BAB III : METODE PENELITIAN
3.5 Defenisi Operasional Variabel Penelitian
3.5.2 Defenisi Operasional Variabel
Satuan pengamatan yang menjadi objek penelitian adalah laporan arus kas yang terdiri dari arus kas operasi, arus kas investasi, dan arus kas pendanaan perusahaan industri tekstil dan garment yang telah diaudit dan dipublikasikan di Bursa Efek Indonesia (BEI) untuk periode akuntansi tahun 2009 sampai dengan tahun 2011 serta return saham perusahaan tersebut.
1. Laporan arus kas operasi ( ) adalah selisih dari arus kas masuk dengan arus kas keluar dari aktivitas operasi perusahaan dalam tahun pengamatan. Variabel ini akan dihitung sebagai rasio perubahan dibandingkan dengan arus kas tahun sebelumnya.
Arus kas operasi ( ) =
2. Laporan arus kas investasi ( ) adalah selisih dari arus kas masuk dengan arus kas keluar dari aktivitas investasi perusahaan dalam tahun pengamatan. Variabel ini akan dihitung sebagai rasio perubahan dibandingkan dengan arus kas tahun sebelumnya.
Arus kas investasi ( ) =
3. Laporan arus kas pendanaan ( ) adalah selisih dari arus kas masuk dengan arus kas keluar dari aktivitas pendanaan perusahaan dalam tahun pengamatan. Variabel ini akan dihitung sebagai rasio perubahan dibandingkan dengan arus kas tahun sebelumnya.
Arus kas pendanaan ( ) =
4. Return saham (Y) adalah harga saham hari ini dikurangi dengan saham kemarin dibagi dengan harga saham kemarin (return aktual)
Tabel 3.2
Defenisi Operasional Variabel Variabel Konsep Sub
Variabel Indikator Instrumen Laporan Arus Kas (X) Laporan yang ditujukan untuk melaporkan penerimaan dan pengeluaran kas selama satu periode yang berasal dari aktivitas perusahaan
Arus kas dari aktivitas operasi ( )
Perubahan arus kas operasi (arus kas operasi tahun ini dikurangi arus kas operasi tahun lalu) dibagi dengan arus kas operasi pada tahun lalu.
Rasio
Arus kas dari aktivitas investasi ( ) Perubahan arus kas investasi (arus kas investasi tahun ini dikurangi arus kas investasi tahun lalu) dibagi dengan arus kas investasi pada tahun lalu.
Rasio
Arus kas dari aktivitas pendanaan ( ) Perubahan arus kas pendanaan (arus kas pendanaan tahun
ini dikurangi arus kas pendanaan tahun lalu) dibagi dengan arus kas pendanaan pada tahun lalu. Rasio Return Saham (Y) Keuntungan dalam bentuk Capital Gain Return Aktual Perubahan harga saham (harga saham hari ini dikurangi harga saham kemarin) dibagi dengan harga saham pada awal periode Rasio
3.6 Metode dan Teknik Analisis Data
Metode analisis data yang digunakan dalam penelitian ini adalah metode analisis statistik dengan menggunakan software SPSS 16. Analisis data dilakukan dengan melakukan pengujian asumsi klasik dan pengujian hipotesis. Hasil pengujian asumsi klasik akan mendukung hasil pengujian hipotesis.
3.6.1 Uji Asumsi Klasik 3.6.1.1Uji Normalitas Data
Uji normalitas bertujuan untuk menguji apakah dalam model regresi variabel penganggu atau residual memiliki distribusi normal atau tidak dengan menggunakan hipotesis sebagai berikut:
: data residual berdistribusi normal : data residual tidak berdistribusi normal
Ada dua cara yang dapat digunakan untuk mendeteksi apakah residual berdistribusi normal atau tidak, yaitu dengan analisis grafik dan uji statistik. Pada penelitian ini akan digunakan kedua cara tersebut.
a) Histogram
Pengujian dengan model histogram memiliki ketentuan bahwa data normal berbentuk lonceng. Data yang baik adalah data yang memiliki pola distribusi normal. Jika data melenceng ke kanan atau melenceng ke kiri berarti data tidak terdistribusi secara normal.
b) Grafik Normality P-Plot
Normalitas dapat dideteksi dengan melihat penyebaran data (titik) pada sumbu diagonal dan grafik dengan melihat histogram dari residualnya”. Kriteria pengambilan keputusannya adalah:
1. Jika data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal maka menunjukkan pola distribusi normal
2. Jika data menyebar jauh dari garis diagonal atau tidak mengikuti arah garis diagonal maka tidak menunjukkan pola distribusi normal.
Penyimpangan asumsi normalitas ini akan semakin kecil pengaruhnya apabila jumlah sampel diperbesar. Salah satu penyelesaiannya adalah dengan cara mengubah bentuk variabel yang semula nilai absolut ditransformasikan menjadi bentuk lain (kwadratik, resiprokal) sehingga distribusi menjadi normal.
c) Uji Kolmogorov- Smirnov
Ghozali (2005:115) menjelaskan bahwa “Uji satatistik yang dapat digunakan untuk menguji normalitas residual adalah uji statistik Kolmogorov-Smirnov (K-S)”. Uji K-S dibuat dengan membuat hipotesis:
: Data residual berdistribusi normal
Bila signifikansi > 0,05 dengan = 5% berarti distribusi data normal dan diterima, sebaliknya bila nilai signifikan < 0,05 berarti distribusi data tidak normal dan diterima. Menurut Jogiyanto (2004:172), Jika data tidak normal, ada beberapa cara mengubah model regresi menjadi normal yaitu:
1. Dengan melakukan transformasi data ke bentuk lain, yaitu: logaritma natural, akar kuadrat, logaritma 10,
2. Melakukan trimming, yaitu memangkas observasi yang bersifat outlier,
3. Melakukan winsorizing, yaitu mengubah nilai-nilai data outliers menjadi nilai-nilai minimum atau maksimum yang diizinkan supaya distribusinya menjadi normal.
3.6.1.2Uji Multikolinearitas
Ghozali (2005:91) menyatakan bahwa “Pengujian multikolonearitas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi diantara variabel-variabel independen. Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel independen”. Multikolinearitas adalah situasi adanya korelasi variabel-variabel independen antara yang satu dengan yang lainnya variabel- (variabel-variabel bebas tidak ortogonal). Variabel-(variabel-variabel bebas yang bersifat ortogonal adalah variabel bebas yang memiliki nilai korelasi diantara sesamanya sama dengan nol.
Model regresi yang baik seharusnya tidak ada korelasi antar variabel independen. Ada tidaknya multikolonearitas dapat dideteksi dengan :
1) melihat nilai tolerance, nilai cutoff yang umum dipakai untuk menunjukkan adanya multikolonearitas adalah nilai tolerance > 0,10 2) melihat variance inflation factor (VIF), nilai cutoff yang umum dipakai
untuk menunjukkan adanya multikolonearitas adalah nilai VIF < 10 3) menganalisis matrik korelasi variabel-variabel independen. Menurut
Ghozali (2005:93) “untuk matrik korelasi adanya indikasi multikolonearitas dapat dilihat jika antar variabel independen ada korelasi yang cukup tinggi umumnya diatas 0,95”.
4) membandingkan nilai model utama (awal) terhadap nilai dari masing-masing axilary regression antar variabel independen
5) melihat nilai Condition Index (CI), jika CI antara 10 dan 30 terdapat multikolonearitas moderat ke kuat, sedangkan jika nilai CI > 30 artinya terdapat multikolonearitas sangat kuat.
Jika terdapat korelasi sempurna diantara sesama variabel bebas, maka konsekuensinya adalah : (a) koefisien-koefisien regresi menjadi tidak dapat ditaksir, (b) nilai standard error setiap regresi menjadi tak terhingga. Apabila terjadi korelasi antara variabel independen, maka dinamakan terdapat masalah multikolonearitas.
3.6.1.3Uji Heterokedastisitas
Heterokedastisitas 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 lainnya tetap, maka disebut homoskedastisitas. Sebaliknya, jika varians berbeda, maka disebut heterokedastisitas". Ada tidaknya heteroskedastisitas dapat dilakukan dengan melihat grafik Scattetplot antar nilai prediksi variabel independen dengan nilai residualnya. Menurut Ghozali (2005:105), Dasar analisis yang dapat digunakan untuk menentukan heterokedastisitas 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 Ghozali (2005:107) "Analisis dengan grafik plot memiliki kelemahan yang cukup signifikan oleh karena jumlah pengamatan mempengaruhi hasil ploting. Semakin sedikit jumlah pengamatan semakin sulit menginterpretasikan hasil grafik p-p plot. Hal ini berarti diperlukan uji statistik yang lebih dapat menjamin keakuratan hasil". Ada beberapa uji statistik yang dapat digunakan untuk mendeteksi ada tidaknya heterokedastisitas, antara lain:
1. Uji Park 2. Uji Glejser
3.6.1.4Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam suatu model regresi linear ada korelasi antara kesalahan penganggu pada periode t dengan kesalahan pada periode t-1 atau sebelumnya. Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lain. Masalah ini timbul karena residual atau kesalahan penganggu tidak bebas dari satu observasi ke observasi lainnya. Hal ini paling sering ditemukan pada data runtut waktu atau time series karena "gangguan" pada seorang individu atau kelompok cenderung mempengaruhi "gangguan" pada individu atau kelompok yang sama pada periode berikutnya. Model regresi yang baik adalah model regresi yang bebas dari autokorelasi. Uji yang digunakan dalam penelitian ini untuk mendeteksi ada tidaknya autokorelasi dapat dilihat dengan menggunakan uji Durbin-Watson.
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.
Run test sebagai bagian dari statistik nonparametrik dapat pula digunakan untuk menguji apakah antar residual terdapat korelasi yang tinggi. Jika antar residual tidak terdapat hubungan korelasi maka dikatakan bahwa residual adalah acak atau random yaitu dengan melihat nilai probabilitasnya. Menurut Ghozali (2005:103) “bila signifikansi > 0,05
dengan = 5 % berarti residual random dan diterima, sebaliknya bila nilai signifikansi < 0,05 berarti residual tidak random dan ditolak”.
3.6.2 Pengujian Hipotesis