METODE PENELITIAN
B. Tempat dan Waktu Penelitian
1. Analisis statistik Deskriptif
Analisis statistik deskriptif bertujuan untuk memberikan gambaran mengenai variabel-variabel dalam penelitian. Statistik deskriptif memberikan gambaran atau deskripsi suatu data yang dilihat dari nilai rata-rata, standar deviasi, varian, maksimum, minimun, sum, range,
kurtosis dan skewness (Imam Ghozali, 2011: 19). Metode analisis data
dilakukan dengan bantuan suatu program pengolah data. 2. Pengujian Asumsi Klasik
Model regresi yang diperoleh dari metode kuadrat terkecil biasanya merupakan model regresi yang menghasilkan estimasimator linier tidak bias yang terbaik, karena secara teoritis model regresi penelitian akan menghasilkan nilai parameter penduga yang sah apabila asumsi klasik regresi terpenuhi. Pada penelitian ini dilakukan lima pengujian asumsi
56
klasik yaitu multikolinieritas, heteroskedastisitas, normalitas, autokorelasi dan linearitas.
a. Uji Normalitas
Uji normalitas dilakukan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual berdistribusi normal atau tidak (Imam Ghozali, 2011:160). Normal atau tidaknya suatu data dapat dilihat dengan menggunakan uji One Sample Kolmogorov
Smirnov. Penelitian ini menggunakan taraf signifikasi 5%, maka
distribusi data penelitian dinyatakan normal apabila memiliki niai probabilitas (sig)>0,05. Selain menggunakan perhitungan statistik, normalitas data dapat dilihat dengan gambar P-P Plot Normalitas. b. Uji Multikolinieritas
Uji multikolinieritas bertujuan untuk menguji model regresi ditemukan adanya kolerasi antar variabel bebas (independen) atau tidak. Model regresi yang baik seharusnya tidak terjadi kolerasi diantara variabel independen. Jika variabel independen saling berkorelasi, maka variabel-variabel ini tidak ortogonal. Variabel ortogonal adalah variabel independen yang nilai korelasi antar sesama variabel independen sama dengan nol. Multikolinieritas dapat dilihat dengan Variance Inflation Factor (VIF), bila nilai VIF < 10 dan nilai
tolerance > 0,10 maka tidak ada gejala multikolinieritas (Ghozali,
57 c. Uji Autokorelasi
Uji asumsi autokorelasi bertujuan untuk menguji apakah dalam suatu model regresi linier ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1. Model regresi yang baik, tidak terjadi autokorelasi. Autokorelasi dalam regresi linier dapat menganggu suatu model, dimana akan menyebabkan terjadinya kebiasan pada kesimpulan yang diambil. Ada beberapa cara yang digunakan untuk mendeteksi ada tidaknya autokorelasi, diantaranya melalui uji Durbin Watson (DW-Test). Uji
Durbin Watson akan didapatkan nilai DW hitung (d) dan nilai DW
tabel (dL dan dU ). Tingkat signifikansi yang digunakan dalam penelitian ini sebesar 5%. Ghozali (2011:111) menyatakan bahwa untuk mengetahui ada tidaknya masalah autokorelasi dengan uji
Durbin-Watson (DW) dengan kriteria sebagai berikut:
1) 0 < d < dl, berarti tidak ada autokorelasi positif dan keputusannya ditolak.
2) dl ≤ d ≤ du, berarti tidak ada autokorelasi positif dan keputusannya no desicison.
3) 4 – dl < d < 4, berarti tidak ada autokorelasi negatif dan keputusannya ditolak.
4) 4 – du ≤ d ≤ 4 – dl, berarti tidak ada autokorelasi negatif dan keputusannya no desicison.
58
5) du < d < 4 – du, berarti tidak ada autokorelasi positif atau negatif dan keputusannya tidak ditolak.
Tabel 1. Kriteria Autokorelasi
DW Keterangan
< 1,550 Ada Autokorelasi 1,550 – 1,669 Tanpa Kesimpulan 1,669 – 2,331 Tidak Ada Autokorelasi 2,331 – 2,450 Tanpa Kesimpulan
> 2,450 Ada Autokorelasi
d. Uji Heteroskedastisitas
Uji Heteroskedastisitas bertujuan menguji apakah dalam regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Jika variance dari residual satu pengamatan ke pengamatan lain tetap, disebut homoskedastisitas dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik adalah yang homoskedastisitas atau tidak terjadi heteroskedastisitas. (Ghozali, 2011: 139). Penelitian ini dalam mendeteksi ada tidaknya heteroskedastisitas menggunakan uji Glejser. Uji Glejser ini mengusulkan untuk meregresi nilai absolut residual terhadap variabel independen. Jika variabel independen memiliki signifikansi < 0,05, maka ada indikasi terjadi heteroskedastisitas. Jika variabel independen memiliki signifikansi > 0,05, maka tidak terjadi heteroskedastisitas.
59 3. Pengujian Hipotesis
a. Analisis Regresi Linier Sederhana
Analisis Regresi Linier Sederhana untuk Hipotesis Pertama dan Kedua. Menurut Priyatno (2013: 123), analisis regresi sederhana digunakan untuk mengetahui pengaruh antara satu variabel bebas (X) dengan satu variabel terikat (Y) yang ditampilkan dalam bentuk persamaan regresi. Selain itu, analisis regresi linier juga bertujuan untuk memprediksikan nilai dari variabel terikat apabila nilai variabel bebas mengalami kenaikan atau penurunan serta untuk mengetahui arah hubungan.
1) Membuat garis linier sederhana
Rumus regresi linier sederhana adalah sebagai berikut: (Sujarweni dan Endaryanto, 2012:83):
Y = α + bX Keterangan:
Y = Return Saham
X = Arus Kas Operasi atau Laba Akuntansi α = Nilai konstanta
b = Koefisien regresi.
Berdasarkan rumus di atas, maka persamaan regresi dalam penelitian ini adalah sebagai berikut:
Y = α + b1X1
60 Keterangan:
Y = Return saham α = Nilai konstanta b1b2 = Koefisien regresi
X = Arus Kas Operasi atau Laba Akuntansi 2) Mencari koefisien korelasi (𝑟𝑥𝑦) antara prediktor X dengan
kriterium Y menggunakan rumus: 𝑟𝑥𝑦=Σxy√(Σ𝑥2)(Σ𝑦2) Keterangan:
𝑟𝑥𝑦 : koefisien korelasi X dan Y Σxy : produk dari X dan Y
Σ𝑥2 : jumlah kuadrat dari produk X (X-X) Σ𝑦2 : jumlah kuadrat nilai Y
(Sugiyono, 2011: 188) 3) Mencari koefisien determinasi (r2) antara prediktor X1 dan X2
dengan Y adalah sebagai berikut ( Hadi, 2004: 22) : r2(x1y) =𝛼1Σ𝑋1𝑌Σ𝑌2
r2(x2y) =𝛼2Σ𝑋2𝑌Σ𝑌2 Keterangan :
r2(x1y) = Koefisien determinasi antara X1 dengan Y r2(x2y) = Koefisien determinasi antara X2 dengan Y 𝛼1 = Koefisen prediktor X1
61
Σ𝑋1𝑌 = Jumlah produk X1 dengan Y Σ𝑋2𝑌 = Jumlah produk X2 dengan Y Σ𝑌2 = Jumlah kuadrat kriterium Y
Pengujian koefisien determinasi (r2) digunakan untuk mengukur seberapa jauh kemampuan sebuah model dalam menerangkan variasi variabel dependen. Nilai koefisien determinasi adalah antara nol dan satu. Nilai r2 yang kecil menunjukkan bahwa kemampuan variabel-variabel independen dalam menjelaskan variasi variabel dependen terbatas, sementara nilai yang mendekati satu berarti bahwa variabel-variabel independen hampir memberikan semua informasi yang dibutuhkan untuk memprediksi variabel dependen.
4) Menguji signifikansi korelasi dengan uji t ′ 𝑡 = √𝑛 − 2 𝑟 √1 − 𝑟2 ‘ Keterangan : t : Nilai t hitung r : Koefisien Korelasi n : Jumlah Sampel (Sugiyono, 2011:243)
Kriteria pengambilan kesimpulan adalah sebagai berikut: a) Jika nilai t hitung > ttabel, maka hipotesis alternatif (Ha)
62
b) Jika nilai t hitung < ttabel, maka hipotesis alternatif (Ha) ditolak.
a. Analisis Regresi Linier Berganda
Analisis regresi linier berganda untuk uji hipotesis keenam, Perbedaan analisis regresi linier berganda dan analisis regresi linier sederdana, ialah terletak pada jumlah variabel bebasnya. Regresi linier sederhana hanya menggunakan satu variabel bebas yang dimasukkan dalam model regresi, sedangkan regresi linier berganda menggunakan dua atau lebih variabel bebas yang dimasukkan dalam model regresi (Priyatno, 2013: 130).
1) Persamaan regresi linier berganda Y = a + b1 X1 + b2 X2 + e Dimana:
Y = Return Saham a = Konstanta
b1 dan b2 = koefisien variabel-variabel independen (regresi X1 dan X2)
X1 = Nilai Arus Kas Operasi X2 = Nilai Laba Akuntansi
e = error terms (variabel pengganggu) 2) Mencari kofisien determinasi (Adjusted R2)
Mencari kofisien determinasi (Adjusted R2) dengan prediktor X1
dan X2dengan kriterium Y dengan menggunakan rumus sebagai berikut (Hadi, 2004: 25) :
63 R2= 𝛼1𝑋1𝑌+𝛼2𝑋2𝑌
Σ𝑌2
Keterangan:
R2 = Koefisien korelasi Y dengan X1,X2
𝛼1 = Koefisen prediktor X1
𝛼2 = Koefisen prediktor X2
𝑋1𝑌 = Jumlah produk X1 dengan Y 𝑋2𝑌 = Jumlah produk X2 dengan Y Σ𝑌2 = Jumlah kuadrat kriterium Y
Untuk mengevaluasi model regresi terbaik menggunakan nilai Adjusted R2. Menurut Ghozali (2011: 97), koefisien determinasi (R2) digunakan untuk mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel dependen. Nilai koefisien determinasi adalah antara nol dan satu. Nilai yang mendekati satu berarti bahwa variabel-variabel independen memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen. Menurut Ghozali (2011: 97), apabila dalam uji empiris didapat nilai Adjusted R2 negatif maka nilai Adjusted R2 dianggap bernilai 0. Setelah itu, dilakukan uji F.
3) Menguji signifikansi regresi linier berganda dengan uji F
Uji signifikansi simultan atau uji statistik F pada dasarnya bertujuan untuk menunjukkan apabila semua variabel independen
64
(bebas) yang dimasukkan dalam model mempunyai pengaruh secara bersama-sama terhadap variabel dependen (terikat) atau tidak (Ghozali, 2011: 98). Uji F digunakan untuk menguji signifikansi pengaruh antara variabel X terhadap Y secara bersama-sama dengan membandingkan nilai F. Nilai F hitung dapat digunakan rumus, sebagai berikut:
F hitung =𝑅
2 (N – m −1) 𝑚(1−𝑅2)
Keterangan :
R = Koefisien korelasi ganda m = Jumlah variabel independen
N = Jumlah Sampel
(Sunyoto, 2013: 55) Kriteria pengambilan kesimpulannya adalah sebagai berikut:
a) Jika nilai F hitung > F tabel, maka hipotesis alternatif (Ha) diterima yaitu variabel independen secara bersama-sama (simultan) berpengaruh secara signifikan terhadap variabel dependen.
b) Jika nilai F hitung < F tabel, maka hipotesis alternatif (Ha) ditolak yaitu variabel independen secara bersama-sama (simultan) tidak berpengaruh secara signifikan terhadap variabel dependen.
65 BAB IV