METODE PENELITIAN A. Jenis Penelitian
B. Hasil Penelitin
1. Uji Asumsi klasik
Suatu model regresi yang baik adalah yang memenuhi asumsi klasik yaitu,uji normalitas, multikolinieritas, autokorelasi,dan heteroskedastisitas sebelum dilakukan pengujian hipotesis. Berikut penjelasan uji asumsi klasik yang akan dilakukan penelitian ini.
a. Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah variabel pengganggu (residual) dalam model regresi, apakah memiliki distribusi normal. Dalam penelitian ini uji normalitas menggunakan kolmogrov-Sminov (K-S) sehingga apabila nilai signofikansi K-S >0,05 maka data
terdistribusi secara normal, sedangkan apabila nilai K-S < 0,05 maka tidak terdistribusi secara normal.
Table 4.4
Hasil Uji One Sample Kolmogorov-Smirnov
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 108
Normal Parametersa,b Mean .0000000
Std. Deviation .44950819
Most Extreme Differences Absolute .143
Positive .143
Negative -.092
Test Statistic .143
Asymp. Sig. (2-tailed) .000c
a. Test distribution is Normal.
b. Calculated from data.
c. Lilliefors Significance Correction.
Sumber: Data yang diolah SPSS
Berdasarkan hasil dari uji normalitas dapat dilihat dari tabel 4.4 menunjukan bahwa nilai Kolmogorov-smirnov sebesar 0.143 serta tingkat signifikansi pada 0,000 yang artinya data tidak berdistribusi normal. Kemudian dilakukan penghapusan dua data yaitu perusahaan yang memiliki nilai ekstrim yaitu INAF dan SCCO. Selanjutnya
dilakukan transformasi data dengan menggunakan SQRT dan hasil uji normalitas setelah menggunakan cara tersebut adalah sebagai berikut:
Table 4.5 Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 62
Normal Parametersa,b Mean .0000000
Std. Deviation .27391387
Most Extreme Differences Absolute .108
Positive .108
Negative -.046
Test Statistic .108
Asymp. Sig. (2-tailed) .071c
a. Test distribution is Normal.
b. Calculated from data.
c. Lilliefors Significance Correction.
Sumber: Data yang diolah SPSS
Berdasarkan hasil dari uji normalitas dapat dilihat dari tabel 4.14 yang menunjukan bahwa nilai kolmogorov-Smirnov sebesar 0.108 serta tingkat signifikansi pada 0,71 dan tingkat signifikansi lebih besar dari 0,05. Dengan ini maka dapat disimpulkan bahwa variabel pengganggu berdistribusi normal atau memenuhi asumsi normalitas.
b. Uji Multikorelasi
Uji Multikorelasi ialah bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar bebas(independen).model regresi yang baik seharusnya tidak terjadi
korelasi diantara variabel bebas (independen ). Jika variabel independen saling berkorelasi maka variabel-variabelnya tidak ortogonal. Variabel ortogonal adalah variabel independen yang yang nilai korelsi antar sesama independen sama dengan nol. Untuk mengetahui ada dan tidaknya multokolinieritas didalam model regresi adalah sebagai berikut:
1. Nilai R² yang dihasilkan oleh estimasi model regresi empiris sangat tinggi, tetapi secara individual variabel-variabel independen banyak yang tidak signifikan mempengaruhi variabel dependen.
2. Menganalisis matrik korelasi variabel-variabel independen (umumnya diatas 95%) maka hal ini merupakan adanya indikasi multikolonerietas. Multikolinerietas dapat disebabkan karenan adanya efek kombinasi adanya dua atau lebih variabel independen.
3. Multikolinieritas bisa juga dilihat dari (1) nilai tolernsi dan lawannya (2) variance infaltions faktor (VIF). Kedua faktor tersebut menunjukan setiap variabel independen yang mana dijelaskan oleh variabel lainnya. Dalam pengertian yang sederhana setiap variabel independen menjadi variabel dependen (terikat) dan diregres terhadap variabel lainnya tolerance mengukur semua variabel independen lainnya, jadi kesimpulannya nilai tolerance yang rendah sama dengan nilai VIF
tinggi( karena VIF = 1/ Tolerance). Nilai cutoff yang umum dipakai untuk menunjukan adanya multikolinieritas adalah nilai toleransi ≤ 0.10 atau sama dengan nila VIF ≥ 10. Setiap peneliti memiliki tingkat kolinieritas yang berbeda-beda dan harus bisa menentukan tolerir. Sebagai misal nilai tolerance = 0.10 sama dengan tingkat kolinieritas0.95. walaupun kolinieritas dapat dideteksi dengan nilai toleranve dan VIF, akan tetapi kita masih belum mengetahui variabel-variabel independen yang saling berkolerasi.
Table 4.6 Uji Multikolinieritas
Sumber : Data diolah SPSS
Coefficientsa
Model
Collinearity Statistics
Tolerance VIF
1 (Constant)
Current Ratio .558 1.793
Acid Test Ratio .642 1.559
Gross Profit Margin .951 1.052
Net Profit Margin .477 2.094
Return On Ivestment .447 2.240
Debt To Equity Ratio .052 19.130
Multiplier Equiti .051 19.535
a. Dependent Variable: Return Saham
Pada Uji Multikolinieritas terjadi Uji multikolonieritas dan menghapus variable debt to equity ratio karenanya kecil dibandingkan dengan variable yang lain. Pada bagian coefficient terlihat untuk kedua variabel, angka VIF CR yaitu sebesar 1.793, ATR sebesar 1.559 , GPM sebesar 1.052 , NPM sebesar 2.094 , ROI sebesar 2.240, DAR sebesar 19.130, MER sebesar 19.535.
Berdasarkan tabel diatas diketahui bahwa nilai VIF seluruh variabel lebih dari 10 dan nilai tolerance lebih dari 0,1 sehingga dapat disimpulkan bahwa seluruh variabel bebas mempunyai masalah dengan multikolonieritas. Selanjutnya hasil uji multikolonieritas setelah penghapusan DER adalah sebagai beikut.
Tabel 4.7 Uji Multikolinieritas
Coefficientsa
Model
Collinearity Statistics
Tolerance VIF
1 (Constant)
Current Ratio .489 2.043
Acid Test Ratio .663 1.507
Gross Profit Margin .949 1.054
Net Profit Margin .473 2.113
Return On Ivestment .442 2.264
Debt To Asset Ratio .743 1.346
Multiplier Equiti .813 1.229
a. Dependent Variable: Return Saham
Sumber : Data yang diperoleh SPSS
Pada bagian coefficient terlihat untuk kedua variabel, angka VIF CR yaitu sebesar 2.043, ATR sebesar 1.507, GPM sebesar 1.054, NPM sebesar 2.113, ROI sebesar 2.264, DAR sebesar1.346, MER sebesar1.229.
Berdasarkan tabel diatas diketahui bahwa nilai VIF seluruh variabel kurang dari 10 dan nilai tolerance lebih dari 0,1 sehingga dapat disimpulkan bahwa seluruh variabel bebas tidak mempunyai masalah dengan multikolonieritas.
a. Uji Autokrelasi
Uji Autokorelasi bertujuan untuk menguji apakah dalam model regresi linier ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan penggangu pada periode t-1(sebelumnya). Jika terjadi korelasi, maka dinamakan ada problem autokorelasi. Autokorelasi muncul karena adanya observasi yang runtut sepanjang waktu berkaitan satu dengan yang lainnya. Masalah ini timbul karena residual (kesalahan penggangu) tidak bebas dari satu observasi ke observasi lainnya. Hal ini sering ditemukan dalam runtut waktu karena gangguan pada seseorang individu atau kelompok yang sama pada periode berikutnya. Pada data cressection (silang waktu) masalah autokorelasi relatif jarang terjadi karena gangguan pada observasi yang berbed individu maupun kelompok yang berbeda. Model regresi yang baik adalah regresi yang bebas dari autokorelasi.
Table 4.8 Uji Autokorelasi
Model Summaryb
Model R R Square Adjusted R Square
Std. Error of the Estimate
Durbin-Watson
1 .386a .149 .039 .29113 2.139
a. Predictors: (Constant), ME, ROI, GPR, ACTR, DEA, CR, NPM b. Dependent Variable: RS
Sumber: data yg diolah SPSS
Setelah melakukan pengujian menggunakan pengujian Durbin-Watson dengan menggunakan SPSS versi 22 dapat diketahui bahwa nilai Durbin-Watson.
Menunjukan hasil sebesar 2,139. Dengan 7 variabel bebas dan n = 108 diketahui du adalah 1,826 dan 4 – du = 2,326 maka diperoleh 1,826 < 2,139 < 2,174 sehingga dapat dikatakan bahwa tidak terjadi autokorelasi.
Tabel 4.9
Hasil Uji Autokorelasi
du < d < 4 – du Keterangan
1,826 < 2,139 <2,174 Tidak ada gejala autokorelasi Sumber: Hasil Olah Data SPSS
Sehingga hasil perhitungan uji durbin watson yaitu du < d < 4 – du yang berarti regresi tidak ada masalah autokorelasi
a. Uji Heteroskedastisitas
Table 4. 10 Uji Heteroskedastisitas
Berdasarkan grafik scatterplot menunjukan bahwa tidak ditemukan pola tertentu dan titik-titik menyebar diatas dan dibawah angka 0 pada sumbu Y. Hal ini berarti tidak terjadi Heteroskedastisitas pada model regresi.