2. Grafik Normal P-Plot
Sumber: Hasil Pengolahan SPSS 17 2012
Grafik probabilitas pada gambar 4.2 di atas menunjukkan data terdistribusi secara normal karena distribusi data residualnya terlihat
mendekati garis normalnya. Pengujian normalitas data secara analisis statistik dapat dilakukan dengan menggunakan uji kolmogorov – Smirnov.
Universitas Sumatera Utara
Data yang berdistribusi normal ditunjukkan dengan nilai signifikansi di atas 0,05 Ghozali, 2009:165. Hasil pengujian normalitas terlihat dalam
Tabel berikut ini:
Tabel 4.2. Hasil Uji Kolmogorov Smirnov
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual N
40 Normal Parameters
a,b
Mean .0000000
Std. Deviation 137.56524423
Most Extreme Differences Absolute
.136 Positive
.136 Negative
-.087 Kolmogorov-Smirnov Z
.863 Asymp. Sig. 2-tailed
.446 a. Test distribution is Normal.
b. Calculated from data.
Sumber: Hasil Pengolahan SPSS 17 2012 Berdasarkan tabel diatas menunjukkan bahwa data telah terdistribusi secara
normal. Hal ini ditunjukan dari hasil pengujian terlihat bahwa data telah terdistribusi normal dengan nilai signifikansi diatas 0,005 yaitu sebesar 0,446.
4.2.2.2. Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antara
variable bebas. Model regresi yang baik adalah yang tidak terjadi korelasi antara variabel-variabel independen. Uji
multikolinearitas pada penelitian ini dilakukan dengan
Universitas Sumatera Utara
melihat angka tolerance dan nilai VIF dari masing-masing variabel independen yang diuji.
Hasil pengujian multikolinearitas dalam penelitian ini disajikan sebagai berikut:
Tabel 4.3. Hasil Uji Multikolinearitas
Coefficients
a
Model Collinearity Statistics
Tolerance VIF
1 Arus_Kas_operasi
.827 1.209
free_Cash_Flow .988
1.013 Laba_Bersih
.825 1.212
a. Dependent Variable: Arus_Kas_Masa_Depan
Sumber: Hasil Pengolahan SPSS 17 2012
Dari hasil pengujian diatas dapat dilihat bahwa angka Tolerance Arus Kas Operasi, Free Cash Flow, dan Laba Bersih 0,10 dan VIF- nya
10 maka tidak ada multikolinearitas antar variabel independen tersebut.
4.2.2.3. Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk “menguji apakah model regresi terjadi ketidaksamaan varians dari
residual satu pengamatan ke pengamatan yang lain” Ghozali, 2007: 105. Model regresi yang baik adalah yang
homoskedastisitas, atau tidak terjadi heteroskedastisitas. Hasil pengujian heteroskedastisitas dapat dilihat
dari grafik scatterplot berikut ini:
Universitas Sumatera Utara
Gambar 4.3. Scatterplot
Sumber: Hasil Pengolahan SPSS 17 2012
Pada grafik scatterplot terlihat bahwa titik-titik menyebar secara acak serta tersebar baik di atas maupun di
bawah angka 0 pada sumbu Y, sehingga dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi.
4.2.2.4. Uji Autokorelasi
Uji autokorelasi bertujuan untuk “menguji apakah model regresi linear ada korelasi antara kesalahan
pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1” Ghozali, 2007: 95. Auto korelasi
Universitas Sumatera Utara
muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lainnya. Untuk mengetahui adanya
autokorelasi dilakukan dengan uji Durbin Watson. Hasil uji Durbin Watson disajikan dalam tabel
berikut ini:
Tabel 4.4. Uji
Durbin Watson
Sumber: Hasil Pengolahan SPSS 17 2012 Dari hasil uji autokorelasi Durbin – Watson dengan menggunakan
spss 18 maka diperoleh nilai DW sebesar 2,180. Dengan melihat kriteria Durbin – Watson yaitu 1,65DW2,35 maka dapat
disimpulkan tidak terjadi autokorelasi.
4.2.3. Koefisien Determinasi R2