BAB IV : HASIL PENELITIAN DAN PEMBAHASAN
4.1.2. Analisis Data
Uji asumsi klasik digunakan untuk melihat apakah data penelitian dapat dianalisis dengan menggunakan persamaan regresi linear berganda. Uji asumsi klasik yang digunakan dalam penelitian ini adalah uji normalitas, uji multikolinearitas, uji heterokedastisitas dan uji autokorelasi. Model regresi yang baik adalah model yang lolos dari uji asumsi klasik. (Ghozali, 2002:. 55).
a. Uji Normalitas
Uji normalitas adalah uji yang digunakan untuk mengetahui apakah distribusi sebuah data mengikuti atau mendekati distribusi normal, yakni distribusi data dengan bentuk seperti lonceng. Data yang baik adalah data yang mempunyai pola seperti distribusi normal, yakni distribusi data tersebut tidak menceng ke kiri atau menceng ke kanan. Data penelitian yang diperoleh pada awalnya menyebar secara tidak normal. Hal ini disebabkan karena adanya nilai-nilai ekstrim (outliers). Nilai-nilai ekstrim (outliers) dapat mengganggu estimasi koefisien regresi, sehingga berakibat tidak tepatnya model regresi yang dibuat (Nachrowi, 2006: 170). Dengan menggunakan uji normalitas diperoleh bahwa data tersebut secara normal, secara lengkap dapat dilihat pada tabel berikut.
Tabel 4-1. Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Earning Per Share Devident Per Share Harga Saham N 87 87 87
Normal Parametersa Mean 131.4766 .0103 1844.9195
Std. Deviation 181.66100 .07881 2522.51644 Most Extreme Differences Absolute .235 .495 .238 Positive .224 .495 .232 Negative -.235 -.448 -.238 Kolmogorov-Smirnov Z 2.188 4.615 2.223
Asymp. Sig. (2-tailed) .024 .015 .013
a. Test distribution is Normal.
Sumber : Hasil Penelitian, 2013 (data diolah)
Berdasarkan tabel Kolmogorov-Smirnov Test dapat diketahui apakah data penelitian telah terdistribusi normal atau tidak, dan hasil test distribution ternyata menunjukkan normal. Untuk lebih lanjut dapat dilihat pada gambar Grafik Histogram berikut ini. Hasil Uji normalitas menunjukkan bahwa nilai K-S
untuk variabel earning per share sebesar 2,188 dengan probabilitas siginifikan
0,024, begitu juga dengan variabel devident per share sebesar 4,615 dengan
probabilitas siginifikan 0,015 dan harga saham sebesar 2,223 dengan probabilitas siginifikan 0,013 dengan probabilitas siginifikan di bawah 0,05 berarti data terdistribusi dengan normal. Untuk lebih teliti lagi maka dilakukan dengan Grafik Histogram dan Normal P-Plot karena menurut Imam Ghozali (2009: 32)
menyebutkan “normal tidaknya data dapat dideteksi lebih lanjut dengan
Model regresi yang baik mensyaratkan adanya normalitas pada data penelitian atau pada nilai residualnya bukan pada masing-masing variabelnya. Uji normalitas model regresi dalam penelitian ini menggunakan analisis grafik dengan
melihat histogram dan normal probability plot. Apabila ploting data membentuk
satu garis lurus diagonal maka distribusi data adalah normal. Berikut adalah hasil uji normalitas dengan menggunakan diagram.
Gambar 4-1
Output SPSS Grafik Histogram
Gambar 4-2
Output SPSS Normal P-Plot
Sumber data yang telah diolah
Dari hasil uji normalitas dengan menggunakan grafik histogram dan
normal probability plot, tampak bahwa histogram memberikan pola distribusi
yang tidak melenceng ke kiri dan kanan sedangkan pada grafik norma probability
plot terihat bahwa titik-titik tidak menyebar dan mendekati garis diagonalnya. Hal
ini menunjukkan bahwa data terdistribusi secara normal dan model regresi yang diuji dengan menggunakan grafik tersebut telah memenuhi asumsi normalitas.
b. Uji Multikolinearitas
koefisien Variance Inflation Factor (VIF) dan nilai Tolerance. Menurut Imam
Ghozali (2009: 96) bahwa : “Nilai cutoff yang umum dipakai untuk menunjukkan adanya multikolonieritas adalah nilai Tolerance ≥ 0.10 atau sama dengan nilai VIF ≤ 10”. Dengan kata lain data yang baik dapat dilihat apabila memiliki nilai Tolerance lebih besar dari 0,10 dan nilai VIF lebih kecil dari 10 dan apabila nilai Tolerance dan VIF tidak sesuai dengan ketentuan tersebut maka data penelitian mengandung multikolinearitas yang berarti tidak layak digunakan sebagai data penelitian. Berikut adalah hasil uji multikolinearitas dari output SPSS yang dilakukan.
Tabel 4-2
Output SPSS Uji Multikolinearitas
Coefficientsa
Model
Colinearity Statistics
Tolerance VIF
1 (Constant)
Earning Per Share .997 1.003
Devident Per Share
.997 1.003
Sumber data yang telah diolah
Hasil uji multikolinearitas menunjukkan nilai tolerance > 0,10 dan nilai
VIF < 10 untuk variabel penelitian earning per share dan devident per share, hal
ini menunjukkan bahwa tidak ada multikolinearitas dalam model regresi sehingga data dikatakan baik dan dapat digunakan untuk pengujian selanjutnya.
c. Uji Heterokedastisitas
prediksi) dengan SRESID (nilai residual). Menurut Imam Ghozali (2009: 125)
bahwa : “Uji Heterokedastisitas bertujuan menguji apakah dalam model regresi
terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang
lain. Model regresi yang baik adalah tidak terjadi Heterokedastisitas”. Tidak
terjadi Heterokedastisitas dapat diketahui apabila titik-titik penyebaran data menyebar secara acak dan tidak berkumpul. Berikut adalah hasil uji Heterokedastisitas dari output SPSS yang dilakukan.
Gambar 4-3
Output SPSS Uji Heterokedastisitas
Sumber data yang telah diolah
Grafik plot menunjukkan penyebaran titik-titik secara acak dan tersebar baik di atas maupun di bawah angka 0 pada sumbu Y sehingga dapat disimpulkan
bahwa dalam model regresi tidak terjadi Heterokedastisitas sehingga data layak untuk dilanjutkan ke pengujian selanjutnya.
d. Uji Autokorelasi
Uji ini dilakukan dengan menggunakan analisis Durbin Watson (DW) test. Pengambilan keputusan pada asumsi ini memerlukan dua nilai bantu yang diperoleh dari tabel Durbin Watson, yaitu nilai dl dan du untuk K = jumlah variabel bebas dan n = jumlah sampel. Jika nilai DW berada diantara nilai du hingga (4-du), berarti asumsi tidak terjadi autokorelasi terpenuhi.
Adapun kriteria dalam penentuan autokorelasi adalah sebagai berikut :
1. Jika Dw < Dl atau Dw > 4-Dl maka terdapat autokorelasi.
2. Jika Dl < Dw < Du atau 4-Du < Dw < 4-Dl maka status autokorelasi tidak
dapat dijelaskan (inconclusive).
3. Jika Du < Dw < 4-Du maka tidak terjadi autokorelasi (Non Autokorelasi).
Tabel 4-3 digunakan untuk melihat nilai Durbin Watson yang didapat dengan menggunakan bantuan SPSS Versi 18. Tabel DW menunjukkan bahwa dengan n = 87, K = 2, maka akan diperoleh nilai dl = 1,600 dan du = 1,696 dan
Tabel 4-3.
Hasil Output Uji Autokorelasi
Model Summaryb Model R R Square Adjuste d R Square Std. Error of the Estimate Change Statistics Durbin-Watson R Square Change F Chang e df1 df2 Sig. F Chang e 1 .946a .895 .893 825.43992 .895 359.57 4 2 84 .000 1.932
a. Predictors: (Constant), Devident Per Share, Earning Per Share b. Dependent Variable: Harga Saham
Sumber : Data Diolah, 2013
Tabel 4-3 menunjukkan bahwa DW test sebesar = 1,932, Ini menyimpulkan bahwa data berada di Dl < Dw < Du, dengan demikian dapat disimpulkan bahwa data yang digunakan dalam penelitian tersebut tidak terjadi autokorelasi (Non Autokorelasi). Penulis menetapkan bahwa model layak digunakan setelah asumsi klasik terpenuhi.