Metode Pengumpulan Data Jadwal Penelitian Data Penelitian Analisis regresi linier berganda

48 Sumbe r : diolah penulis , 2015 D ari 31 populasi perusahaan perbankan diatas, maka sampel yang memenuhi uji kriteria sebanyak 10 perusahaan perbankan sehingga data penelitian secara keseluruhan berjumlah 50 10 x 5 sampel.

3.4 Metode Pengumpulan Data

Metode pengumpulan data yang digunakan dalam penelitian ini adalah dokumentasi, yaitu peneliti melakukan pengumpulan data sekunder atau data yang diperoleh secara tidak langsung atau melalui media perantara yaitu internet melalui situs Bursa Efek Indonesia dengan melihat laporan keuangan yang diterbitkan setiap tahunnya baik dalam media cetak maupun data yang di download dari internet melalui www.idx.co.id. 3.5 Variabel Penelitian dan Definisi Operasional Variabel 3.5.1 Variabel penelitian 1. Variabel bebas independent variable 27 MAYA Bank Mayapada Internasional   - 28 MCOR Bank Windu Kentjana International   - 29 MEGA Bank Mega    8 30 NISP Bank OCBC NISP    9 31 PNBN Bank Pan Indonesia    10 49 “Variabel independen yaitu variabel yang mempengaruhi atau yang menjadi sebab perubahannya atau timbulnya variabel dependen” Sugiyono, 2008 : 59. Adapun variabel independen yang digunakan dalam penelitian ini adalah sebagai berikut : a. Ukuran perusahaanX 1 merupakan variabel penduga yang banyak digunakan untuk menjelaskan variasi pengungkapan dalam laporan tahunanperusahaan. Dalam penelitian ini ukuran perusahaan diukur dengan total aset perusahaan yang ditransformasikan dalam bentuk logaritma natural. Total aset dipandang lebih mampu memperlihatkan ukuran perusahaan dan relatif stabil karena perusahaan yang besar akan memiliki aset yang besar pula nilainya. b. Profitabilitas X 2 yang diukur dengan menggunakan rasio Return On AssetROA. Rasio ini dihitung sebagai berikut: Return On Asset = Laba bersih setelah pajak Total Aset c. Nilai perusahaan X 6 adalah persepsi investor terhadap perusahaan yang sering dikaitkan dengan harga saham yang tinggi dapat membuat nilai perusahaan juga tinggi. Nilai Perusahaan dalam penelitian ini adalah nilai yang di dapat dengan menggunakan rasio Tobin’s Q yang merupakan rasio dari nilai pasar asset perusahaan yang diukur oleh nilai pasar dari jumlah saham yang beredar dan 50 hutang enterprise value terhadap replacement cost dan aktiva perusahaan. Tobin’s Q dapat dihitung dengan rumus: � = EMV + D EBV + D

2. Variabel terikat dependent variable

“Variabel dependen adalah variabel yang dipengaruhi atau menjadi akibat karena adanya variabel bebas “Sugiyono, 2008 : 59. Dalam penelitian ini, yang menjadi variabel dependen adalah corporate social responsibility CSR. Pengukuran CSR mengacu ada 78 item pengungkapan . Pengukuran variabel ini dengan indeks pengungkapan sosial, selanjutnya ditulis CSR dengan membandingkan jumlah pengungkapan yang diharapkan. Pengungkapan sosial merupakan data yang diungkap oleh perusahaan berkaitan dengan aktifitas sosialnya yang meliputi 13 item lingkungan, 7 item energi, 8 item kesehatan dan keselamatan kerja, 29 item lain-lain tenaga kerja, 10 item produk, 9 item keterlibatan masyarakat, dan 2 item umum Dahlia dan Siregar,2008. Perhitungan variabel ini dilakukan oleh peneliti dengan mengukur pengungkapan sosial laporan tahunan yang dilakukan dengan pengamatan mengenai ada tidaknya suatu item informasi yang ditentukan dalam laporan tahunan dengan asumsi setiap yang diungkapkan pasti telah dilakukan, apabila item informasi tidak ada dalam laporan keuangan maka diberi skor 0, dan jika item informasi yang ditentukan ada dalam laporan 51 tahunan maka diberi skor 1. Metode pengukuran ini dinamakan dengan Checklist data. Pada variabel ini, perhitungan dilakukan oleh peneliti dengan menggunakan rumus indeks informasi sosial untuk menghitung pengungkapan sosial perusahaan, yaitu : Indeks Informasi Sosial = jumlah skor pengungkapan sosial jumlah skor maksimal

3. Variabel Pemoderasi

Variabel pemoderasi adalah variabel yang mempunyai pengaruh ketergantungan contingent effect yang kuat dengan hubungan variabel dependen dan variabel independen Sekaran, 2006. Variabel moderating merupakan variabel yang dapat memperkuat atau memperlemah hubungan antara satu variabel dengan variabel lain. Variabel moderasi dalam penelitian ini adalah good corporate governance yang diproksikan dengan : a. Ukuran dewan komisaris X 3 pada penelitian ini dihitung berdasarkan jumlah seluruh anggota dewan komisaris, baik yang berasal dari internal perusahaan maupun dari eksternal perusahaan sampel. UDK = Jumlah total anggota dewan komisaris b. Dewan direksi X 4 merupakan organ yang bertanggung jawab penuh atas kepengurusan perusahaan untuk kepentingan dan tujuan perusahaan serta 52 mewakili perusahaaan baik di dalam maupun di luar pengadilan. Variable dewan direksi pada penelitian ini diukur berdasarkan komposisi atau jumlah dari seluruh dewan direksi pada perusahaan sampel. c. Komite audit X 5 merupakan sekelompok orang yang dipilih untuk melaksanakan tugas tertentu yang memiliki tanggung jawab atas pengawasan terhadap direksi dan pemegang saham serta membantu auditor dalam mempertahankan independensinya dari manajemen. Dalam penelitian ini komite audit diukur dengan menggunakan jumlah anggota komite audit dalam suatu perusahaan.

3.5.2. Definisi operasional variabel

Operasional variabel penelitian ini dapat dilihat secara lebih lengkap pada tabel di bawah ini: TABEL 3.2 Definisi operasional Nama variabel Definisi Operasional Parameter Yang Digunakan Skala Ukuran perusahaan Merupakan total aset yang dimiliki perusahaan Ln Total Aset Rasio Profitabilitas ROA Rasio profititabilas adalah rasio yang menghubungkanlaba dari penjualan dan investasi laba bersih setelah pajak total a ��� Rasio Ukuran Dewan Komisaris organ penting dalam pengimplementasian good corporate UDK = Jumlah total anggota dewan komisaris Rasio 53 governance di suatu perusahaan yang mengawasi kebijaksanaan direksi dalam menjalankan perusahaan serta memberikan nasihat kepada direksi Dewan Direksi organ perseroan yang berwenang dan bertanggung jawab penuh atas pengurusan perseroan untuk kepentingan perseroan jumlah dari seluruh dewan direksi pada perusahaan sampel. Rasio Komite Audit organ tambahan yang diperlukan dalam melaksanakan Good Corporate Governance, yang dibentuk oleh dewan komisaris untuk membantu komisaris melakukan pemeriksaan atau penelitian yang dianggap perlu terhadap pelaksanaan fungsi direksi dalam pengelolaan suatu perusahaan jumlah anggota komite audit dalam suatu perusahaan Rasio Nilai Perusahaan persepsi investor terhadap perusahaan yang sering dikaitkan dengan harga saham yang tinggi dapat membuat nilai perusahaan juga tinggi � = EMV + D EBV + D Rasio CSR Data yang diungkap perusahaan berkaitan dengan aktivitas sosialnya jumlah skor pengungkapan sosial jumlah skor maksimal Indek s 54 Sumber : diolah Penulis, 2015

3.6 Metode Analisis Data

Metode analisis data dalam penelitian ini menggunakan analisis statistik dengan menggunakan software SPSS 17.Tahap awal yang dilakukan sebelum melakukan pengujian hipotesis yaitu uji asumsi klasik.Pengujian asumsi klasik yang dilakukan terdiri dari uji normalitas, uji multikolinieritas, uji heteroskedastisitas dan uji autokorelasi.Untuk pengujian hipotesis, dilakukan analisis uji t dan uji F.

3.6.1. Pengujian asumsi klasik

Penggunaan analisis regresi dalam statistik harus bebas dari asumsi asumsi klasik.Adapun pengujian asumsi klasik yang digunakan dalam penelitian ini adalah, uji normalitas, uji multikolinieritas, uji heteroskedastisitas dan uji autokorelasi.

1. Uji normalitas

“Uji normalitas bertujuan untuk menguji apakah variabel dalam model regresi variabel pengganggu atau residual memiliki distribusi normal” Ghozali, 2006 : 110. Model regresi yang baik adalah yang memiliki distribusi data normal atau mendekati normal.Histogram atau pola distribusi data normal dapat digunakan untuk melihat normalitas data. Uji Kolmogrov Smirnov, dalam uji pedoman yang digunakan dalam pengambilan keputusan yaitu: a. jika nilai signifikansi 0.05 maka distribusi data tidak normal, b. jika nilai signifikansi 0.05 maka distribusi data normal. 55 Menurut Ghozali 2006 : 112,“pada prinsipnya normalitas data dapat dideteksi dengan melihat penyebaran data titik pada sumbu diagonal dari grafik atau dengan melihat histogram dari residualnya”. Dasar pengambilan keputusan : 1 jika data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal atau grafik histogramnya menunjukkan pola distribusi normal, maka model regresi memenuhi asumsi normalitas, 2 jika data menyebar jauh dari diagonal dan atau tidak mengikuti arahgaris diagonal atau grafik histogram tidak menunjukkan pola distribusi normal, maka model regresi tidak memenuhi asumsi normalitas.

2. Uji multikolinieritas

Uji multikolinearitas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi di antara variabel independen.Model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel independen. Erlina dan Mulyani 2007 : 107, menyatakan “Multikolinearitas merupakan kondisi dimana terjadi korelasi antar variabel - variabel independen suatu penelitian atau dengan kata lain bersifat ortogonal”. Variabel - variabel independen yang bersifat ortogonal adalah variabel yang memiliki nilai korelasi di antara sesamanya sama dengan nol. Jika terjadi korelasi sempurna diantara sesama variabel independen, maka konsekuensinya adalah: a koefisien-koefisien regresi menjadi tidak dapat ditaksir 56 b nilaistandar error setiap koefisien regresi menjadi tak terhingga Jika terjadi korelasi, maka terdapat problem multikolinearitas.Pengujian dilakukan dengan nilai VIF Variance Inflation Factor dari model penelitian, jika nilai VIF di atas 2 maka dapat dikatakan bahwa telah terjadi gejala multikolinearitas dalam model penelitian. Di samping itu, “suatu model dikatakan terdapat gejala multikolinearitas, jika korelasi di antara variabel independen lebih besar dari 0.9” Ghozali, 2005 : 91. Menurut Ghozali 2005, cara yang dapat dilakukan jika terjadi multikolinearitas yaitu: 1. mengeluarkan salah satu atau lebih variabel independen yang mempunyai korelasi tinggi dari model regresi dan indentifikasi variabel independen lainnya untuk membantu prediksi 2. menggabungkan data cross section dan time series pooling data 3. menambah data penelitian.

3. Uji heteroskedastisitas

Menurut Situmorang et al. 2009 : 63, “Heteroskedastisitas dapat dikatakan sebagai suatu situasi dimana dalam sebuah grup terdapat varians yang tidak sama diantara sesama anggota grup tersebut”. Uji heteroskedastisitas digunakan untuk menguji apakah dalam suatu model regresi terjadi ketidaksamaan varians dari residual satu pengamatan ke pengamatan yang lain. Jika varians dari residual diantara pengamatan tersebut tetap, maka disebut 57 homokedastisitas.Cara yang digunakan untuk mendeteksi ada tidaknya heteroskedastisitas pada suatu model dapat dilihat dari pola gambar Scatterplot model tersebut. Analisis pada gambar Scatterplot yang menyatakan model regresi linier berganda tidak terdapat heteroskedastisitas jika: 1. Titik-titik data menyebar di atas dan di bawah atau di sekitar angka 0 2. Titik-titik data tidak mengumpul hanya di atas atau di bawah saja 3. Penyebaran titik-titik data tidak boleh membentuk pola bergelombang melebar kemudian menyempit dan melebar kembali 4. Penyebaran titik-titik data sebaiknya tidak berpola. Menurut Situmorang, et.al. 2009 : 76, ada dua cara perbaikan heteroskedastisitas, yaitu : 1. Bila varians �2� diketahui, maka metode yang digunakan adalah dengan cara kuadrat terkecil tertimbang yang meminimumkan pentingnya observasi yang penting dengan memberikan bobot pada observasi tadi secara proporsional dengan kebalikan dari variansnya. 2. Bila varians �2� tidak diketahui, dimana pengetahuan mengenai �2� biasanya merupakan hal yang jarang dimiliki. Sebagai akibatnya, orang biasanya membuat suatu asumsi yang masuk akal mentransformasikan data atau membuat gangguan disturbance 58 data yang telah ditransformasikan bersifat homokesdastisitas. Misal model persamaannya: Y = b0 + b1X1 + b2X2 + b3X3+ b4Z ditransformasikan menjadi: LogY = b0 + b1logX1 + b2logX2 + b3logX3 + b4logZ

4. Uji autokorelasi

“Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi linier ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1 sebelumnya” Ghozali, 2006 : 95. Autokorelasi muncul karena observasi yang berurutan sepanjang tahun yang berkaitan satu dengan yang lainnya.Hal ini sering ditemukan dalam time series.Ada beberapa cara untuk menguji adanya autokorelasi seperti metode grafik, uji LM, Uji Runs dan lain-lain. Uji Durbin-Watson hanya digunakan untuk autokorelasi tingkat satu first autocorelation dan mensyaratkan adanya intercept konstanta dalam model regresi dan tidak ada variabel lagi diantara variabel dependen. Kriteria untuk penilaian terjadinya autokorelasi yaitu: 1 angka D-Wdi bawah -2 berarti ada autokorelasi positif 2 angka D-Wdi antara-2 sampai+2 berarti tidak ada autokorelasi 3 angka D-Wdi atas +2 berarti ada autokorelasi negatif Menurut Situmorang et al.2009 : 78, Autokorelasi dapat di definisikan sebagai suatu keadaan dimana adanya korelasi diantara anggota serangkaian observasi yang diurutkan menurut waktu time series atau ruang 59 crosssection. Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lain. Masalah ini timbul dikarenakan residual atau kesalahan pengganggu tidak bebas dari satu observasi ke observasi lainnya.Model regresi yang baik adalah regresi yang bebas dari autokorelasi. Pada penelitian ini, uji autokorelasi dideteksi dengan uji Durbin- Watson, karena uji ini yang umum digunakan. Uji ini hanya digunakan untuk autokorelasi tingkat pertama first order autokorelasi dan mensyaratkan adanya intercept konstanta dalam model regresi.

3.7 Pengujian Hipotesis Penelitian

Pengujian hipotesis dalam penelitian ini dilakukan dengan analisis regresi berganda, uji sgnifikansi t-test serta uji signifikansi f-test. Menurut Rochaety, dkk 2007 : 107 “ …dengan uji hipotesis kita memusatkan perhatian pada peluang kita membuat keputusan yang salah. Hipotesis diterima atau ditolak berdasarkan informasi yang terkandung dalam sampel tetapi menggambarkan keadaan populasi”.

3.7.1 Analisis regresiberganda

Model persamaan regresi yang akan diuji adalah sebagai berikut: Y= a + b1X1 + b2X2 + b3X3 + e Y = a + b1X1+ b2X2 + b3X3 + b4Z + b5X1.Z + b6X2.Z + b7X3.Z + e Keterangan : Y : CSR a : Konstanta 60 b1, b2, b3 : Koefisien regresi X1 : ukuran perusahaan X2 : ROA X3 : nilai perusahaan Z :good corporate governance e : Error 3.7.2 Uji signifikansi parsial t-test Menurut Ghozali 2006 : 84 “uji statistik t pada dasarnya menunjukkan seberapa jauh pengaruh satu variabel penjelasindependen secara individual dalam menerangkan variabel dependen”. Uji t merupakan suatu cara untuk mengukur apakah suatu variabel independen bukan merupakan penjelas yang signifikan terhadap variabel dependen. Dalam pengujian ini dilakukan dengan menghitung serta melihat nilai signifikansinya yaitu dengan ketentuan sebagai berikut: Ho diterima jika signifikansi 0.05 Ha diterima jika signifikansi 0.05

3.7.3 Uji signifikasi simultan F-test

Uji F digunakan untuk menunjukkan apakah semua variabel independen yang dimasukkan dalam model memiliki pengaruh secara bersama-sama terhadap variabel dependen.Uji ini digunakan untuk melihat pengaruh variabel independen yaituukuran perusahaan, ROA, ukuran dewan komisaris, dewan 61 direksi, komite audit, dan nilai perusahaan berpengaruh terhadap CSR secara simultan. Bentuk pengujiannya adalah : Ho : b1 = 0, artinya suatu variabel independen secara simultan tidak berpengaruh terhadap variabel dependen. Ha : b1 ≠ 0, artinya suatu variabel independen secara simultan berpengaruh terhadap variabel dependen. Kriteria pengambilan keputusan : Ho diterima jika signifikansi 0.05 Ha diterima jika signifikansi 0.05

3.7.4 Uji koefisien determinasi

Nilai Koefisien Korelasi R menunjukkan seberapa besar korelasi atau hubungan antara variabel-variabel independen dengan variabel dependen. Koefisien korelasi dikatakan kuat apabila nilai R diatas 0,5 dan mendekati 1. Koefisien determinasi R square menunjukkan seberapa besar variabel dependen. Nilai R square adalah nol sampai dengan satu, apabila nilai R square semakin mendekati satu, maka variabel – variabel independen memberikan semua informasi yang dibutuhkan untuk memprediksi variasi- variabel dependen.

3.7.5 Analisis Regresi Moderasi Moderated Regression Analysis

Tujuan analisis ini untuk mengetahui apakah variabel moderating akan memperkuat atau memperlemah hubungan antara variabel independen dan 62 variabel dependen. Terdapat tiga model pengujian regresi dengan variabel moderating, yaitu uji interaksi MRA, uji nilai selisih mutlak, dan uji residual. Dalam penelitian ini akan digunakan uji MRA, hipotesis moderating diterima jika variabel pemoderasi good corporate governancemempunyai pengaruh signifikan terhadap CSR.

3.8 Jadwal Penelitian

Jadwal penelitian yang telah dirancang oleh peneliti adalah sebagai berikut Tabel 3.3 Jadwal Penelitian No Tahapan Penelitian April 2015 Mei 2015 Juni 2015 Keterangan 1 Pengajuan proposal skripsi 1 minggu 2 Bimbingan proposal skripsi 1 minggu 3 Seminar proposal 1 minggu 3 Pengumpulan data 1 minggu 4 Pengolahan data 1 minggu 5 Bimbingan skripsi 1 minggu 6 Penyelesaian penulisan laporan penelitian 2 minggu 7 Sidang skripsi 1 minggu Sumber : diolah penulis, 2015 63 BAB IV ANALISIS HASIL PENELITIAN DAN PEMBAHASAN

4.1 Data Penelitian

Populasi yang diteliti dalam penelitian ini adalah perusahaan perbankan yang terdaftar di Bursa Efek Indonesia BEI selama tahun 2009 - 2013.Perusahaan yang dijadikan sampel berjumlah 10 perusahaan, sehingga data penelitian secara keseluruhan berjumlah 50 10 x 5 sampel.Daftar perusahaan yang telah ditentukan dapat dilihat pada lampiran.

4.2 Analisis Hasil Penelitian

4.2.1 Statistik deskriptif

Statistik deskriptif dalam penelitian ini hanya mendeskripsikan sampel dan tidak membuat kesimpulan yang berlaku untuk populasi dimana sampel 64 diambil. Menurut Ghozali 2006 : 78, “statistik deskriptif memberikan gambaran atau deskripsi suatu data yang dapat dilihat dari rata-rata mean, standar deviasi, varian, maksimum, minimum, sum, range dan kemencengan distribusi”. Statistik deskriptif akan dijelaskan dalam tabel berikut ini. Tabel 4.1 Descriptive Statistics N Minimum Maximum Mean Std. Deviation CSR 50 .14 .91 .4958 .21812 SIZE 50 28.58 34.22 32.0011 1.28404 ROA 50 -.1600 .0500 .011306 .0272703 FV 50 .70 1.41 .9472 .14898 UDK 50 2 9 6.22 1.776 Direksi 50 4 12 9.24 2.218 KA 50 3 6 4.22 1.148 Valid N listwise 50 Sumber :Output SPSS, diolah Penulis, 2015 Berdasarkan data dari tabel 4.1 dapat dijelaskan bahwa : a. Variabel size X 1 memiliki sampel N sebanyak 50 dengan nilai minimum terkecil 28.58, nilai maksimum terbesar 34.22 dan 65 meannilai rata-rata 32.0011. Standar Deviationsimpangan baku variabel ini adalah 1.28404. b. Variabel ROA X 2 memiliki sampel N sebanyak 50 dengan nilai minimum terkecil -0.16, nilai maksimum terbesar 0.05 dan mean nilai rata-rata 0.11306. Standar Deviationsimpangan baku variabel ini adalah 0.272703. c. Variabel nilai perusahaan X 3 memiliki sampel N sebanyak 50 sampel dengan nilai minimum terkecil 0.70, nilai maksimum terbesar 1.41 dan mean nilai rata-rata 0.9472. Standar Deviation simpangan baku variabel ini adalah 0.14898. d. Variabel ukuran dewan komisaris Z 1 memiliki sampel N sebanyak 50 sampel dengan nilai minimum terkecil 2, nilai maksimum terbesar 9 dan mean nilai rata-rata 6.2. Standar Deviation simpangan baku variabel ini adalah 1.776. e. Variabel dewan direksi Z 2 memiliki sampel N sebanyak 50 sampel dengan nilai minimum terkecil 4, nilai maksimum terbesar 12 dan mean nilai rata-rata 9.24. Standar Deviation simpangan baku variabel ini adalah 2.218. f. Variabel komite audit Z 3 memiliki sampel N sebanyak 50 sampel dengan nilai minimum terkecil 3, nilai maksimum terbesar 6 dan mean nilai rata-rata 4.22. Standar Deviation simpangan baku variabel ini adalah 1.148. 66 g. Variabel CSR Y memiliki sampel N sebanyak 50 dengan nilai minimum terkecil 0.14, nilai maksimum terbesar 0.91 dan meannilai rata-rata 0.958. Standar Deviationsimpangan baku variabel ini adalah 0.21812. h. Jumlah sampel yang ada sebanyak 50 sampel.

4.2.2 Uji asumsi klasik

Syarat yang menjadi dasar penggunaan model regresi berganda dengan metode estimasi Ordinary Least SquareOLS adalah dipenuhinya semua asumsi klasik, agar hasil pengujian bersifat tidak bias dan efisien Best Linear Unbiased Estimator. Bestartinya yang terbaik, dalam arti garis regresi merupakan estimasi atau ramalan yang baik dari suatu sebaran data. Garis regresi merupakan cara memahami pola hubungan antara dua seri data atau lebih. Garis regresi adalah bestjika garis itu menghasilkan erroryang terkecil. Erroritu sendiri adalah perbedaan antara nilai observasi dan nilai yang diramalkan oleh garis regresi. Jika best disertai sifat unbiased, maka estimator regresi disebut efisien. Estimator regresi akan disebut linear apabila, estimator itu merupakan fungsi linear dari sampel. Pengujian asumsi klasik dalam penelitian ini dilakukan dengan bantuan program statistik.Menurut Ghozali 2006 : 123, asumsi klasik yang harus dipenuhi adalah: • Berdistribusi normal. • Non-Multikolinearitas, artinya antara variabel independen dalam model regresi tidak memiliki korelasi atau hubungan secara sempurna ataupun mendekati sempurna. 67 • Non-Autokorelasi, artinya kesalahan pengganggu dalam model regresi tidaksaling berkorelasi. • Non-Heterokedastisitas, artinya variance variabel independen dari satu pengamatan ke pengamatan lain adalah konstan atau sama.

1. Uji normalitas

Uji data statistik dengan model Kolmogorov-Smirnov dilakukan untuk mengetahui apakah data sudah terdistribusi secara normal atau tidak . Ghozali 2006 : 115, memberikan pedoman pengambilan keputusan rentang data mendekati atau merupakan distribusi normal berdasarkan uji Kolmogorov Smirnov yang dapat dilihat dari: Tabel 4.2 One-Sample Kolmogorov-Smirnov Test Unstandardiz ed Residual N 50 Normal Parameters a Mean .0000000 Std. Deviation .20168324 Most Extreme Differences Absolute .124 Positive .124 Negative -.119 Kolmogorov-Smirnov Z .875 Asymp. Sig. 2-tailed .428 a. Test distribution is Normal. Sumber :Output SPSS, diolah Penulis, 2015 Dari tabel 4.2 diatas menunjukkan bahwa hasil pengujian statistik dengan menggunakan model Kolmogorov-Smirnov menunjukkan bahwa data telah 68 terdistribusi secara normal.Hal tersebut dapat dilihat dari hasil Asymp.Sig. 2- tailed sebesar 0.428 yaitu lebih besar dari 0.05.Sesuai dengan ketentuan rentang data yang telah ditentukan diatas, maka data terdistribusi normal. Berikut hasil uji normalitas dengan menggunakan Histogram: Gambar 4.1 Uji Normalitas Data Sumber : Output SPSS, diolah Penulis, 2015 Dengan melihat gambar 4.1 tampilan histogram, dapat disimpulkan bahwa grafik yang ditunjukkan dalam histogram membentuk pola yang simetris 69 artinya pola yang tidak mencondong ke kanan maupun ke kiri.Hal ini menunjukkan bahwa data yang diperoleh dan diolah telah terdistribusi secara normal.

2. Uji multikolinieritas

Ada atau tidaknya multikolinieritas dalam model regresi, dapat dilihat dari nilai tolerance dan lawannya.nilai variance Inflatin Factor VIF. Kedua ukuran ini menunjukkan setiap variabel independen manakah yang dijelaskan oleh 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 yang tinggi karenaVIF =1tolerance. Nilai cut off yang umum dipakai untuk menunjukkan adanya mutikolineritas adalah nilai Tolerance 0,10 atau sama dengan VIF 10 Ghozali, 2006: 91. Tabel 4.3 Hasil Uji Multikolinearitas Coefficients Model Collinearity Statistics Tolerance VIF 1 Constant SIZE .697 1.436 ROA .726 1.377 FV .952 1.051 a. Dependent variable: CSR Sumber : Output SPSS, diolah penulis, 2015 Pada penelitian ini, penulis menggunakan uji multikoliniearitas untuk mendeteksi apakah terdapat gejala multikolinearitas dalam penelitian yaitu 70 dengan melihat besaran korelasi antar variabel independen dan besarnya tingkat kolinearitas yang masih dapat ditoleransi. Berdasarkan tabel 4.3 diatas, dapat disimpulkan bahwa penelitian ini bebas dari adanya multikolinearitas. Hasil penelitian menunjukkan bahwa masing–masing variabel independen yang digunakan dalam penelitian, memiliki nilai Tolerance yang lebih besar dari 0.10 yaitu nilai tolerance SIZE sebesar 0.697, nilai tolerance ROA sebesar 0726, dan nilai tolerance FV sebesar 0.952. Perhitungan VIF juga menunjukkan hal yang sama, dimana variabel independen memiliki nilai VIF yang kurang dari 10 yaitu nilai VIF untuk SIZE sebesar 1.436, nilai VIF untuk ROA sebesar 1.377, dan nilai VIF untuk FV sebesar 1.051. Maka dari hasil tabel secara keseluruhan menunjukkan bahwa tidak terdapatnya multikolinearitas antar variabel independen dalam model ini.

3. Uji Heterokedatisitas

Uji heteroskedastisitas bertujuan untuk melihat apakah dalam model regresi terdapat ketidaksamaan variansdari residual satu pengamatan ke pengamatan lainnya. Jika varians yang satu dengan pengamatan yang lain tetap maka disebut homokedastisitas dan jika varians nya berbeda maka disebut heteroskedastisitas. Ghozali 2006 : 105 menyatakan bahwa “model regresi yang baik adalah tidak terjadi heteroskedastisitas”. Dalam penelitian ini, untuk mendetaksi ada atau tidaknya gejala heterokedastisitas adalah dengan melihat grafik plot yang dihasilkan dari 71 pengolahan data dengan menggunakan program SPSS. Dasar keputusannya adalah : 1. Jika ada pola tertentu, seperti titik-titik yang membentuk pola tertentu yang teratur bergelombang, melebar kemudian menyempit, maka mengidentifikasi telah terjadi heterokedastisitas 2. Jika tidak ada pola yang jelas, seperti titik-titik menyebar diatas dan dibawah angka 0 pada sumbu Y, maka tidak terjadi heterokedastisitas Berikut ini dilampirkan grafik scatterplot untuk menganalis apakah terjadi heterokedastisitas. Gambar 4.3 Uji Heteroskedastisitas Sumber :Output SPSS, diolah Penulis, 2015 72 Grafik scatterplot terlihat bahwa titik-titik menyebar secara acak serta tersebar baik diatas maupun dibawah angka 0 pada sumbu Y, sehingga dapat disimpulkan bahwa tidak terjadi heterokedastisitas pada model regresi. Alasan mengapa titik–titik menyebar menjauh dari titik–titik yang lain dikarenakan data penelitian yang berbeda antara data yang satu dengan data yang lain.

4. Uji autokorelasi

Uji autokorelasi digunakan untuk mengetahui ada atau tidaknya penyimpangan asumsi klasik autokorelasi yaitu korelasi yang terjadi antara residual pada satu observasi dengan observasi lain pada model regresi. Uji yang digunakan untuk mendeteksi ada atau tidaknya autokorelasi dalam penelitian ini adalah dengan menggunakan uji Durbin-Watson. Uji Durbin- Watson hanya digunakan untuk autokorelasi tingkat satu first autocorection dan mensyaratkan adanya intercept konstanta dalam model regersi dan tidak ada variabel lagi diantara variabel dependen. Kriteria untuk penilaian terjadinya autokorelasi yaitu: 1 angka D-Wdi bawah -2 berarti ada autokorelasi positif 2 angka D-Wdi antara -2 sampai+2 berarti tidak ada autokorelasi 3 angka D-Wdi atas +2 berarti ada autokorelasi negative Tabel 4.4 Hasil Uji Autokorelasi Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate Durbin- Watson 73 1 .381 a .145 .089 .20816 2.303 a. Predictors: Constant, FV, ROA, SIZE b. Dependent Variable: CSR Sumber: Output SPSS, diolah penulis,2015 Tabel 4.4 menunjukkan hasil dari uji autokorelasi variabel penelitian.Berdasarkan dari hasil uji autokolerasi, dapat dilihat bahwa dalam variabel penelitian tidak terdapat autokolerasi yang ditunjukkan dari nilai Durbin – Watson D-W sebesar 2.303. Angka D-W berada diatas +2, yang mengartikan bahwa terdapat autokorelasi negative.

4.2.3 Analisis Regresi Linier Berganda

a. Analisis regresi linier berganda

Berdasarkan hasil uji asumsi klasik, disimpulkan bahwa model regresi yang dipakai dalam penelitian ini telah memenuhi model estimasi yang Best Linear Unbiased Estimstor BLUE dan sudah layak untuk dilakukan analisis statistik selanjutnya yaitu melakukan pengujian hipotesis. Hasil pengolahan data dengan analisis regresi adalah sebagai berikut : Tabel 4.5 Hasil Analisis Regresi Coefficient a Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 Constant -1.673 .862 -1.941 .058 SIZE .065 .028 .383 2.344 .023 74 ROA -.369 1.279 -.046 -.289 .774 FV .096 .205 .066 .471 .640 a. Dependent Variable: CSR Sumber : Output SPSS, diolah penulis, 2015 Berdasarkan tabel 4.5 diatas, maka persamaan regresi linear berganda sebagai berikut : Y = a + b1X1 + b2X2 + b3X3 + e CSR = -1.673 + 0.065 SIZE + -0.69 ROA + 0.096 FV + e Keterangan : 1 Konstansta sebesar -1.673 menunjukkan bahwa apabila tidak ada variabel independen X1 = 0, X2 = 0 dan seterusnya maka CSR sebesar -1.673, 2 Β 1 sebesar 0.065 menunjukkan bahwa setiap kenaikan Size sebesar 1 maka akan diikuti kenaikan CSR sebesar 0.065 dengan asumsi variabel lain tetap. 3 Β 2 sebesar -0.369 menunjukkan bahwa setiap kenaikan ROA sebesar 1 maka akan diikuti oleh penurunan CSR sebesar 0.369 dengan asumsi variabel lain tetap. 4 Β 3 sebesar 0.096 menunjukkan bahwa setiap kenaikan nilai perusahaan sebesar 1 maka akan diikuti oleh kenaikan CSR sebesar 0.096 dengan asumsi variabel lain tetap.

b. Analisis Koefisien determinasi