Proses Penelitian

1
 Contoh Judul Penelitian:
1. Menggunakan Data Primer
Pengaruh Kualitas Informasi Akuntansi dan Good Corporate
Governance terhadap Dukungan Manajemen Atas Usaha
Usaha Berkelanjutan Di Bidang Sosial Dan Lingkungan
Hidup.
2. Menggunakan Data Sekunder
Pengaruh Perubahan Modal Kerja, Perubahan Laba, dan
Perubahan Pendapatan, terhadap Pergerakan Harga Saham
Industri Kimia Dasar yang Terdaftar di BEI.

Note: Judul ini memberi informasi variabel independen dan variabel

dependen, bentuk pengujian, dan unit yang diteliti.

2
 Pengolahan Data Primer
Bersumber dari Kuisioner
1. Rekap Data Kuisioner di Excel atau Langsung input di SPSS (Lihat
Lampiran kuisioner penelitian dan rekapnya).
2. Uji Kelayakan data dengan Uji Validitas dan Uji Reliabilitas Data.
3. Pengujian Hipotesis dan Interpretasi Hasil Pengolahan Data, meliputi
signifikansi uji t dan uji F (taraf 1%, 5%, 10%), beta variabel, persamaan
regresi, koefisien determinasi, korelasi berganda, dan error.

3
 Pengolahan Data Sekunder
Bersumber dari Lap. Keuangan & Pasar Modal
1. Rekap Data Keuangan di Excel atau Langsung input
di SPSS (Lihat Lampiran Data).
2. Uji Kelayakan data untuk regresi dengan uji
normalitas dan uji asumsi klasik (multikolinieritas,
autokoreasi, dan heteroskedastisitas).
3. Pengujian Hipotesis dan Interpretasi Hasil
Pengolahan Data, meliputi signifikansi uji t dan uji F
(taraf 1%, 5%, 10%), beta variabel, persamaan
regresi, koefisien determinasi, korelasi berganda,
dan error.
4
 Input Nama Variabel
Aktifkan Program SPSS di lembaran kerja “Variable View”, buat file yang
baru, ketik Nama variabel dan Labelnya, kemudian kolom Decimal dibuat
menjadi 4 digit. Perhatikan tampilan dibawah ini:

5
 Input Data Variabel
Pindahkan lembaran kerja ke “Data View” lalu input data penelitian, atau
Copy dari File Excel bila sudah tersedia. Perhatikan tampilan dibawah ini:

6
 Uji Regresi Berganda
Klik Analyze, Regression, Linier seperti tampilan dibawah ini:

7
 Uji Regresi Berganda
Maka akan muncul tampilan seperti dibawah ini. Selajutnya perhatikan
tampilan Linier Regression yang menampilkan ruang untuk variabel
Dependent dan Independent (s).

8
 Uji Regresi Berganda
Kilik variable Y dan masukkan ke ruang Dependent, dan Variable X1, X2, dan
X3 ke ruang Independent (s). Selanjutnya perhatikan tombol Statistics dan
Plots di kanan atas untuk langkah selanjutnya.

9
 Uji Regresi Berganda
Klik Statistics maka akan muncul tampilan Linear Regression
Statistics seperti dibawah ini. Klik Durbin Watson dan Colinearity
Diagnostics, selanjutnya klik Continue.

10
 Uji Regresi Berganda
Klik tombol Plots, maka akan muncul tampilan Linear Regression Plots. Klik
Histogram dan Normal Probability Plot. Selanjutnya klik *ZPRED ke ruang X
dan *SRESID ke ruang Y. Lalu klik Continue dan klik OK.

11
 Uji Asumsi Klasik : Multikolinieritas
Uji Mulktiolineritas bertujuan untuk menguji apakah antar variable independent
mempunyai hubungan langsung (berkorelasi) sempurna. Jika iya, maka ketiga variabel
independent tidak bisa digunakan secara bersama sama sebagai variabel independent.
Jika bebas dari masalah multikolinieritas, maka ketiga variabel independent tersebut
layak untuk digunakan secara bersama sama dalam pengujian regresi berganda.

Data penelitian sekunder dikatakan bebas dari masalah multikolineritas apabila kolom
Colinearity Statistics menujukkan hasil Tollerance diatas 0,1 dan Nilai Variation Inflasi
Factor (VIF) tidak lebih dari sepuluh. Hasil Tollerance yang dihasilkan seluruhnya diatas 0,1
dan hasil VIF seluruhnya tidak lebih dari 10. Hal ini berarti data penelitian bebas dari
masalah multikolieritas.
12
 Uji Asumsi Klasik : Autocorrelation
Uji autokorelasi bertujuan untuk menguji apakah ada hubungan otomatis antara variabel dependent dengan
variable independent. Hasilnya bebas dari masalah autokorelasi. Diuji dengan model Durbin Waton, gunakan
Table Durbin Watson, pada kolom K=3 (jumlah variable bebas) dan baris yang ke 48 (jumah data).

0 1,40 1,67 1,737 2,33 2,60 4

13
 Uji Asumsi Klasik : Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk memastikan bahwa data bersifat heterogen, secara
umum tidak memiliki sifat pergerakan data yang sama, tidak menumpuk atau tidak
membentuk pola garis tertentu. Memperhatikan hasil gambar dibawah ini, data masih
menyebar secara acak, dan dapat disimpulkan bahwa data bebas dari masalah
heteroskedastisitas.

14
 Uji Normalitas
Uji normalitas dapat dilihat dari pergerakan data yang masih berada disekitar
garis diagonal. Artinya persamaan regresi yang dihasilkan akan bersifat BLUE
(Best Linear Unbiased Estimation).

15
 Hasil Uji Parsial (Uji t)
Hasil uji regresi parsial, signifikan atau tidak dapat dilihat dengan dua cara. Cara Pertama, Variabel
X berpengaruh signifikan terhadap Variabel Y apabila hasil Sig < 0,05 atau dibawah 5%. Hasil sig
untuk Variabel X1 adalah 0,606 atau 60,6%. Hasil sig untuk Variabel X2 adalah 0,025 atau 2,5%.
Hasil sig untuk Variabel X3 adalah 0,169 atau 16,9%. Jadi hanya variabel X2 yang memiliki Sig <
0,05. Dengan demikian, berdasarkan cara yang pertama ini, hanya variabel X2 yang berpengaruh
signifikan terhadap Y.

Cara Kedua, membandingkan t hitung dengan t tabel. Signifikan apabila t hitung > t tabel. Hasil
pengujian menunjukkan bahwa bahwa t hitung untuk X1 adalah -0,520. Nilai t hitung untuk X2 adalah
2,314. Nilai t hitung untuk X3 adalah 1,400. Sedangkan nilai t tabel adalah 2,01. Hasil t tabel sebesar
2,01 dapat dilihat dari tabel distribusi t untuk uji dua arah, pada kolom 0,05 atau (5%) dan pada baris
45 (jumlah data 48 dikurangi jumlah variabel bebas 3). Jadi hanya variabel X2 yang memiliki t hitung
lebih besar dari t tabel. Dengan demikian berdasarkan cara kedua ini, hanya variabel X2 yang
berpengaruh signifikan terhadap Y. 16
 Hasil Uji Parsial (Persamaan Regresi)
Beta pengaruh yang dihasilkan untuk Variable X1 adalah negatif, sedangkan beta pengaruh
yang dihasilkan untuk X2 dan X3 adalah beta yang positif, artinya bahwa pengaruh yang
diberikan oleh X2 dan X3 terhadap Y adalah positif, yang berarti bahwa pengaruhnya
searah.

Persamaan regresi yang terbentuk adalah: Y = 0,570 - 0,072 X1 + 0,330 X2 + 0,203 X3 + e.

Artinya, jika X1, X2 dan X3 adalah nol, maka Variabel Y akan Konstan sebesar 0,570.
Apabila terjadi kenaikan X1 sebesar 1, maka akan terjadi penurunan Y sebesar 0,072 dan
demikian sebaliknya. Apabila terjadi kenaikan X2 sebesar 1, maka akan terjadi kenaikan Y
sebesar 0,330 dan demikian sebaliknya. Apabila terjadi kenaikan X3 sebesar 1, maka akan
terjadi kenaikan Y sebesar 0,203 dan demikian sebaliknya.
17
 Hasil Uji Simultan (Uji F)
Hasil uji simultan dapat dilihat dengan dua cara juga. Cara pertama, secara bersama sama
Variabel X1, X2 dan X3 akan berpengaruh signifikan terhadap Y, apabila Sig < 0,05. Hasilnya
pada table ANOVA dibawah ini menunjukkan hasil Sig 0,024, yang berarti bahwa secara bersama
sama variabel X1, X2 dan X3 berpengaruh signifikan terhadap Y.

Cara kedua adalah, secara bersama sama Variabel X1, X2 dan X3 akan berpengaruh signifikan terhadap Y,
apabila F hitung > F tabel. Hasilnya pada table ANOVA dibawah ini menunjukkan hasil F hitung adalah 3,463.
Sedangkan F table adalah sebesar 2,82. Hasil Ftabel 2,82 dapat dilihat pada tabel distribusi F, pada kolom 3
(total seluruh variabel 4 dikurangi jumlah variabel terikat 1) pada baris ke 44 (total data 48 dikurangi jumlah
variabel 4). Hal ini berarti bahwa secara bersama sama variabel X1, X2 dan X3 berpengaruh signifikan
terhadap Y.
18
 Koefisien Determinasi
Koefisien determinasi adalah kemampuan seluruh variabel bebas dalam menjelaskan
variable terikat. Koefisien Determinasi Adjustend R Square sebesar 0,136 atau sebesar
13,6% yang berarti bahwa kemampuan Variabel X1, X2 dan X3 dalam menjelaskan
Variabel Y, adalah sebesar 13,6%. Sedang sisa sebesar 86,4% dijelaskan oleh variabel lain
diluar dari variabel penelitian ini.

R sebesar 0,437 memiliki arti bahwa korelasi bergandanya adalah sedang. Tingkat error
yang dihasilkan dalam persamaan regresi dari hasil penelitian ini adalah 0,864 atau
86,4%.

19