TATA CARA MENETUKAN JUDUL SKRIPSI DAN

OLAH DATA MENGGUNAKAN SOFTWARE SPSS

Disusun Oleh:
Jatis Mara Jatmika S.E
Bekerjasama dengan
HIMA Akuntansi S1 Universitas Pamulang
 Bab I
3 Cara Menentukan Judul Skripsi

Pada dasarnya ada banyak cara dalam menentukan atau memperoleh judul penelitian.
Tapi untuk mempermudah para pembaca dalam menetukan atau memperoleh judul maka
penulis merumuskan menjadi 3 cara, yaitu:
1. Berdasarkan Fenomena
Melihat fenomena adalah salah satu cara yang dapat dilakukan, tetapi pada
dasarnya bagi para mahasiswa ataupun pelajar sulit untuk melihat fenomena hal ini
tergantung pada seberapa luas wawasan kita agar dapat melihat fenomena yang dapat
dijadikan judul penelitian. Tidak hanya itu untuk fenomena yang baru terjadi biasanya
sangat minim referensi sehingga bagi peneliti yang ingin mengangkat judul berdasarkan
fenomena dibutuhkan pengetahuan yang luas dan usaha yang keras untuk memperoleh
referensi dan informasi penguat.
Berikut adalah contoh judul yang dibuat berdasarkan fenomena. Adapun fenomena
yang akan penulis angkat adalah seputar tentang program TAX AMNESTI yang sedang
digalakkan oleh pemerintah untuk merangkul para wajib pajak. Judul yang dapat dibuat
berdasarkan fenomena diatas misalnya PENGARUH TAX AMNESTI TERHADAP
PENDAPATAN PAJAK NEGARA.
2. Menggabungkan 2 atau lebih Penelitian yang berbeda
Menggabungkan 2 atau lebih penelitian yang berbeda adalah cara lain untuk
menyusun judul skripsi. Ada beberapa hal yang perlu diperhatikan dalam menggunakan
cara ini antara lain judul penelitian yang ingin digabungkan memiliki variabel dependent
(Y) yang sama, selain itu peneliti juga harus melihat bagaimana hasil pada penelitian yang
ingin digabungkan agar tidak mempersulit dalam pengerjaannya.
Berikut adalah contoh judul yang dibuat dengan cara menggabungkan 2 judul
skripsi. Adapun judul pertama adalah PENGARUH GOOD CORPORATE
GOVERNANCE TERHADAP MINAT INVESTOR dan judul kedua PENGARUH
CORPORATE SOCIAL RESPONSIBILITY TERHADAP MINAT INVESTOR kita akan
menggabungkan kedua judul skripsi diatas menjadi PENGARUH GOOD CORPORATE
GOVERNANCE DAN CORPORATE SOCIAL RESPONSIBILITY TERHADAP
MINAT INVESTOR.
3. Berdasarkan Saran Penelitian Terdahulu
Melihat saran penelituan terdahulu adalah cara yang paling mudah dimana saran
pada penelitian terdahulu berisikan tentang rekomendasi tentang apa yang dapat penelitian
dikemudian hari dapat tambahkan atau ganti sehingga penelitian yang dilakukan lebih
dapat mewakili.
Berikut adalah contoh judul yang dibuat dengan cara melihat saran penelitian
terdahulu. Kita akan melihat saran penelitian yang berjudul PENGARUH CORPORATE
SOCIAL RESPONSIBILITY TERHADAP NILAI PERUSAHAAN. Pada akhir penelitian
tersebut penulis menyarankan agar menambahkan variabel good corporate governance
karna hal tersebut dapat pula meningkatkan nilai suatu perusahaan. Setelah mengikuti
saran terebut maka kita dapat membuat judul PENGARUH CORPORATE SOCIAL
RESPONSIBILITY DAN GOOD CORPORATE GOVERNANCE TERHADAP NILAI
PERUSAHAAN
 Bab II
Mengolah Data SPSS
1. Cara Memasukkan Data

Gambar 1.1
Tampilan Data Excel

Gambar 1.2
Tampilan Data SPSS

Gambar diatas menunjukan pemindahan data dari excel ke spss dengan cara
mengcopy. Sebagai catatan yang dicopy hanya angkanya saja. Untuk mengcopy data
 dapat menggunakan (CTRL + C) atau (Klik kanan – Copy) dan untuk paste nya dapat
menggunakan (CTRL + V) atau (Klik Kanan – Paste).

2. Pemberian Label dan Nama Variabel

Gambar 2.1
Tampilan Data View

Gambar diatas menunjukan data variabel kita dan untuk memberikan nama kita
dapat melihat lingkaran merah pada gambar, dimana terdapat tulisan data view dan
variabel view.posisi gambar diatas adalah tampilan data view dan apabila kita klik
variabel view akan muncul tampilan seperti gambar dibawah ini.
 Gambar 2.2
Tampilan Variabel View
Selanjutnya kita akan memberikan nama variabel dikolom (Name) dan label di kolom
(Label) seperti pada gambar 2.3 dibawah ini.

Gambar 2.3
Tampilan Variabel View Yang Sudah diberi Nama dan Label

Setelah masuk ke variabel view kita dapat mengikuti contoh diatas. Sebagai catatan
yang perlu di isi hanya name dan label, sedangkan yang lainnya SPSS akan membaca
secara otomatis.
3. Uji Statistik Dekriptif
Menurut Ghozali (2013) statistik deskriptif memberikan gambaran atau deskripsi
suatu data yang dilihat dari nilai rata-rata (mean), standar deviasi, varian, maksimum,
minimum, sum, range, kurtosis dan skewness (kemencengan distribusi).
 Langkah-langkah Uji Statistik Deskriptif
Analyze – Descriptive Statistics – Descriptive

Gambar 3.1
Langkah Pertama Uji Statistik Deskriptif

Setelah kita melakukan perintah seperti pada gambar 3.1 , selanjutnya akan muncul
tampilan seperti gambar 3.2. Kemudian yang harus dilakukan adalah memasukkan
semua variabel dari kotak sebelah kiri ke kotak sebelah kanan dengan cara mengklik
panah yang ada diantara kotak tersebut seperti pada contoh gambar 3.2.
 Gambar 3.2
Langkah Kedua Uji Statistik Deskriptif

Kemudian Klik Options maka akan muncul tampilan seperti gambar 3.3. Lalu kita
diharuskan mencetang data yang ingin kita munculkan sesuai keinginan atau kebutuhan
kita.

Gambar 3.3
Langkah Ketiga Uji Statistik Deskriptif
 Setelah memilih data deskripsi apa saja yang nantinya akan dijabarkan kita dapat klik
continue lalu OK. Setelah klik OK akan muncul tabel statistik deskriptif. Tabel yang
muncul sesuai dengan apa yang tadi kita pilih di Options.

Tabel 3.1
Statistik Deskriptif

Descriptive Statistics
N Minimum Maximum Mean Std. Deviation
Profit 55 ,10 5,58 1,8698 1,37739
Eva - - -
1594371384558
55 5601981075205 6072828643903 1239171995766
7680,00000
1800,00 55,00 2680,0000
Saham 55 1060,00 74000,00 14422,0000 13351,72137
Valid N (listwise) 55

4. Uji Validitas
Analyze – Colerate – Bivariate

Gambar 4.1
Setelah kita melakukan perintah seperti pada gambar 4.1 , selanjutnya akan muncul
tampilan seperti gambar 4.2. Kemudian yang harus dilakukan adalah memasukkan
semua pertanyaan(komponen) untuk satu variabel dari kotak sebelah kiri ke kotak
sebelah kanan dengan cara mengklik panah yang ada diantara kotak tersebut seperti
pada contoh gambar 4.2.
 Gambar 4.2
Setelah memilih data apa saja yang nantinya akan dijabarkan kita dapat klik OK. Setelah
klik OK akan muncul tabel Correlations seperti ditunjukan gambar 4.3.

Gambar 4.3
Pada gambar 4.3. (R hitung > R table) jika R hitung kurang dari R table maka dapat
dikatakan data tidak valid.
Untuk variable selanjutnya dilakukan dengan cara yang sama.
 5. Uji Realibilitas
Analyze – Scale – Realibility analysis

Gambar 5.1

Setelah kita melakukan perintah seperti pada gambar 5.1 , selanjutnya akan muncul tampilan
seperti gambar 5.2. Kemudian yang harus dilakukan adalah memasukkan semua
pertanyaan(komponen) untuk satu variabel (hanya pertanyaan) dari kotak sebelah kiri ke
kotak sebelah kanan dengan cara mengklik panah yang ada diantara kotak tersebut seperti
pada contoh gambar 4.2 dan klik OK..
 Gambar 5.2
Setelah memilih data apa saja yang nantinya akan dijabarkan kita dapat klik OK. Setelah
klik OK akan muncul tabel Correlations seperti ditunjukan gambar 5.3.

Gambar 5.3

Pada gambar 5.3. Menurut Imam Gozali jika Crohnbach’s Alpha lebih dari 0,7 maka data
realible/dapat dipercaya, jika kurang dari 0,7 maka data tidak realible.
Untuk variable selanjutnya dilakukan dengan cara yang sama.
6. Uji Asumsi Klasik
a. Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel
pengganggu atau residual memiliki distribusi normal. Dalam uji normalitas ini ada 2
cara untuk mendeteksi apakah residual berdistribusi
normal atau tidak, yaitu dengan analisis grafik dan uji statistik.(Ghozali, 2013:
105).

b. Uji Multikolinearitas
Menurut Ghozali (2013:105) uji multikolonieritas bertujuan untuk menguji
apakah model regresi ditemukan adanya korelasi antar variabel bebas (independen).
Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel
independen. Jika variabel independen saling berkorelasi, maka variabel-variabel ini
tidak ortogonal. Variabel ortogonal adalah variabel independen yang nilai korelasinya
antar sesama variabel independen sama dengan nol.

c. Uji Heteroskedastisitas
Menurut Ghozali (2013:139) Uji heteroskedastisitas bertujuan untuk menguji
apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu
pengamatan ke pengamatan yang lain. Model regresi yang baik adalah yang
homoskedastisitas atau tidak terjadi heteroskedastisitas. Ada beberapa cara untuk
mendeteksi ada atau tidaknya heteroskedastisitas.
d. Uji Autokorelasi
Menurut Ghozali (2013:110) uji autokorelasi bertujuan untuk mengetahui
apakah dalam model regresi linier ada korelasi antara kesalahan pengganggu pada
periode t dengan kesalahan penggangu pada periode t (sebelumnya). Autokorelasi
muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lain.
Masalah ini timbul karena residual (kesalahan penggangu) tidak bebas dari satu
observasi ke observasi lainnya. Model regresi yang baik adalah model regresi yang
bebas dari autokorelasi. Kuncoro (2009:106) menambahkan untuk mendeteksi
terdapat atau tidak terdapatnya gejala autokorelasi dengan cara melihat besarnya nilai
D-W (Durbin-Watson).
7. Uji Hipotesis
a. Regresi Berganda
Metoderegresi linier berganda (multiple regression) dilakukan terhadap model
yang diajukan peneliti dengan menggunakan Software SPSS Versi 21 untuk
memprediksi hubungan antara variable independen dengan variable dependen.
Persamaan regresi ganda adalah :
𝑌=𝑎+β1X1+ β2X2+ β3X3+𝑒
Dimana :
Y : Subyek dalam variable dependen
a : Harga konstan
b :Koefisien regresi
X :Subyek pada variable independen
e : Kesalahan arah / standar error

b. Uji Koefisien Determinasi ( R2 )

Nilai R2 digunakan untuk mengukur tingkat kemampuan model dalam
menerangkan variasi variabel independen. Nilai koefisien determinasi adalah antara nol
dan satu. Nilai R2 yang kecil berarti kemampuan variabel-variabel independen dalam
menjelaskan variasi variabel dependen amat terbatas. Nilai yang mendekati satu berarti
variabel-variabel independen memberikan hamper semua informasi yang dibutuhkan
untuk memprediksi variasi variabel dependen.

c. Uji Regresi Parsial ( Uji t )

Menurut Ghozali (2013:98) Uji statistik t menunjukan seberapa jauh pengaruh
satu variabel penjelas/independen secara individual dalam menerangkan variasi
variabel dependen dan digunakan untuk mengetahui ada atau tidaknya pengaruh
masing-masing variabel independen secara individual terhadap variabel dependen yang
diuji pada tingkat signifikan 0,05.

d. Uji Simultan ( Uji F )

Menurut Ghozali (2013:98) Uji F menunjukan apakah semua variabel
independen atau bebas yang dimasukan dalam model mempunyai pengaruh secara
bersama-sama terhadap variabel dependen/terikat. Uji statistik F digunakan untuk
 mengetahui semua variabel independen yang dimasukkan dalam model regresi secara
bersama-sama terhadap variabel dependen yang diuji secara signifikan 0,05.

8. Langkah-langkah Uji Asumsi Klasik dan Uji Hipotesis

 Langkah Pertama
Analyze – Regression – Linear

Gambar 6.1
Langkah Pertama Regresi

 Langkah Kedua
Masukkan variabel sesuai dengan kolomnya, variabel independent di kolom
independent dan variabel dependent di dependent seperti pada contoh gambar 6.2.
dengan cara mengklik panah yang telah di lingkari merah pada gambar.
 Gambar 6.2
Langkah Kedua

Selanjutnya perhatikan pada gambar 6.2 yang ke 2 ada lingkaran merah di Statistik,
Plots dan Save. Kemudian klik Statistik dan kita masuk kelangkah yang ketiga

 Langkah Ketiga

Ada beberapa point yang perlu

diperhatikan :

1. Estimates dan Model fit di

ceklis guna memunculkan
Model Summary, Tabel T
dan Tabel F
2. Covariance Matrix dan
Gambar 6.3.
Collinearity diagnotstics di
Langkah Ketiga
 Langkah Keempat ceklis guna memunculkan
nilai VIF dan Tolerance
Setelah langkah ketiga selesai kita masuk
(untuk uji Multikolinearitas)
kelangkah yang keempat dengan mengklik plots.
Kemudian akan muncul gambar seperti dibawah 3. Durbin-Watson (untuk uji
ini. Autokorelasi)
Setelah itu klik Continue
 Gambar 6.4
Langkah Keempat

Untuk langkah keempat isi sesuai dengan gambar 6.4. sedikit saya jelaskan SRESID
dan ZPRED di isi untuk memunculkan gambar Scatter Plot (untuk uji
Heteroskedastisitas) dan Normal Probability plot di isi untuk memunculkan P-Plot
(untuk uji Normalitas). Kemudian klik continue lalu kita masuk ke save.

Setelah kita klik save maka isikan

sesuai lingkaran merah gambar 6.5.
residual unstandardized di isi untuk
memunculkan data residual
unstandardized yang nantinya dapat
digunakan untuk mengatasi apabila
tidak lolos uji asumsi klasik.

Apabila semua langkah tlah

dilakukan selanjutnya klik continue
lalu OK

Maka akan keluar output spss yang

kita butuhkan .............

SELESAI ............................
Gambar 6.5
Data Residual Unstandardized
 Bab III
Pendalaman Uji Asumsi Klasik
A. Uji Normalitas
Pada dasarnya uji normalitas yang umum dipakai adalah P-plot dan Kolmogorov-
smirnov. Untuk uji P-Plot sebelumnya sudah dibahas di bab sebelumnya, sehingga pada
pembahasan kali ini kita hanya akan mengetahui cara membacanya. Pada bab sebelumnya
juga sudah dibahas tentang cara memunculkan data Reidual Unstandardized yang nantinya
akan kita gunakan untuk uji normalitas dengan menggunaka kolmogorov-smirnov.
Selanjutnya yang pertama kita bahas adalah uji normalitas dengan menggunakan P-Plot.
1. Membaca P-Plot

Gambar 2.1
P-Plot

Dikatakan data yang kita gunakan normal apabila gambar P-Plot

memperlihatkan titik-titik yang ada pada gambar mengikuti dan tidak jauh dari garis
diagonal. Pada gambar 2.1 bisa dilihan bahwa titik-titik agak menjauh dari garis
diagonal sehingga dapat dikatakan data yang kita gunakan kemungkinan tidak normal.
Untuk memastikannya kita akan menggunakan uji normalitas yang kedua, yaitu
dengan menggunakan Kolmogorov-Smirnov.
2. Langkah-langkah uji Kolmogorov-smirnov
Nonparametric Tests – Legacy Dialogs – 1 Sample K-S

Gambar 2.2
Langkah Pertama 1-Sample K-S

Setelah mengikuti langkah pada gambar 2.2 kita lanjut dengan memasukkan data
residual unstandardized seperti pada gambar 2.3.

Gambar 2.3
 Langkah Kedua 1-Sample K-S

Pada gambar 2.2 perhatikan lingkaran merah pada tulisan unstandardized

residual. Lingkaran merah itu menunjukan data unstandardized yang telah dimasukkan
untuk uji kolmogorov. Setelah itu klik OK dan akan muncul tabel seperti berikut.

Tabel 2.1
One-Sample Kolmogorov-Smirnov Test

One-Sample Kolmogorov-Smirnov Test

Unstandardized
Residual
N 55
a,b
Normal Parameters Mean ,0000000
Std. Deviation 12380,3465093
0
Most Extreme Differences Absolute ,147
Positive ,147
Negative -,139
Test Statistic ,147
Asymp. Sig. (2-tailed) ,005c
a. Test distribution is Normal.
b. Calculated from data.
c. Lilliefors Significance Correction.

Pada tabel 2.1 kita dapat melihan nilai Asymp. Sig. (2-tailed) sebesar ,005 atau
0,005. Syarat lulus uji normalitas adalah nilai Asymp. Sig. (2-tailed) > 0,05. Sehingga
data pada contoh kali ini dikatakan tidak normal karena nilai nilai Asymp. Sig. (2-
tailed) < 0,05.
Pada contoh data kali ini kita mendapati data yang kita gunakan tidak normal
sehingga kita harus melakukan pengobatan untuk menormalkan data yang akan kita
bahas dibab berikutnya.

B. Uji Multikolinearitas
Uji multikol yang umum dipakai adalah uji VIF dan Tolerance yang telah
dijabarkan di bab sebelumnya sehingga kita tidak perlu membahas lebih dalam lagi.
Apabila tidak lolos uji multikol kita harus mengganti atau menghilangka salah satu
variabel independent. Karena pada dasarnya multikol mengdeteksi ada atau tudaknya
hubungan antar variabel independent. Sehingga apabila terdeteksi adanya hubungan cara
menyelesaikannya adalah dengan mengganti alat ukur, mengaganti variabel independent
atau menghilangkan variabel independent.
 1. Membaca Uji Multikol
Tabel 2.2
VIF dan Tolerance
a
Coefficients
Unstandardized
Coefficients Collinearity Statistics
Model B Std. Error t Sig. Tolerance VIF
1 (Constant)
9966,435 3287,004 3,032 ,004

Profit 3199,069 1252,677 2,554 ,014 ,990 1,010

EVA 1,232E-
,000 1,138 ,260 ,990 1,010
13
a. Dependent Variable: Saham

Pada uji multikolinearitas kita akan melihat nilai VIF dan Tolerance, adapun
syarat yang harus terpenuhi agar lolos uji multikolinearitas adalah nilai VIF yang harus
labih besar dari 0,1 (VIF>0,1) dan nilai tolerance lebih kecil dari 10 (Tolerance<10).

C. Uji Heteroskedastisitas
Pada dasarnya uji heteros yang umum dipakai adalah Scatter plot dan Gletser.
Untuk uji Scatter plot sebelumnya sudah dibahas, sehingga kita hanya akan membahas cara
membacanya dibab ini. Yang pertama kita akan membahas bagaimana cara membaca
scatter plot.
1. Scatter Plot
 Gambar 2.4
Scatter Plot
Pada tabel Scatter plot kita dapat melihat ada titik-titik pada gambar yang akan
kita pakai untuk menganalisa uji heteros. Syarat agar lolos uji heteros yaitu titik-titik
pada gambar yang diharuskan menyebar secara acak, tidak membentuk pola tertentu dan
tidak bertumpuk. Pada gambar 2.4 menunjukan ada titik-titik yang bertumpuk sehingga
dapat dikatakan data yang kita gunakan tidak lolos uji heteros. Untuk lebih memastikan
lolos atau tidaknya uji heteros kita dapat menggunakan uji gletser.

2. Uji Gletser
 Langkah-langkah uji gletser
Transform – Compute Variable

Gambar 2.5
Langkah Pertama Gletser

Setelah mengikuti langkah pada gambar 2.5 makan akan muncul tampilan eperti
gambar 2.6 yang nanti dapat dillihat. Yang perlu diperhatikan pada gambar 2.6 kita
akan menggunakan rumus untuk memunculkan data baru yang akan digunakan untuk
uji gletser. Langkah untuk mengisi pada gambar 2.6 adalah yang pertama pada
target variabel isi dengan Absutdan untuk Numeric Expression isi dengan
absut(RES_1). Setelah iti klik OK, untuk lebih jelasnya kita lihat gambar 2.6
berikut.
 Gambar 2.6
Langkah Kedua Gletser

Setelah itu kita akan meregres kembali data hanya saja kali ini yang menjadi
variabel dependentnya adalah absut yang baru saja kita buat. Untuk lebih jelasnya
mari perhatikan gambar berikut.

Gambar 2.7
Langkah Ketiga Gletser

Pada gambar 2.7 kita memasukkan Absut menjadi variabel dependent yang
nantinya hasil regres ini kita jadikan acuan untuk menilai heteros. Setelah itu klik
OK maka akan muncul hasil regres baru dengan Absut sebagai variabel dependent.
 Tabel 2.3
Output Uji Gletser
Coefficientsa

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta T Sig.
1 (Constant)
12096,427 2353,217 5,140 ,000

Profit -1158,861 896,811 -,173 -1,292 ,202

EVA 1,436E-13 ,000 ,247 1,854 ,069
a. Dependent Variable: Absut

Yang pertama perhatikan kita melihat tabel coefficient dengan variabel

dependent adalah Absut. Syarat dikatakan lolos uji heteroskedastisitas adalah nilai
sig harus di atas 0,05 (Sig > 0,05), pada tabel diata nilai Sig Profit maupun EVA
diatas 0,05 (> 0,05) sehingga dikatakan lolos.
Pada pembahasan sebelumnya pada uji Scatter plot dikatakan tidak lolos
karena pada dasarnya uji Scatter Plot kurang dapat mewakili hasil untuk heteros
sehingga lebih dianjurkan untuk menggunakan uji gletser.
D. Uji Autokorelasi
Pada dasarnya uji autokorelasi yang umum dipakai adalah Durbin-watson (DW)
dan Runs test. Untuk Durbin-waton (DW) sebelumnya sudah dibahas, sehingga kita hanya
akan membahas cara membacanya dibab ini. Yang pertama kita akan membahas
bagaimana cara membaca DW.
1. Durbin-Watson (DW)
Tabel 2.4
Durbin-watson
b
Model Summary
Adjusted R Std. Error of the
Model R R Square Square Estimate Durbin-Watson
1 ,374a ,140 ,107 12616,18382 1,680
a. Predictors: (Constant), EVA, Profit
b. Dependent Variable: Saham

Untuk membaca durbin watson kita harus memiliki tabel DW yang dapat kita
peroleh dari internet ataupun dari buku. Kemudian apabila sudah memiliki tabel DW
kita akan melihat nilai DU ditabel tersebut karena syarat dikatakan lolos autokorelasi
adalah nilai DU lebih kecil dari nilai DW dan nilai DW lebih kecil dari 4-DU
 (DU<DW<4-DU). Pada penelitian kali ini dengan N (jumlah data) = 55 dan K
(variabel) = 3 diperoleh nilai DU = 1,6815. Sehingga data kali ini tidak lolos auto
korelasi karena tidak sesuai dengan kriteria yaitu (DU<DW<4-DU)
(1,6815>1,680<(4-1,6790)). Selanjutnya kita akan mencoba alternatif lain apabila
tidak lolos dengan uji DW kita dapat menggunakan UJI Runs Test.
2. Runs Test
 Langkah Uji Runs Test
Nonparametric Tests – Legacy Dialogs – Runs

Gambar 2.8
Langkah Runs

Pada dasarnya uji runs test sama saja seperti uji Kolmogorov yang
menggunakan data residual unstandardized. Pada gambar 2.8 kita dapat melihat
langkahnya. Lanjut kita dengan memasukkan data rasidual unstandardied lalu klik
OK (sama seperti kolmogorov). Selanjutnya kita akan melihat output seperti
berikut.
 Unstandardized Residual

a
Test Value -1672,42148
Cases < Test Value 27
Cases >= Test Value 28
Total Cases 55
Number of Runs 21
Z -2,040
Asymp. Sig. (2-tailed) ,041

a. Median

Syarat runs test dikatakan lolos apabila nilai Asymp. Sig. (2-tailed) lebih
besar dari 0,05 (Asymp. Sig. (2-tailed)>0,05). Apabila tidak lolos uji autokorelasi
baik dengan DW maupun Runs kalian perhatikan apakah penyusunan data kalian
sudah benar. Data yang benar adalah disusun per perusahaan bukan pertahun.
 BAB IV
PENDALAMAN UJI REGRESI LINIER

A. Regresi Linier
1. Sederhana
Regresi linier sederhana adalah uji regresi untuk 1 variabel dependent dan 1
variabel independent. Berikut adalah contoh regresi linier sederhana dan
penjabarannya.
Tabel 4.1
Regresi Linier Sederhana
a
Coefficients

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta T Sig.
1 (Constant)
8174,779 2893,478 2,825 ,007

Profit 3341,068 1249,913 ,345 2,673 ,010

a. Dependent Variable: Saham

Dari table uji regresi sederhana diatas maka diperoleh persamaan regresi

sebagai berikut :

Y = 8174,779 + 3341,068X1 + e

Dari persamaan diatas diketahui konstanta sebesar 8174,779 artinya apabila

semua variable independenya itu sama dengan nol, maka Return Saham akan

bernilai sebesar 8174,779. Selanjutnya Koefisien Profit sebesar 3341,068 Artinya

bahwa setiap penambahan 1% profit, maka Saham akan naik sebesar 3341,068.

2. Berganda
Regresi linier berganda adalah sebutan untuk proses regresi yang variabel
independentnya lebih dari 1. Berikut adalah contoh regresi linier berganda dan
penjabarannya.
 Tabel 4.2
Regresi Linier Berganda
Coefficientsa

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant)
9966,435 3287,004 3,032 ,004

Profit 3199,069 1252,677 ,330 2,554 ,014

EVA 1,232E-
,000 ,147 1,138 ,260
13
a. Dependent Variable: Saham

Dari table uji regresi berganda diatas maka diperoleh persamaan regresi

sebagai berikut :

Y = 9966,435 + 3319,069X1 - 0,0000000000001232X2 + e

Dari persamaan diatas diketahui konstanta sebesar 9966,435 artinya apabila

semua variable independenya itu sama dengan nol, maka Return Saham akan

bernilai sebesar 9966,435. Selanjutnya Koefisien Profit sebesar 3319,069 Artinya

bahwa setiap penambahan 1% profit, maka Saham akan naik sebesar 3319,069.

Kemudian yang terakhir adalah koefisien EVA sebesar -0,0000000000001232

Artinya bahwa setiap penambahan 1% EVA, maka Saham akan turun sebesar

0,0000000000001232.

B. Koefisien Determinasi

Koefisien determinasi adalah mengukur tingkat kemampuan model dalam

menerangkan variasi variable independen. Nilai koefisien determinasi adalah antara nol

dan satu. Nilai R2 yang kecil berarti kemampuan variabel-variabel independen dalam

menjelaskan variasi variable dependen amat terbatas. Nilai yang mendekati satu berarti

variabel-variabel independe nmemberikan hamper semua informasi yang dibutuhkan

 untuk memprediksi variasi variable dependen. Berikut adalah contoh tabel dan

penjelasannya.

Tabel 4.3
Koefisien Determinasi
b
Model Summary
Adjusted R Std. Error of the
Model R R Square Square Estimate Durbin-Watson
a
1 ,374 ,140 ,107 12616,18382 1,680
a. Predictors: (Constant), EVA, Profit
b. Dependent Variable: Saham

Dari tabel diatas diketahui bahwa koefisien determinasi yang disesuaikan (Adjusted

R Square) sebesar 0,107 atau sebesar 10,7%. Hal ini berarti 10,7% dari variabel dependen

yaitu ReturnSahamdapat dijelaskan atau dipengaruhi oleh variabel independen

(Profitabilitas dan EVA). Sedangkan sisanya sebesar 83,3% dijelaskan oleh variabel lain

yang tidak diteliti dalam penelitian ini.

C. Uji F (Simultan) dan T (Parsial)

Dalam uji F dan uji T penulis mengelompokan menjadi 3 bagian yaitu menetukan

pengaruh, menentukan signifikan, dan menentukan arah positif ataupun negatif.

Dalam menentukan pengaruhnya kita dapat melihat nilai F hitung di tabel ANOVA

dan T hitung di tabel Coeficient yang dibandingkan dengan nilai F tabel dan T tabel yang

dapat dilihat dibuku-buku statistik. Data dapat dikatakan berpengaruh apabila nilai F

hitung atau T hitung lebih besar dari nilai F tabel atau T tabel (F hitung > F tabel) atau (T

hitung > T tabel).

Dalam menentukan tingkat signifikan data dapat dilihat dari nilai sig pada tabel

anova ataupun tabel coeficient.dikatakan signifikan apabila nilai sig lebih kecil dari 0,05

(sig < 0,05).

Dalam melihat arah positif ataupun negatif kita dapat melihat dari nilai beta seperti

pada uji regresi berganda sebelumnya. Hal ini didasarkan pada regresi linier berganda
yang menilai arah positif atau negatif yang dilihat dari nilai beta. Berikut adalah contoh

pengerjaan uji F dan uji T.

Tabel 4.8
Hasil Uji Hipotesis secara simutan (Uji F)
Sum of Mean
Model df F Sig.
Squares Square

Regression .940 3 .313 3.278 .034b

1 Residual 2.962 31 .096
Total 3.902 34
a. Dependent Variable: ReturnSaham
b. Predictors: (Constant), Ukuran KAP, CSR, GCG
Sumber : SPSS versi 21

Dari uji ANOVA (Analysis of Varians) atau uji F, menunjukan bahwa nilai

Fhitung sebesar 3,278 dengan nilai signifikansi sebesar 0,034b. Sedangkan untuk

mencari Ftabel dengan jumlah sample (n) = 35; jumlah variabel (k) =4; taraf

signifikan α = 0,05; df1 = k-1 = 4-1=3dan df2 = n-k = 35-4=31 diperoleh nilai Ftabel

sebesar 2,91 Sehingga Fhitung (3,278) > Ftabel (2,91) dan secara sistematik

diperoleh nilai signifikansi 0,034b. Karena nilai signifikansi (0,034b) < taraf

signifikansi 0,05. Dengan demikian maka H4 diterima. hal ini menunjukan

bahwaGood Corporate Governance, Corporate Social Responsibility danUkuran

Kantor Akuntan Publik secara simultan berpengaruh signifikan terhadap Return

Saham.
a. Uji T

Tabel 4.9
Hasil Uji Hipotesis Secara Parsial
Standardized
Unstandardized Coefficients
Coefficients
Model T Sig.
Std.
B Beta
Error
(Constant) 1.716 1.379 1.245 .223
GCG -.013 .015 -.173 -.842 .406
1 CSR -.545 .251 -.445 -2.170 .038
Ukuran
-.340 .150 -.356 -2.269 .030
KAP
a. Dependent Variable: Return Saham
Sumber : SPSS versi 21

Dalam pengujian ini, diperoleh nilai Ttabel sebesar 2,0301 dan taraf

signifikan α yang digunakan adalah sebesar 0,05. Berdasarkan table diatas diketahui

bahwa Good Corporate Governance memiliki nilai T hitung sebesar 0,842 dimana

nilai 0,842 < 2,0301 dan nilai signifikan sebesar 0,406 dimana nilai 0,406 > 0,05

sehingga H1 ditolak yang artinya Good Corporate Governance tidak berpengaruh

terhadap Return Saham.

Corporate Social Responsibility memiliki nilai T hitung sebesar 2,170

dimana nilai 2,170 > 2,0301 dan nilai signifikan sebesar 0,038 dimana nilai 0,038 <

0,05 sehingga H2 diterima yang artinya Corporate Social Responsibility

berpengaruh signifikan terhadap Return Saham.

Ukuran Kantor Akuntan Publik memiliki nilai T hitung sebesar 2,269 dimana

nilai 2,269 > 2,0301 dan nilai signifikan sebesar 0,030 dimana nilai 0,030 > 0,05

sehingga H3 diterima yang artinya Ukuran Kantor Akuntan Publik berpengaruh

signifikan terhadap Return Saham.