BAB III METODE PENELITIAN
3.5 Defenisi Operasional Variabel Penelitian
3.5.1.1 Variabel Independen (X)
Variabel independen (bebas) merupakan variabel yang menjelaskan atau mempengaruhi variabel yang lain. Variabel independen yang digunakan dalam penelitian ini adalah komponen laporan arus kas yang terdiri dari arus kas operasi ( ), arus kas investasi ( ) dan arus kas pendanaan ( ).
34 a. arus kas operasi ( ) menjelaskan perubahan pada kas atau setara kas dari
aktivitas operasi perusahaan dalam tahun pengamatan.
b. arus kas investasi ( ) menjelaskan perubahan pada kas atau setara kas dari aktivitas investasi perusahaan dalam tahun pengamatan.
c. arus kas pendanaan ( ) menjelaskan perubahan pada kas atau setara kas dari aktivitas pendanaan perusahaan dalam tahun pengamatan
3.5.1.2 Variabel Dependen (Y)
Variabel dependen (terikat) adalah variabel yang dijelaskan atau yang dipengaruhi oleh variabel independen. Variabel dependen dalam penelitian ini adalah return saham (Y).
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.
35 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)
Return saham (Y)
=
36 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
37 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 3.6.1.1 Uji 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.
38 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 : Data residual tidak berdistribusi normal
39 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.
3.6.1.2 Uji 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 bebas tidak ortogonal). 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 :
40 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.
3.6.1.3 Uji Heterokedastisitas
Heterokedastisitas merupakan situasi dimana dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke
41 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
42 3.6.1.4 Uji 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
43 dengan = 5 % berarti residual random dan diterima, sebaliknya bila nilai signifikansi < 0,05 berarti residual tidak random dan ditolak”.
3.6.2 Pengujian Hipotesis 3.6.2.1 Analisis Data
Metode analisis yang digunakan dalam penelitian ini adalah analisis regresi berganda dengan terlebih dahulu menguji variabel-variabel dari karakteristik perusahaan. Hal ini dilakukan untuk mencari tingkat signifikansi yang paling tinggi diantara variabel-variabel tersebut. Variabel arus kas operasi, arus kas investasi, dan arus kas pendanaan dengan tingkat signifikansi yang paling tinggi akan diregresi dengan indeks return saham. Adapun model regresi linear berganda yang dipakai dalam penelitian ini sebagai berikut:
Y = Dimana :
Y = Return Saham = Arus Kas Operasi = Arus Kas Investasi
= Arus Kas Pendanaan ε = Error
= Konstanta
44 = Koefisien regresi masing-masing = 1,2,3,4.
3.6.2.2 Koefisien Determinasi
Koefisien determinasi ( ) pada intinya mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel dependen.
Besarnya koefisien determinasi ini adalah 0 sampai dengan 1. Nilai yang kecil berarti kemampuan variabel-variabel independen dalam menjelaskan variasi variabel dependen amat terbatas. Menurut Ghozali (2005:169) “Nilai yang mendekati satu berarti variabel- variabel independen memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen”
3.6.2.3 Uji t
Uji t digunakan untuk menguji koefisien regresi secara parsial dari variabel bebas terhadap variabel terikat dimana hipotesis yang digunakan adalah sebagai berikut :
1. : = 0,
Hal ini berarti tidak terdapat pengaruh yang signifikan dari variabel independen secara parsial terhadap return saham.
2. : ≠ 0,
Hal ini berarti terdapat pengaruh yang signifikan dari variabel independen secara parsial terhadap return saham.
45 Untuk menentukan , taraf signifikan yang digunakan sebesar 5% dengan derajat kebebasan (df) = (n-k-1), dimana n merupakan jumlah observasi dan k merupakan jumlah variabel bebas.
Nilai diperoleh dengan rumus :
=
Dimana :
bi = koefisien variabel independen b = Nilai hipotesis nol
= Simpangan baku (standard deviasi) dari variabel independen.
Pengujian hipotesis dilakukan dengan:
Jika > maka Ho ditolak Jika < maka Ho diterima
Perhitungan nilai tidak akan dilakukan secara manual, namun dengan menghitunung dengan Software SPSS 16 dengan memperhatikan tabel coeficient pada kolom nilai t serta tingkat signifikansi dari variabel tersebut. Jika tingkat signifikansi lebih kecil dari 0.05, maka diterima.
46 3.6.2.4 Uji F
Uji ini merupakan pengujian terhadap signifikansi model secara simultan atau bersama-sama, yaitu melihat pengaruh dari seluruh variabel bebas terhadap variabel terikat hipotesis ini dirumuskan dengan:
1. : = = = 0
Hal ini berarti tidak terdapat pengaruh yang signifikansi variabel arus kas operasi, arus kas investasi, arus kas pendanaan terhadap return saham.
2. : = = ≠ 0
Hal ini berarti terdapat pengaruh yang signifikansi variabel arus kas operasi, arus kas investasi, arus kas pendanaan terhadap return saham.
Rumus F hitung oleh Gujarati (2003:258) adalah sebagai berikut
=
Dimana:
k = jumlah variabel bebas n = jumlah observasi
Untuk menentukan nilai tingkat signifikansi yang digunakan sebessar 5% dengan derajat kebebasan (df) = (k-1) dan (n-k) kriteria sebagai berikut:
Jika > maka Ho ditolak diterima
47 Jika < maka Ho diterima ditolak.
Perhitungan nilai F tidak akan dilakukan secara manual, namun dengan menghitung dengan Software SPSS 16 dengan memperhatikan tabel ANOVA pada kolom nilai F serta tingkat signifikansi dari model tersebut. Jika tingkat signifikansi lebih kecil dari 0,05, maka diterima.
48 BAB IV
ANALISIS HASIL DAN PEMBAHASAN 4.1 Data Penelitian
Metode analisis data yang digunakan dalam penelitian ini adalah metode analisis statistik yang menggunakan persamaan regresi linier berganda.
Analisis data dimulai dengan mengolah data dengan menggunakan Microsoft Excel, selanjutnya dilakukan pengujian asumsi klasik dan pengujian menggunakan regresi berganda. Pengujian asumsi klasik dan regresi digunakan dengan menggunakan software SPSS versi 16. Prosedur dimulai dengan memasukkan variabel-variabel penelitian ke program SPSS tersebut dan menghasilkan output-output sesuai metode analisis data yang telah ditentukan.
` Pengambilan sampel dilakukan dengan menggunakan purposive sampling dan berdasarkan kriteria yang telah ditetapkan, sehingga diperoleh 14 perusahaan yang memenuhi kriteria dan dijadikan sampel penelitian ini dan diamati selama periode 2009-2011. Daftar perusahaan yang dijadikan sebagai sampel dapat dilihat pada tabel 4.1
49 Tabel 4.1
Sampel penelitian
KODE NAMA PERUSAHAAN SAMPLE
ADMG PT Polychem Indonesia Tbk S1
ARGO PT Argo Pantes Tbk S2
CNTX PT Centex Tbk S3
ESTI PT Ever Shine Textile Industry S4
HDTX PT Pan Asia Indosyntec Tbk S5
INDR PT Indo Rama Synthetic Tbk S6
KARW PT Karwell Indonesia Tbk S7
MYTX PT Apac Citra Centertex Tbk S8
PAFI PT Pan Asia Filament Inti Tbk S9
PBRX PT Pan Brothers Tbk S10
POLY PT Asia Pasific Fibers Tbk S11
RICY PT Ricky Putra Globalindo Tbk S12 UNIT PT Nusantara Inti Corpora Tbk S13
UNTX PT Unitex Tbk S14
Sumber : 4.2 Analisis Hasil Penelitian
4.2.1 Analisis Statistik Deskriptif
Pengujian statistik deskriptif penting dilakukan sebelum melakukan pengujian asumsi klasik dan pengujian hipotesis. Statistik deskriptif adalah statistik yang digunakan untuk menganalisa data dengan cara mendeskripsikan atau menggambarkan data yang telah terkumpul . Statistik deskriptif memberikan penjelasan mengenai nilai minimum, nilai maksimum, nilai rata-rata (mean), dan nilai standar deviasi dari variabel- variabel independen dan variabel dependen. Hasil pengujian statistik deskriptif pada sampel penelitian yang berjumlah 14 perusahaan ditunjukkan pada tabel 4.2.
50 Tabel 4.2
Descriptive Statistics
N Minimum Maximum Mean Std. Deviation
RETURN SAHAM 42 -19.64 12.79 -.1021 4.59388
AKTIVITAS OPERASI 42 -59.28 13.40 -2.8157 12.40627
AKTIVITAS INVESTASI 42 -9362.50 8706.92 12.0274 2004.34368 AKTIVITAS PENDANAAN 42 -212.28 72.35 -5.5552 36.78473 Valid N (listwise) 42
Tabel 4.2 menunjukkan hasil ouput SPSS mengenai statistik deskriptif variabel penelitian tahun 2009-2011 dengan jumlah sampel keseluruhan sebanyak 42 (14 perusahaan selama 3 tahun). Dari tabel tersebut, dapat dijelaskan statistik deskriptif masing-masing variabel bahwa :
a. Variabel return saham memiliki nilai minimum (terkecil) -19.64, nilai maksimum (terbesar) 12.79, nilai mean (nilai rata-rata) -0.1021, Standart Deviation (simpangan baku) 4.59388, dan jumlah observasi sebanyak 42.
b. Variabel aktivitas operasi memiliki nilai minimum (terkecil) -59.28, nilai maksimum (terbesar) 13.40, nilai mean (nilai rata-rata) -2.8157, Standart Deviation (simpangan baku) 12.40627, dan jumlah observasi sebanyak 42.
c. Variabel aktivitas investasi memiliki nilai minimum (terkecil) -9362.50, nilai maksimum (terbesar) 8706.92, nilai mean (nilai rata-rata) 12.0274, Standart Deviation (simpangan baku) 2004.34368, dan jumlah observasi sebanyak 42.
51 d. Variabel aktivitas pendanaan memiliki nilai minimum (terkecil) -212.28, nilai maksimum (terbesar) 72.35, nilai mean (nilai rata-rata) -5.5552, Standart Deviation (simpangan baku) 36.78473, dan jumlah observasi sebanyak 42.
4.2.2 Uji Asumsi Klasik 4.2.2.1 Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi variabel pengganggu atau residual memiliki distribusi normal atau tidak, dengan membuat 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.
1) Analisis Grafik
Analisis grafik dapat digunakan dengan dua alat, yaitu grafik histogram dan grafik P-P Plot. Data yang baik adalah data yang memiliki pola distribusi normal. Pada grafik histogram, data yang mengikuti atau mendekati distribusi normal adalah distribusi data dengan bentuk lonceng. Pada grafik P-P Plot, sebuah data dikatakan berdistribusi normal apabila titik-titik datanya tidak menceng ke kiri atau ke kanan, melainkan menyebar di sekitar garis diagonal.
52 Gambar 4.1
Grafik Histogram
Gambar 4.2 Grafik P-Plot
53 Dengan melihat tampilan grafik histogram, penulis melihat bahwa gambar histogram telah berbentuk lonceng tetapi menceng ke arah kiri yang menunjukkan bahwa data tidak terdistribusi secara normal. Pada grafik P-P Plot terlihat titik-titik tidak menyebar di sekitar garis diagonal dan jauh dari garis diagonal. Kedua grafik tersebut menunjukkan bahwa model regresi menyalahi asumsi normalitas.
2) Analisis Statistik
Pengujian normalitas data dengan hanya melihat grafik dapat menyesatkan kalau tidak melihat secara seksama, sehingga kita perlu melakukan uji normalitas data dengan menggunakan statistik agar lebih meyakinkan. Untuk memastikan apakah data di sepanjang garis diagonal berdistribusi normal, maka dilakukan uji Kolmogorov-Smirnov (1 sample K-S) dengan melihat data residualnya apakah berdistribusi normal atau tidak. Jika nilai signifikansinya lebih besar dari 0,05 maka data tersebut terdistribusi normal. Jika nilai signifikansinya lebih kecil dari 0,05 maka distribusi data adalah tidak normal.
Hasil uji Kolmogorov-Smirnov dapat dilihat pada tabel 4.3.
54 Dari hasil pengolahan data tersebut, besarnya nilai Kolmogorov-Smirnov adalah 2,073 dan signifikan pada 0,001 maka disimpulkan data tidak terdistribusi secara normal karena p = 0,000 < 0,05.
Data yang tidak berdistribusi normal dapat disebabkan oleh adanya data yang outlier, yaitu data yang memiliki nilai yang sangat menyimpang dari nilai data lainnya. Menurut Jogiyanto (2004:172) 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.
Dari ketiga cara di atas, penulis memutuskan untuk melakukan transformasi data terhadap semua variabel menjadi bentuk Logaritma 10
Tabel 4.3
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 42
Normal Parametersa Mean .0000000
Std. Deviation 2.59798804
Most Extreme Differences Absolute .320
Positive .320
Negative -.154
Kolmogorov-Smirnov Z 2.073
Asymp. Sig. (2-tailed) .000
a. Test distribution is Normal.
55 (LOG10), agar variabel-variabel dalam penelitian ini memenuhi asumsi normalitas. Setelah itu, dilakukan pengujian ulang dengan metode statistik.
a) Uji Grafik
Gambar 4.3
Grafik Normal Histogram
Dengan cara melihat grafik histogram di atas dapat disimpulkan bahwa distribusi data normal karena grafik histogram menunjukkan distribusi data mengikuti garis diagonal yang tidak menceng (skewness) kiri maupun menceng kanan.
56 Demikian pula dengan uji normalitas dengan menggunakan grafik p-p plot berikut ini, pada grafik normal p-p plot, dapat dilihat titik – titik menyebar disekitar garis diagonal dan agak mendekati garis diagonal sehingga dapat disimpulkan data berdistribusi normal.
Gambar 4.2 Grafik Normal P-Plot
57 b. Uji Statistik
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 42
Normal Parametersa Mean .0000000
Std. Deviation .70060421
Most Extreme Differences Absolute .099
Positive .071
Negative -.099
Kolmogorov-Smirnov Z .644
Asymp. Sig. (2-tailed) .801
a. Test distribution is Normal.
Berdasarkan hasil pengujian K-S diatas, nilai K- S yang diperoleh adalah 0,644, dan signifikan pada 0,801, sehingga dapat disimpulkan bahwa data terdistribusi normal dimana nilai p lebih besar dari 0,05 (p = 0,644> 0,05).
Dengan demikian secara keseluruhan bahwa nilai observasi telah terdistribusi normal
4.2.2.2 Uji Multikolonieritas
Dalam penelitian ini, untuk mendeteksi ada tidaknya gejala multikolonieritas adalah dengan melihat besaran korelasi antara variabel independen dan besarnya tingkat kolonieritas yang masih dapat ditolerir, yaitu Tolerance > 0,10 dan Variance Inflation Factor (VIF) < 10. Berikut disajikan tabel hasil pengujian:
58 Tabel 4.5
Uji Multikolonieritas
Berdasarkan tabel 4.5 diatas dapat dilihat bahwa tidak ada satupun variabel bebas yang memiliki nilai VIF lebih dari 10 dan tidak ada yang memiliki tolerance value lebih kecil dari 0,1. Hasil pengujian menunjukkan angka tolerance untuk arus kas operasi lebih besar dari 0.1 (0.857 > 0.1), arus kas investasi lebih besar dari 0.1 (0.928 > 0.1), arus kas pendanaan lebih besar dari 0.1 (0.919 >0.1). Angka VIF untuk arus kas operasi lebih kecil dari 10 (1.167 <
10), arus kas investasi lebih kecil dari 10 (1.078 < 10), arus kas pendanaan (1.088
<10).
Berdasarkan hasil pengujian tersebut diperoleh kesimpulan tidak terdapat multikolonieritas. Hasil ini menunjukkan tidak ada hubungan antar variabel bebas (independen).
Model
Unstandardized Coefficients
Standardized
Coefficients Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) -.103 .114
AKTIVITAS OPERASI -.067 .191 -.060 .857 1.167
AKTIVITAS
INVESTASI .037 .106 .057 .928 1.078
AKTIVITAS
PENDANAAN .181 .140 .214 .919 1.088
a. Dependent Variable: RETURN SAHAM
59 4.2.2.3 Uji Heterokedastisitas
Untuk pengujian heteroskedastisitas, penulis menggunakan alat analisis grafik (Scatterplot). Pada analisis grafik Scatterplot, deteksi ada tidaknya heteroskesdatisitas dapat dilakukan dengan melihat jika tidak ada pola tertentu pada grafik Scatterplot maka tidak terjadi heteroskedastisitas dengan kata lain terjadi homoskedastisitas. Hasil pengujian dapat ditunjukkan grafik scatterplot antara ZPRED dan ZRESID sebagai berikut.
Gambar 4.5 Grafik Scatterplot