Uji Normalitas Uji Asumsi Klasik

Jenis data yang digunakan dalam penelitian ini adalah data sekunder yaitu data yang diambil dari sumber data dokumentasi yang berupa laporan keuangan perusahaan dan prospektus perusahaan yang akan dijadikan sampel penelitian dari tahun 2005-2010.

3.3.2. Sumber Data

Sumber data yang digunakan dalam penelitian ini berasal dari Pusat Data Pasar Modal LPM GIKA di Jl. Dharmawangsa No. 86-88 Surabaya.

3.3.3. Pengumpulan Data

Teknik pengumpulan data yang digunakan adalah dokumentasi, yaitu suatu teknik pengumpulan data dengan mencatat, mengkopi, mempelajari dan menggunakan laporan keuangan pihak emiten yang menjadi sampel dalam penelitian ini.

3.4. Teknik Analisis dan Uji Hipotesis

3.4.1. Uji Normalitas

Uji normalitas digunakan untuk mengetahui apakah model regresi variabel terikat dan variabel bebas keduanya mempunyai distribusi normal atau tidak. Model regresi yang baik adalah memiliki distribusi data normal atau mendekati normal. Untuk mengetahui apakah data tersebut berdistribusi normal, dapat diuji dengan metode Kolmogorov Smirnov. Pedoman dalam mengambil keputusan apakah sebuah distribusi data mengikuti distribusi data normal: Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. 1. Jika nilai signifikan nilai probabilitasnya lebih kecil dari 5, maka distribusi data adalah tidak normal. 2. Jika nilai signifikan nilai probabilitasnya lebih besar dari 5, maka distribusi data adalah normal Sumarsono, 2004:43.

3.4.2. Uji Asumsi Klasik

Berdasarkan 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 ke tiga asumsi klasik ini : a. Tidak boleh ada multikolinearitas b. Tidak boleh ada heteroskedastisitas c. Tidak boleh ada autokorelasi 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. a. Multikolinearitas Multikolineritas merupakan suatu keadaan dimana terjadi satu atau lebih variabel bebas yang berkorelasi sempurna atau mendeteksi sempurna dengan variabel bebas lainnya Alghifari, 2000:84. Multikolinearitas berarti adanya hubungan linear yang “sempurna” atau pasti, di antara beberapa atau semua variabel yang menjelaskan dari model regresi Gujarati, 1999:157. Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. Menurut Ghozali 2001:57, deteksi adanya multikolinieritas dalam model persamaan regresi adalah dengan melihat besaran VIF Variance Influation Factor dan Tolerance. VIF dapat dihitung dengan rumus: Tolerance 1 = VIF VIF menyatakan tingkat “pembengkakan” varians, apabila jika VIF 10, maka terjadi multikolinieritas dan jika VIF 10, maka tidak terjadi multikolinieritas. b. Heteroskedastisitas Uji heteroskedastisitas bertujuan menguji apakah dalam model regresi tidak terjadi ketidaksamaan varians dari residual atau pengamatan ke pengamatan lainnya. Pada regresi linear, nilai residual tidak boleh ada hubungan dengan variabel independen. Diagnosis terhadap kemungkinan adanya heteroskedastisitas dalam suatu model regresi adalah dengan melakukan uji korelasi Rank Spearman. Untuk menguji Hetrokedastisitas dapat diketahui dari nilai signifikan Rank Spearman anatara masing-masing variable independen dengan risidualnya. Jika nilai signifikan lebih besar dari α 5 maka tidak terdapat Hetrokedastisitas, dan sebaliknya jika lebih kecil dari α 5 maka terdapat Hetrokedastisitas. a. Autokorelasi Autokorelasi dapat didefinisikan sebagai korelasi antar data observasi yang diurutkan berdasarkan urutan waktu data time series Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. atau data yang diambil pada waktu tertentu data cross-sectional. Identifikasi ada tidaknya gejala autokorelasi dapat di tes dengan menghitung nilai Durbin Watson DW tes . Berdasarkan jumlah sampel dan jumlah variabel independen menentukan nilai d L dan d U Gujarati, 1999:201.

3.4.3. Teknik Analisis