3.3 . Teknik Pengumpulan Data 3.3.1. Sumber dan Jenis Data
Jenis data yang digunakan dalam penelitian ini adalah data sekunder dan merupakan data kuantitatif yaitu laporan keuangan berupa laporan
laba rugi dan neraca pada perusahaan manufaktur food Beverages yang terdaftar di BEI selama periode 2007-2010.
3.3.2 Pengumpulan Data
Untuk memperoleh data-data diatas digunakan teknik pengumpulan data sebagai berikut:
1. Studi Pustaka Dalam penelitian ini studi pustaka diambil dari beberapa literatur dan artikel
yang relevan dengan permasalahan dan digunakan sebagai landasan teori. 2. Dokumentasi
Dalam penelitian ini dokumentasi dilakukan dengan mengumpulkan data laporan keuangan perusahaan yang terkait dengan penelitian.
3.4 Uji Normalitas Data
Uji normalitas digunakan untuk mengetahui apakah suatu data mengetahui apakah suatu data mengikuti sebaran normal atau tidak. Untuk
mengetahui apakah data tersebut mengikuti sebaran normal dapat dilakukan
dengan metode Kolmogorov Smirnov dan metode Shapiro Wilk, dengan menggunakan program SPPS 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 signifikan nilai profitabilitasnya lebih besar dari nilai 5 maka distribusi adalah normal.
3.5. Uji Asumsi Klasik
Pada uji asumsi klasik persamaan regresi harus bersifat BLUE Best Linear Unbiased Estimator
, artinya pengambilan keputusan melalui uji F dan uji t tidak boleh bias. Untuk menghasilkan keputusan yang BLUE maka
persamaan regresi harus memenuhi ketiga asumsi klasik ini: 1. Tidak boleh ada autokorelasi
2. Tidak boleh ada multikoliniertas 3. Tidak boleh ada heteroskedasitas
Apabila salah satu dari ketiga asumsi dasar tersebut dilanggar, maka persamaan regresi yang diperoleh tidak lagi bersifat BLUE, sehingga pengambilan
keputusan melalui uji F dan uji t menjadi bias Gujarati,1997:218.
3.5.1 Autokorelasi
Autokorelasi dapat didefinisikan sebagai “korelasi antar data observasi yang diurutkan berdasarkan urutan waktu data times series
atau data yang diambil pada waktu tertentu data cross- sectional” Gujarti,1999:201. Uji autokorelasi bertujuan untuk menguji apakah dalam
suatu model regresi linier ada korelasi pengganggu pada periode t dengan kesalahan pada periode t-l sebelumnya. Untuk menguji apakah terjadi
autokorelasi atau tidak, digunakan uji Durbin- Watson DW-Test, dengan ketentuan sebagai berikut:
a. Bila nilai DW terletak antara batas atas upper bound du dan 4-du, maka koefisien autokorelasi lebih besar dari pada nol, berarti ada
autokorelasi positif. b. Bila nilai DW lebih rendah dari pada batas bawah atau lower bound
dl,maka koefisiensi autokorelasi lebih besar dari pada nol, bearti tidak ada autokorelasi positif.
c. Bila DW lebih besar dari pada 4-dl, maka koefisiensi autokorelasi lebih kecil dari pada nol, berarti ada autokorelasi negatif.
d. Bila nilai DW terletak diantara batas atas du dan batas bawah dl atau DW terletak antara 4-du dan 4-dl, maka hasilnya tidak dapat
disimpulkan Ghozali, 2001:6.
3.5.2 Multikolinearitas
Persamaan regresi linier berganda diatas diasumsikan tidak terjadi pengaruh antar variabel bebas. Apabila ternyata ada pengaruh linier antara
variabel bebas, maka asumsi tersebut tidak berlaku lagi terjadi bias. Untuk mendeteksi adanya multikolinieritas dapat dilihat ciri-cirinya sebagai
berikut: a. Koefisien determinasi berganda Rsqure tinggi
b. Koefisien korelasi sederhananya tinggi c. Nilai F hitung tinggi signifikan
d. Tapi tak satupun diantara variabel bebas yang signifikan Akibatnya adanya multikolinier adalah:
1. Nilai standar eror galat baku tinggi sehingga taraf kepercayaan confidence
intervalnya akan semakin melebar. Dengan demikian, pengajuan koefisiensi regresi secara individu menjadi tidak signifikan.
2. Profitabilitas untuk menerima hipotesa Ho diterima tidak ada pengaruh antara variabel bebas terhadap variabel terikat akan semakin besar.
Identifikasi secara statistik ada atau tidaknya gejala multikolinear dapat dilakukan dengan menghitung koefisien korelasi product moment atau Variance
Factor VIF.
2
1 Rj
Q VIF
− =
Gujarati, 1999 : 339
VIF menyatakan tingkat “pembengkakan” varians. Apabila varians lebih besar dari 10. Hal ini berarti terdapat multikolinear pada persamaan regresi linear
Gujarati,1999:339.
3.5.3 Heteroskedastisitas
Pada regresi linear nilai-nilai residul tidak boleh ada hubungan dengan variabel X. Hal ini biasa diidentifikasi dengan cara menghitung korelasi
rank Spearman antara residul dengan seluruh variabel bebas.
1 {
6 1
2 2
− −
=
∑
N N
di rs
Keterangan: di =
Perbedaan dalam rank antara residual dengan variabel bebas ke- N =
Banyaknya data Menurut santoso,2002:301 deteksi adanya heteroskedastisitas adalah:
- Nilai profitabilitas
berati dari heteroskedastisitas -
Nilai probabilitas berarti terkena heteroskedastisitas
3.6 Teknik Analisis dan Uji Hipotesis