BAB III METODE PENELITIAN
F. Metode Analisis Data
Metode analisis data yang digunakan dalam penelitian ini adalah metode analisis statistik. Peneliti melakukan terlebih dahulu uji asumsi klasik sebelum melakukan hipotesis.
1. Pengujian Asumsi Klasik
Penggunaan analisis regresi dalam statistik harus bebas dari asumsi-asumsi klasik seperti normalitas data, autokorelasi, heterokedasitas dan asumsi-asumsi klasik lainnya. Adapun pengujian asumsi klasik yang digunakan adalah sebagai berikut:
a. Uji Normalitas
Uji normalitas bertujuan untuk mengetahui apakah dalam model regresi variabel penganggu atau residual memiliki distribusi normal. Pengujian ini diperlukan karena untuk melakukan uji t dan uji F mengasumsikan bahwa nilai residual mengikuti distribusi normal (Erlina, 2008). Cara yang digunakan untuk mendeteksi apakah residual berdistribusi normal atau tidak adalah dengan menganalisis grafik. Jika data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal atau grafik histogramnya menunjukkan pola distribusi normal, maka model regresi memenuhi asumsi normalitas, demikian sebaliknya.
Menurut Ghozali (2006), ada dua cara untuk mendeteksi apakah residual berdistribusi normal atau tidak yaitu dengan analisis grafik dan analisis statistik.
1) Analisis Grafik
Untuk melihat normalitas data dapat dilakukan dengan melihat histrogram atau pola distribusi data. Normalitas dapat dideteksi dengan melihat penyebaran data (titik) pada sumbu diagonal dari grafik atau dengan melihat histrogram dari nilai residualnya. Jika data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal atau gafik histogramnya menunjukkan pola distribusi normal, maka model regresi memenuhi asumsi normalitas.
2) Analisis Statistik
Uji statistik yang digunakan untuk menguji normalitas residual adalah uji statistik Kolmogorov Smirnov (K-S). Pedoman pengambilan keputusan rentang data tersebut mendekati atau merupakan distribusi normal berdasarkan uji Kolmogorov Smirnov dapat dilihat dari:
a) Nilai Sig. atau signifikan atau probabilitas <0,05, maka distribusi data adalah tidak normal,
b) Nilai Sig. atau signifikan atau probabilitas >0,05, maka distribusi data adalah normal (Ghozali,2006).
b. Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah dalam model ditemukan adanya korelasi diantara 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. Dalam hal ini kita sebut variabel-variabel bebas yang bersifat orthogonal adalah variabel yang memiliki nilai korelasi diantara sesamanya sama dengan nol.
Jika terjadi korelasi sempurna diantara sesama variabel bebas, maka konsekuensinya (Erlina, 2008) adalah:
1) Koefisien-koefisien regresi menjadi tidak dapat ditaksir.
2) Nilai standar error setiap koefisien regresi menjadi tak terhingga.
Apabila terjadi korelasi antar variabel independen, maka dinamakan terdapat problem multikolinearitas. Pengujian multikolinearitas dapat dilakukan dengan melihat Variance Inflation Factor (VIF) dan korelasi di antara variabel independen. Jika nilai VIF > 10 atau nilai tolerance < 0,10 maka terjadi multikolinearitas (Ghozali, 2006).
1) Mengeluarkan salah satu variabel, misalnya variabel independen A dan B saling berkolerasi kuat, maka bisa dipilih A atau B yang dikeluarkan dari model regresi. 2)Menggunakan metode lanjut seperti Regresi Bayesian atau Regresi Ridge.
c. Uji Heterokedasitas
Tujuan dari pengujian heterokedasitas ini adalah untuk menguji apakah dalam sebuah model regresi terjadi ketidaksamaan varians dari residual dari suatu pengamatan ke pengamatan yang lain. Jika varians dari residual dari suatu pengamatan ke pengamatan yang lainnya tetap, maka disebut homoskedastitas (Erlina, 2008). Deteksi ada tidaknya gejala heterokedastitas adalah dengan melihat ada tidaknya pola tertentu. Jika membentuk pola tertentu maka telah terjadi gejala heterokedasitas.
d. Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam suatu model regresi linear ada korelasi antara kesalahan pengganggu 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 pengganggu tidak bebas dari satu observasi lainnya. Hal ini sering ditemukan pada data runtut waktu time series karena “gangguan” pada seorang individu/kelompok cenderung mempengaruhi “gangguan” pada individu/kelompok yang sama pada periode berikutnya. Model regresi yang baik adalah regresi yang bebas dari autokorelasi.
Pada penelitian ini, uji autokorelasi dilakukan dengan uji Durbin Watson, karena uji ini yang umum digunakan. Uji ini hanya digunakan untuk korelasi tingkat pertama (first order autokorelasi) dan mensyaratkan adanya intercept (konstanta) dalam model regresi (Ghozali, 2006) berikut:
Hipotesis Nol Keputusan Jika Tidak ada autokorelasi positif
Tidak ada autokorelasi positif Tidak ada autokorelasi negatif
Tidak ada autokorelasi negatif
Tidak ada autokorelasi, positif atau negatif
Tolak No decision Tolak No decision Tidak ditolak 0 < d < dl dl < d < du 4 - dl < d < 4 4 - du < d < 4 - dl du < d < 4 -du 2. Pengujian Hipotesis
Hipotesis yang digunakan dalam penelitian ini diuji dengan analisis regresi berganda. Model persamaannya adalah sebagai berikut :
Y = α + β1LN_X1 + β2LN_X2 + β3LN_X3+ β4LN_X4 + β5LN_X5 + ε Keterangan :
Y = Variabel independen dalam hal ini perubahan laba yang α = koefisien penentu yang menyatakan perubahan rata-rata
LN_ X1 = variabel independen pertama yaitu Current Ratio yang telah ditransformasikan
LN_ X2 = variabel independen keduan yaitu Debt to Equity Ratio yang telah ditransformasikan
LN_ X3 = variabel independen ketiga yaitu Total Assets Turnover yang telah ditrasformasikan
LN_ X4 = variabel independen keempat yaitu Inventory Turnover yang telah ditrasformasikan
LN_ X5 = variabel independen kelima yaitu Gross Profit Margin yang telah ditrasformasikan
1. Uji t
Uji t pada dasarnya menunjukkan seberapa jauh pengaruh satu variabel penjelas/independen secara individual menerangkan variasi-variasi dependen (Ghozali, 2006). Uji ini dilakukan dengan membandingkan signifikansi thitung dengan ketentuan:
a. Jika thitung < ttabel pada α 0.05 maka Ha ditolak, dan
b. Jika thitung > ttabel pada α 0.05 maka Ha diterima.
2. Uji F
Uji F pada dasarnya menunjukkan apakah semua variabel independen atau bebas yang dimasukkan dalam model mempunyai pengaruh secara bersama-sama terhadap variabel dependen atau terikat (Ghozali, 2006). Dalam uji ini dilakukan dengan membandingkan signifikansi Fhitung dengan ketentuan:
a. Jika Fhitung < Ftabel pada α 0.05 maka Ha ditolak, dan