Analisis Deskriptif Regresi Linear Berganda

36

3.8. Metode Pengumpulan Data

Metode pengumpulan data dalam penelitian ini dilakukan dengan : 1. Metode studi pustaka yaitu dengan mengkaji berbagai literatur pustaka seperti jurnal, makalah, dan sumber-sumber lainnya yang berkaitan dengan topik penelitian. 2. Metode dokumentasi yaitu dengan cara mencatat atau mendokumentasikan data seperti laporan keuangan perusahaan sesuai data yang diperlukan yang tercantum pada Bursa Efek Indonesia, www.idx.co.id .

3.9. Metode Analisis Data

Data dalam penelitian ini dianalisis dengan menggunkan SPSS versi 22.

3.9.1. Analisis Deskriptif

Sangadja dan Sopiah 2010:210 menyatakan “analisis deskriptif adalah analisis yang lebih hendak menggambarkan fakta sebagaimana adanya”. Selain itu analisis ini juga bertujuan untuk mengumpulkan, mengklasifikasikan, menganalisis, mengemukakan, dan menggambarkan data secara sistematis dan objektif, sehingga memberikan informasi dan gambaran mengenai objek yang diteliti.

3.9.2. Uji Asumsi Klasik

Sebelum melakukan uji analisis regresi linear berganda, maka hal yang pertama dilakukan adalah uji asumsi klasik, yang bertujuan untuk mendapatkan nilai estimasi yang diperoleh bersifat BLUE Best, Linear, Unbiased, and Estimator, yang artinya nilai estimator yang terbaik, estimator Universitas Sumatera Utara 37 yang linear, dan estimator yang tidak bias. Maka data-data yang digunakan dalam analisis regresi terlebih dahulu akan diuji normalitas, uji multikolinearitas, uji heteroskedastisitas, dan uji autokorelasi.

1. Uji Normalitas

Uji Normalitas bertujuan untuk menguji apakah dalam model regresi yang dibentuk dari variabel dependen dan independen mempunyai distribusi normal Gujarati, 2003;45. Ada dua cara untuk mendeteksi apakah residual berdistribusi normal atau tidak yaitu dengan analisi grafik dan analisis statistik. Penelitian ini menggunakan analisis statistik dengan uji Kolmogrov Smirnov. Pedoman pengambilan keputusan rentang data tersebut mendekati atau merupakan distribusi normal berdasarkan uji Kolmogorov Smirnov dapat dilihat dari : a. Apabila nilai Sig. Atau signifikansi atau nilai probabilitas yang terdapat pada kolom Kolmogorov-Smirnov dan kolom Shapiro-Wilk lebih kecil dari alpha atau tingkat kesalahan yang ditetapkan 0,05, maka data yang dianalisis tersebut terdistribusi secara tidak normal. b. Apabila nilai Sig. Atau signifikansi atau nilai probabilitas yang terdapat pada kolom Kolmogorov-Smirnov dan kolom Shapiro-Wilk lebih besar dari alpha atau tingkat kesalahan yang ditetapkan 0,05, maka data yang dianalisis tersebut terdistribusi secara tidak normal.

2. Uji Multikolinearitas

Multikolinieritas adalah situasinya korelasi variabel-variabel bebas diantara satu dengan yang lain. Untuk mendeteksi ada tidaknya Universitas Sumatera Utara 38 Multikolinieritas dalam model regresi dapat dilihat dari nilai Tolerance dan Variance Inflation Factor VIF. Salah satu ciri persamaan regresi yang mengalami masalah multikolonieritas adalah nilai R2 yang tinggi namun memiliki sedikit variabel independen yang mempengaruhi variabel dependen secara signifikan. Jika nilai Tolerance 0,10 atau VIF 10 maka terjadi multikolinieritas Ghozali,2006;67.

3. Uji Autokorelasi

Uji autokorelasi bertujuan untuk menguji apakah model regresi linier ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 sebelumnya.Jika terjadi korelasi, maka ada masalah autokorelasi. Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu dengan yang lain. Masalah ini timbul karena residual kesalahan pengganggu tidak bebas dari satu observasi ke observasi lainnya, biasanya dijumpai pada data deret waktu time series. Konsekuensi adanya autokorelasi dalam model regresi adalah variance sample tidak dapat menggambarkan variance populasinya, sehingga model regresi yang dihasilkan tidak dapat digunakan untuk menaksir nilai variabel dependen pada nilai independen tertentu Ghozali, 2006:73. Kriteria pengujian Autokorelasi dengan menggunakan pengujian Durbin Watson DW adalah sebagai berikut: a. Angka DW di bawah -2 berarti ada autokorelasi positif, b. Angka DW di antara -2 sampai +2, berarti tidak ada autokorelasi, c. Angka DW di atas +2 berarti ada autokorelasi negatif. Universitas Sumatera Utara 39

4. Uji Heteroskedastisitas

Uji Heteroskedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan variance dari resideal satu pengamatan ke pengamatan yang lain. Jika variance dari residual satu pengamatan ke pengamatan yang lain tetap, maka disebut homoskedasitas dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik adalah yang homoskedastisitas atau tidak terjadi heteroskedastisitas. Untuk menguji ada tidaknya heteroskedastisitas pada penelitian ini digunakan grafik plot antara nilai prediksi variabel dependen ZPRED dengan risidualnya SRESID melalui program SPSS. Deteksi ada tidaknya heteroskedastisitas dapat dilihat dengan ada atau tidaknya pola tertentu pada grafik sctter plot antara SRESID dan ZPRED. Dasar pengambilan keputusan Ghozali,2006:78 : a. Jika ada pola tertentu, seperti titik-titiki yang membentuk suatu pola yang teratur bergelombang, melebar kemudian menyempit, maka telah terjadi Heteroskedastisitas. b. Jika tidak ada pola yang jelas, serta titik-titik melebar diatas dan dibawah angka 0 pada sumbu Y, maka tidak terjadi Heteroskedastisitas.

3.9.3. Regresi Linear Berganda

Model persamaan regresi yang akan diuji dalam penelitian ini adalah sebagai berikut : Tobins Q = a + b1ROA + b2CR + e Keterangan: Tobin’s Q : Nilai Perusahaan a : Konstanta Universitas Sumatera Utara 40 b : Koefisien Regresi ROA : Variabel Profitabilitas CR : Variabel Likuiditas e : Error Menurut Ghozali 2006:108, ketepatan fungsi regresi tersebut dalam menaksir nilai aktual dapat diukur dari goodness of fit-nya, yang secara statistik dapat diukur dari koefisien determinasi.

3.9.3.1. Uji Koefisien Determinasi

Uji Koefisien determinasi R2 pada intinya mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel dependen. Nilai koefisien determinasi adalah antara 0 dan 1. Nilai R2 yang kecil berarti kemampuan variabel-variabel independen dalam menjelaskan variasi variabel dependen amat terbatas. Nilai yang mendekati suatu berarti variabel-variabel independen memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen. Kelemahan mendasar penggunaan koefisien determinasi adalah hubungan terhadap jumlah variabel independen yang dimasukkan ke dalam model. Setiap tambahan satu variabel independen, maka R2 pasti meningkat tidak peduli apakah variabel tersebut berpengaruh secara signifikan terhadap variabel dependen. Oleh karena itu, banyak peneliti menganjurkan untuk menggunakan nilai Adjusted R2 pada saat mengevaluasi mana model regresi terbaik. Tidak seperti R2, nilai Adjusted R2 dapat naik atau turun apabila satu variabel independen ditambahkan ke dalam model. Universitas Sumatera Utara 41

3.9.4. Pengujian Hipotesis