METODE PENELITIAN
3.5 Metode Analisis Data
Metode analisis yang digunakan untuk menguji hipotesis dalam penelitian ini adalah regresi linear berganda dan statistik deskriptif untuk menggambarkan variabel-variabel dalam penelitian ini. Regresi linier berganda dapat dilakukan apabila model dari penelitian memenuhi syarat dari asumsi klasik. Penjelasan mengenai metode analisis dalam penelitian ini akan dijelaskan sebagai berikut : 3.5.1 Analisis Statistik Deskriptif
Statistik deskriptif memberikan gambaran atau deskripsi mengenai suatu data. Statistik deskriptif yang digunakan dalam penelitian ini antara lain rata-rata (mean), maksimum, minimum dan standar deviasi. Dengan statistik deskriptif, informasi yang digunakan dapat menggambarkan pola sebaran data sehingga mampu untuk digunakan dalam mengambil kesimpulan.
3.5.2 Uji Asumsi Klasik
Uji asumsi klasik adalah pengujian asumsi-asumsi statistik pada analisis regresi linear berganda berbasis ordinary least square (OLS) yang bertujuan untuk mengetahui apakah model estimasi telah memenuhi kriteria. Menurut Ghozali (2006) regresi dengan metode estimasi ordinary least square (OLS) akan memberikan hasil yang best linear unbiased estimator jika memenuhi semua asumsi klasik. Oleh karena itu, regresi linear berganda dapat dilakukan apabila telah memenuhi asumsi klasik seperti data harus terdistribusi secara normal, tidak mengandung multikolinieritas, autokorelasi dan heteroskedastisitas serta linearitas. Penjelasan mengenai asumsi klasik akan dijelaskan sebagai berikut :
3.5.2.1 Uji Multikolinieritas
Uji multikolinieritas bertujuan untuk menguji apakah dalam model regresi terdapat korelasi antara variabel bebas. Model regresi yang baik adalah ketika tidak ada korelasi diantara variabel independennya. Multikolinieritas dapat dilihat dari nilai tolerance dan variance inflation factor (VIF). Nilai cutoff yang digunakan adalah nilai tolerance <0,10 atau VIF >10. Jika nilai tolerance kurang dari 0,10 dan VIF melebihi 10, maka terjadi korelasi antar independennya (Ghozali, 2006). Disamping itu, gejala multikolinieritas dapat dilihat dengan menggunakan korelasi antar variabel independen dimana nilai korelasi diatas 95% menunjukkan terdapat gejala multikolinieritas.
3.5.2.2 Uji Autokorelasi
Uji ini bertujuan untuk menguji apakah model regresi linear terdapat korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 (sebelumnya). Jika terjadi korelasi, maka dinamakan ada problem korelasi. autokorelasi terjadi karena ada obervasi yang berurutan sepanjang waktu berkaitan satu dengan yang lainnya (Ghozali, 2006).
Menurut Ghozali (2006), pengambilan keputusan ada tidaknya autokorelasi dapat dilihat sebagai berikut :
Hipotesis nol Keputusan Jika
Tidak ada autokorelasi positif
Tolak 0 < d < dl
Tidak ada autokorelasi positif
No desicion dl d du
Tidak ada korelasi negatif Tolak 4 – dl < d < 4
3.5.2.3 UJi Heteroskedastisitas
Uji heteroskedestisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varians dari residual satu pengamatan ke pengamatan yang lain. Jika varians residualnya tetap maka disebut homoskedastisitas dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik adalah Homoskedastisitas atau tidak terjadi heteroskedastisitas (Ghozali, 2006).
Ada beberapa cara untuk mendeteksi ada atau tidaknya heteroskedastisitas, salah satunya yaitu dengan melihat grafik plot antara variabel dependen dengan residualnya. Ada tidaknya heteroskedastisitas dapat dilakukan dengan melihat ada tidaknya pola tertentu pada grafik scatterplot. Jika ada pola tertentu, seperti titik-titik yang membentuk pola tertentu yang teratur (bergelombang, melebar kemudian menyempit), maka mengindikasikan adanya heteroskedastisitas. Dan jika tidak ada pola yang jelas, titik-titik menyebar di atas dan dibawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.
Pengujian heteroskedastisitas dapat juga dengan menggunakan cara menetapkan unstandardized residual regresi yang diabsolutkan, kemudian dijadikan variabel terikat dan selanjutnya dikorelasikan dengan masing-masing variabel bebas, di mana:
a. Apabila signifikansi korelasi antara variabel bebas dengan unstandardized
residual absolute ≤ 0,05, maka variabel bebas yang bersangkutan mengalami
b. Apabila signifikansi korelasi antara variabel bebas dengan unstandardized
residual absolute > 0,05, maka variabel bebas yang bersangkutan tidak
mengalami problem heteroskedastisitas 3.5.2.4 Uji Normalitas
Uji normalitas bertujuan untuk menguji kenormalan distribusi variabel penggangu atau residual. Jika asumsi ini dilanggar, maka uji statistik menjadi tidak valid atau bias terutama untuk sampel kecil (Ghozali, 2006). Untuk mendeteksi apakah residual terdistribusi normal atau tidak dapat menggunakan analisis grafik dan uji statistik. Penelitian ini menggunakan kedua cara tersebut dikarenakan uji normalitas dengan grafik dapat menyesatkan apabila tidak hati-hati secara visual. Dalam analisis grafik, distribusi normal akan membentuk satu garis lurus diagonal dan ploting data residual akan dibandingkan dengan garis diagonal. Jika distribusi data residual normal, maka garis yang menggambarkan data sesungguhnya akan mengikuti garis diagonalnya (Ghozali, 2006).
Sedangkan pada uji statistik, normalitas residual dapat diuji dengan menggunakan uji statistik non-parametrik kolmogrov-smornov (K-S). Jika hasil
kolmogrov-smornov menunjukkan nilai signifikan diatas 0,05 maka data residual
terdistribusi dengan normal (Ghozali, 2006). 3.5.2.5 Uji Linearitas
Uji linearitas digunakan untuk melihat apakah spesifikasi model yang digunakan sudah benar atau tidak. Dengan uji linearitas akan diperoleh informasi apakah model empiris sebaiknya linear, kuadrat atau kubik. Dismaping itu, uji linearitas juga bertujuan untuk mengetahui apakah dua variabel mempunyai
sebagai prasyarat dalam analisis korelasi atau regresi linear. Dasar pengambilan keputusan dalam uji linearitas adalah
a. Jika nilai probabilitas > 0,05, maka hubungan antara variabel linear. b. Jika nilai probabilitas < 0,05, maka hubungan antara variabel tidak linear. 3.5.3 Metode Regresi Linear Berganda
Metode regresi linear berganda diterapkan untuk mengetahui arah hubungan antara dua atau lebih variabel independen dengan variabel dependen, apakah memiliki hubungan positif atau negatif.
Sehingga model regresi dalam penelitian ini adalah sebagai berikut :
EPS =
EPS : Earnings Per Share
TATO : Total Assets Turn Over
CR : Current Ratio
DER : Debt Equity Ratio
NPM : Net Profit Margin
ROE : Return on Equity
PBV : Price Book Value
SIZE : Ukuran perusahaan
3.5.4 Goodness Of Fit
Ketepatan fungsi regresi sampel dalam menaksir nilai aktual dapat dinilai dengan Goodness of Fit-nya. Secara statistik setidaknya ini dapat diukur dari nilai koefisien determinasi, nilai statistik F dan nilai statistik t.
3.5.4.1 Koefisien Determinasi
Koefisien determinasi (R2) mengukur seberapa jauh kemampuan model
dalam menerangkan variasi variabel dependen. Nilai koefisien determinasi adalah
antara nol dan satu, dimana R2 yang kecil menunjukkan kemampuan
variabel-variabel independen dalam menjelaskan variasi variabel-variabel amat terbatas. Sedangkan nilai yang mendekati satu berarti variabel-variabel independen memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen (Ghozali, 2006).
3.5.4.2 Uji Signifikan Simultan (Uji Statistik F)
Pengujian signifikansi persamaan dilakukan dengan menggunakan uji F yang bertujuan untuk mengetahui apakah varibel independen secara bersama-sama mempengaruhi variabel dependennya. Berdasarkan perhitungan dengan uji F apabila nilai F hitung > F tabel 5% (1,97) dapat diterima pada kepercayaan 95%. 3.5.4.3 Uji Signifikansi Parameter Individual (Uji Statistik t)
Uji statistik t menunjukkan seberapa jauh pengaruh satu variabel independen secara individual dalam menerangkan variasi variabel dependen. (Ghozali, 2006). Apabila nilai signifikansi < 0,05 maka terdapat pengaruh yang signifikan secara parsial antara variabel independen terhadap variabel dependen.