BAB III METODE PENELITIAN
3.6 Teknik Analisis Data
3.6.1 Uji Asumsi Klasik
dipenuhi adalah: a. berdistribusi normal.
b. non-multikolinearitas, artinya antara variabel independen dalam model regresi tidak memiliki korelasi atau hubungan secara sempurna ataupun mendekati sempurna.
c. homokedastisitas, artinya varians variabel independen dari satu pengamatan ke pengamatan lain adalah konstan atau sama
d. non-autokorelasi, artinya kesalahan pengganggu dalam model regresi tidak saling berkorelasi.
Pengujian tersebut meliputi: 3.6.1.1 Uji Normalitas
Uji ini bertujuan untuk melihat normal tidaknya sebaran data. Deteksi normalitas dengan melihat penyebaran data pada sumbu diagonal dari grafik. Dasar pengambilan keputusan normal probability plot tersebut adalah sebagai berikut:
a.jika data menyebar sekitar garis diagonal dan mengikuti arah garis diagonal atau grafis histogramnya menunjukkan pola distribusi normal, maka model regresi memenuhi asumsi normalitas
b.jika menyebar jauh dari garis diagonal dan/atau tidak mengikuti arah garis diagonal atau grafis histogramnya tidak menunjukkan pola distribusi normal, maka model regresi
tidak memenuhi asumsi normalitas.
Analisis statistik dilakukan dengan uji statistik nonparametrik Kolmogrov-Smirnov (K-S). Bila nilai signifikan < 0,05 berarti distribusi data tidak normal, sebaliknya bila nilai signifikan > 0,05 berarti distribusi data normal (Ghozali, 2005: 115).
Distribusi yang melanggar asumsi normalitas dapat dijadikan menjadi bentuk yang normal menurut Jogiyanto (2004: 172) dengan beberapa cara sebagai berikut:
1. Transformasi Data
Transformasi data dapat dilakukan dengan logaritma natural (Ln), Log 10, maupun akar kuadrat. Jika ada data yang bernilai negatif, transformasi data dengan logaritma akan menghilangkannya sehingga jumlah sampel (n) akan berkurang.
2. Trimming
Trimming adalah memangkas atau membuang observasi yang bersifat outlier.
3. Winzorising
Winzorising mengubah nilai-nilai outlier menjadi nilai-nilai minimum atau maksimum yang diizinkan supaya distribusinya menjadi normal.
3.6.1.2 Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah pada model regresi ditemukan adanya korelasi di antara variabel independen. Model regresi yang baik seharusnya menunjukkan tidak terjadinya korelasi di antara variabel independen. Multikolinearitas adalah situasi adanya korelasi variabel-variabel independen antara yang satu dengan yang lainnya. Untuk mendeteksi ada tidaknya multikolinearitas di dalam model regresi, menurut Ghozali (2005: 91), dapat dilihat dari:
1.nilai tolerance dan lawannya 2.variance inflation factor
Kedua ukuran ini menunjukkan setiap variabel independen lainnya. Tolerance mengukur variablitias variabel independen yang terpilih tidak dijelaskan oleh variabel independen lainnya. Jadi nilai tolerance yang rendah sama dengan VIF yang tinggi (karena VIF = 1/Tolerance). Nilai
cutoff yang umum dipakai untuk menunjukkan adanya
multikolinearitas adalah nilai Tolerance < 0,10 atau sama dengan nilai VIF > 10.
3.6.1.3 Uji Heteroskedastisitas
Pengujian ini untuk melihat apakah terjadi ketidaksamaan varians dari residual dari satu pengamatan ke
pengamatan yang lain. Jika varians dari residual satu pengamatan ke pengamatan lain tetap, maka disebut homokedastisitas, dan jika varians berbeda disebut heterokedastisitas. Model regresi yang baik adalah tidak terjadi heterokedastisitas. Untuk mendeteksinya adalah dengan melihat titik-tidak menyebar secara acak, tidak membentuk sebuah pola tertentu yang jelas, serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y (penyebaran merata pada batas -2,5 sampai dengan 2,5). Hal ini berarti tidak terjadi heterokedastisitas, sehingga model regresi layak dipakai.
3.6.1.4 Uji Autokorelasi
Uji autokeralasi bertujuan untuk menganalisis apakah dalam model regresi terdapat korelasi antara kesalahan pengganggu pada perode t dengan kesalahan t1 atau sebelumnya (Erlina, 2007). 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 ke observasi lainnya. Hal ini paling sering ditemukan pada data runtut waktu atau time series karena “gangguan” pada seorang individu/kelompok cenderung mempengaruhi “gangguan” pada individu/kelompok yang sama pada periode berikutnya.
Model regresi yang baik adalah model regresi yang bebas dari autokorelasi. Untuk mengetahui adanya autokorelasi dapat dideteksi dengan menggunakan Durbin Watson statistik.
3.6.2 Pengujian Hipotesis
Dalam mengetahui pengaruh komponen arus kas, laba akuntansi, dan ukuran perusahaan terhadap return saham pada perusahaan manufaktur yang terdaftar di Bursa Efek Indonesia, maka digunakan analisis regresi linier berganda. Model regresi linier berganda yang dimaksud, persamaannya adalah:
Y = a + β1X1 + β2X2 + β3X3 + β4X4 + β5X5 + e
Keterangan: Y = return saham A = konstanta
β 1-5= koefisien regresi dari masing-masing variabel independen X1 = perubahan arus kas dari aktivitas operasi
X2 = perubahan arus kas dari aktivitas investasi X3 = perubahan arus kas dari aktivitas pendanaan X4 = laba akuntansi setelah pajak
X5 = ukuran perusahaan
e = tingkat kesalahan pengganggu.
variabel terikat, baik secara parsial maupun bersama-sama (serentak), dilakukan dengan Uji-T dan Uji-F.
-Uji-T (Uji secara Parsial)
Uji secara parsial untuk menguji setiap variabel bebas atau
independent variable (Xi) apakah mempunyai pengaruh atau tidak terhadap variabel tidak bebas atau dependent variable (Yi). Bentuk pengujiannya adalah:
H0 : βi = 0, artinya informasi komponen arus kas, laba akuntansi, dan ukuran perusahaan secara parsial tidak mempunyai pengaruh terhadap return saham pada perusahaan manufaktur yang terdaftar di BEI.
Ha : βi ≠ 0, artinya informasi komponen arus kas, laba akuntansi, dan ukuran perusahaan secara parsial mempunyai pengaruh terhadap
return saham pada perusahaan manufaktur yang terdaftar di BEI. Dengan menggunakan tingkat signifikan (alpha) 5% dan derajat kebebasan (df) ≥ 20, kemudian dibandingkan ttabel dengan thitung untuk menguji signifikansi pengaruh. Apabila nilai thitung > ttabel, maka H0 ditolak.
- Uji-F (Uji secara Serentak)
Uji F dilakukan untuk melihat seberapa besar pengaruh variabel independen secara bersama-sama terhadap variabel dependen. Bentuk pengujiannya adalah:
setelah pajak, dan ukuran perusahaan secara bersama-sama tidak mempunyai pengaruh terhadap return saham pada perusahaan manufaktur yang terdaftar di BEI.
Ha : β1, β2, β3, β4, β5 ≠ 0, artinya informasi komponen arus kas, laba setelah pajak, dan ukuran perusahaan secara bersama-sama mempunyai pengaruh terhadap return saham pada perusahaan manufaktur yang terdaftar di BEI.
Pengujian signifikansi dilakukan dengan mengamati Fhitung pada nilai signifikan (alpha) 5%. Apabila nilai Fhitung > Ftabel, maka H0 ditolak.