Metode dan Teknik Analisis Data

saham Y diperdagangkan selama tahun berjalan Rasio

E. Metode dan Teknik Analisis Data

1. Pengujian Asumsi Klasik a. Uji Normalitas Menurut Gozali 2005: 110,”Uji Normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu memiliki distribusi normal”. Seperti diketahui bahwa uji t dan F mengasumsikan bahwa nilai residual mengikuti distribusi normal. Kalau asumsi ini dilanggar maka uji statistik menjadi tidak valid untuk jumlah sampel kecil. Ada dua cara untuk mendeteksi apakah residual berdistribusi normal atau tidak yaitu dengan analsis grafik dan uji statistik. 1 Analisis Grafik Salah satu cara termudah untuk melihat normalitas residual adalah dengan melihat grafik histrogram yang membandingkan antara data observasi dengan distribusi yang mendekati distribusi normal. Namun demikian hanya dengan melihat histogram hal ini dapat menyesatkan khususnya untuk jumlah sampel yang kecil. Metode yang lebih handal adalah dengan melihat normal probability plot yang membandingkan distribusi kumulatif dari distribusi normal. Distribusi normal akan membentuk satu garis lurus diagonal, dan ploting data residual akan dibandingkan dengan garis diagonal. Jika distribusi data residual normal, maka garis yang menggambarkan data sesungguhnya akan mengikuti garis diagonalnya. Universitas Sumatera Utara 2 Analisis Statistik Uji statistik lain yang dapat digunakan untuk menguji normalitas residua l adalah uji statistik non-parametrik. Kolmogorov-smirnovK-S. Uji KS dibuat dengan membuat hipotesis : Ho : data residua l berdistribusi normal, Ha : data residual tidak berdistribusi normal. b. Uji Multikolinieritas Uji Multikolinieritas bertujuan untuk menguji apakah dalam model regresi ditemukan korelasi antar variabel bebas. Model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel independen. Jika variabel independen saling berkorelasi, maka variabel-variabel ini tidak ortogonal. Variabel ortogonal adalah variabel independen sama dengan nol. Multikolineritas dapat juga dilihat dari 1 nilai tolerance dan lawannya 2 variance inflation factor VIF. Kedua ukuran ini menunjukkan setiap variabel independen manakah yang dijelaskan oleh variabel independen lainnya. Dalam pengertian sederhana setiap variabel independen menjadi variabel dependen dan diregres terhadap variabel independen lainnya. Tolerance mengukur variabilitas variabel independen yang terpilih yang tidak dijelaskan oleh variabel independen lainnya. Jadi nilai tolerance yang rendah sama dengan nilai VIF tinggi karena VIF=1 tolerance. Nilai cutoff yang umum dipakai untuk menunjukkan adanya multikolineritas adalah nilai tolerance 0.10 atau sama dengan nilai VIF 10. c. Uji Heteroskedastisitas Heteroskedastisitas merupakan situasi dimana dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Erlina 2007:108 menyatakan “jika varians dari residual satu pengamatan ke pengamatan Universitas Sumatera Utara lainnya tetap, maka disebut homoskedastisitas. Sebaliknya, jika varians berbeda, maka disebut heterokedasitas”. Ada tidaknya heteroskedastisitas dapat dilakukan dengan melihat grafik Scatterplot antar nilai prediksi variabel independen dengan nilai residualnya. Dasar analisis yang dapat digunakan untuk menentukan heteroskedastisitas, antara lain: 1. Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur bergelombang, melebar kemudian menyempit, maka mengindikasikan telah terjadi heteroskedastisitas, 2. Jika tidak ada pola yang jelas, seperti titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas atau terjadi homoskedastisitas. Menurut Gozali 2005:107 ”analisis dengan grafik plots memiliki kelemahan yang cukup signifikan oleh karena jumlah pengamatan mempengaruhi hasil ploting”. Semakin sedikit jumlah pengamatan semakin sulit menginterpretasikan hasil grafik plot. Oleh sebab itu diperlukan uji statistik yang lebih dapat menjamin keakuratan hasil”. Ada beberapa uji statistik yang dapat digunakan untuk mendeteksi ada tidaknya heteroskedastisitas, antara lain: 1. Uji Park, 2. Uji Glejser. d. Uji Autokorelasi Uji ini bertujuan untuk melihat apakah dalam suatu model regresi linear ada korelasi antar kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1 sebelumnya. Jika terjadi korelasi, maka dinamakan ada problem autokorelasi. Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu Universitas Sumatera Utara sama lainnya. Masalah ini timbul karena residual kesalahan pengganggu tidak bebas dari satu observasi ke observasi lainnya. Hal ini sering ditemukan pada data runtut waktu times series karena ”ganguan” pada seorang individu kelompok cenderung mempengaruhi ”gangguan” pada individu kelompok yang sama pada periode berikutnya. Pada data crossection silang waktu, masalah autokorelasi relatif jarang terjadi karena ”gangguan” pada observasi yang berbeda berasal dari individu . Kelompok yang berbeda berasal dari invidu kelompok yang berbeda. Model regresi yang baik adalah yang bebas dari autokorelasi. Ada beberapa cara yang dapat digunakan untuk mendeteksi masalah dalam autokorelasi di antaranya adalah dengan Uji Durbin Watson pada buku stastistik relevan. Menurut Sunyoto 2009:91, Pengambilan keputusan ada tidaknya autokorelasi adalah sebagai berikut: 1 angka D-W dibawah -2 berarti ada autokorelasi positif, 2 angka D-W diantara -2 sampai +2 berarti tidak ada autokorelasi, 3 angka D-W di atas +2 berarti ada autokorelasi negatif. 2. Uji Hipotesis Hipotesis diuji dengan menggunakan analisis regresi linear berganda, dengan persamaan sebagai berikut: Y = a + b 1 X 1 + b 2 X 2 + e Dimana: Y = Variable dependen Pertumbuhan Laba = PL a = Konstanta Universitas Sumatera Utara X 1 = Variabel independen 1 CAR X 2 = Variabel independen 2 BOPO b 1 = Koefisien regresi CAR b 2 = Koefisien regresi BOPO e = Tingkat error Hipotesis dalam penelitian ini menggunakan uji koefisien determinasi, uji F dan uji t. a. Uji Koefisien Determinasi Koefisien determinasi R 2 pada intinya mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel dependen. Nilai koefisien determinasi adalah antara nol dan satu. Nilai R² yang kecil berarti kemampuan variabel independen dalam menjelaskan variasi variabel dependen amat terbatas. Nilai yang mendekati satu berarti variabel-variabel independen memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variabel-variabel dependen,. Secara umum koefisien determinasi untuk data silang crossection relative rendah karena adanya variasi yang besar antara masing-masing pengamatan, sedangkan untuk data runtun waktu Time series biasanya mempunyai nilai koefisien determinasi yang tinggi. Koefisien determinan berkisar antara nol sampai dengan satu 0 ≤ R² ≤ 1. Hal ini berarti R²=0 menunjukkan tidak adanya pengaruh antara variabel independen terhadap variabel dependen, bila R² semakin besar mendekati 1 menunjukkan semakin kuatnya pengaruh variabel independen terhadap variabel dependen dan bila R² semakin kecil Universitas Sumatera Utara mendekati nol maka dapat dikatakan semakin kecilnya pengaruh variabel independen terhadap variabel dependen. b. Uji F Uji ini pada dasarnya menunjukkan apakah semua variabel independen yang dimasukkan dalam model ini mempunyai pengaruh secara bersama – sama terhadap variabel dependen. Bentuk pengujiannya : Ho: b1 = b2 = 0, artinya variabel independen secara simultan tidak berpengaruh terhadap variabel dependen. Ha: b1, b2, ≠ 0, artinya semua variabel independen secara simultan berpengaruh terhadap variabel dependen. Kriteria pengambilan keputusan : Jika probabilitas 0.05, maka Ha diterima Jika probabilitas 0.05, maka Ha ditolak c. Uji t Uji statistik t disebut juga sebagai uji signifikan individual. Uji ini menunjukkan seberapa jauh pengaruh variabel independen secara parsial terhadapn variabel dependen. Bentuk pengujiannya adalah : Ho:b1 = 0, artinya suatu variabel independen secara parsial tidak berpengaruh terhadap variabel dependen. Universitas Sumatera Utara Ha : b1 ≠ 0, artinya variabel independen secara parsial berpengaruh terhadap variabel dependen. Kriteria pengambilan keputusan : Jika probabilitas 0.05 maka Ha diterima Jika probabilitas 0.05, maka Ha ditolak. F. Jadwal Penelitian Tahapan Penelitian Jan, 2010 Feb-Mar 2010 Mei 2010 Jul-Agt 2010 Sept 2010 Pengajuan judul Bimbingan dan perbaikan proposasal Seminar Proposal Pengumpulan Data Pengelolahan dan analisis data Bimbingan skripsi Penyelesaian skripsi Universitas Sumatera Utara BAB IV ANALISIS HASIL PENELITIAN

A. Analisis Statistik Deskriptif