4.1 Gambaran Umum Dan Deskriptif Statistik Obyek Penelitian
4.1.2 Deskriptif Statistik Obyek Penelitian
Berdasarkan hasil analisis deskriptif statistik, maka didalam tabel 4.2 berikut akan ditampilkan karakteristik sampel yang digunakan dalam penelitian ini meliputi : jumlah sampel (N), rata-rata sampel (mean), nilai maksimum, nilai minimum serta standar deviasi untuk masing-masing variabel. Jumlah pengamatan yang digunakan didalam penelitian ini sebanyak 39 (hasil perkalian sebanyak 3 periode pengamatan dengan jumlah sampel 13).
Tabel 4.2
Hasil Analisis Deskriptif Data
Sumber : hasil olahan software SPSS
Tabel 4.2 menunjukkan hasil output SPSS mengenai statistik deskriptif variabel penelitian tahun 2011-2013 dengan jumlah keseluruhan sebanyak 39. Dari tabel tersebut dapat dijelaskan statistik deskriptif masing-masing
variabel bahwa :
1. Variabel volume perdagangan saham memiliki nilai minimum 0,000 dan nilai maksimum sebesar 1,2905, nilai mean sebesar 0,216215 dengan standar deviasi sebesar 0,3274367 dan jumlah observasi sebanyak 39.
2. Variabel arus kas operasi memiliki nilai minimum sebesar -2,373 dan nilai maksimum sebesar 4,192, nilai mean sebesar 2,703, standar deviasi arus kas operasi sebesar 9,1065 dengan jumlah observasi sebanyak 39.
3. Variabel arus kas investasi memiliki nilai minimum sebesar - 9,6275 dan nilai maksimum sebesar 9,0141, nilai mean sebesar -1,214, standar deviasi arus kas investasi sebesar 2,169 dengan jumlah observasi sebanyak 39.
4. Variabel arus kas pendanaan memiliki nilai minimum sebesar - 3,961 dan nilai maksimum sebesar 3,961, nilai mean sebesar 6,157, standar deviasi arus kas pendanaan sebesar 9,147 dengan jumlah observasi sebanyak 39.
5. Variabel economic value added memiliki nilai minimum sebesar - 3,023 dan nilai maksimum sebesar 7,628, nilai mean sebesar -2,785, standar deviasi economic value added sebesar 8,130 dengan jumlah observasi sebanyak 39.
6. Variabel dividend payout ratio memiliki nilai minimum sebesar 0,00 dan nilai maksimum sebesar 2,00, nilai mean sebesar 0,0512, standar deviasi dividend payout ratio sebesar 0,320 dengan jumlah observasi sebanyak 39.
4.2 Uji Asumsi Klasik
Penelitian ini menggunakan model regresi linear berganda, dalam analisis regresi ini selain mengukur kekuatan hubungan antara dua variabel atau lebih, juga menunjukkan arah hubungan antara variabel dependen dengan variabel independen (Ghozali, 2006). Variabel dependen dalam penelitian ini adalah volume perdagangan saham sedangkan variabel independen dalam penelitian ini
adalah arus kas operasi, arus kas investasi, arus kas pendanaan, EVA, dan dividend payout ratio.
4.2.1 Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal, seperti diketahui bahwa uji t dan F mengasumsikan bahwa nilai residual mengikuti distribusi normal kalau asumsi ini dilanggar maka uji statistik menjadi tidak valid untuk jumlah sampel kecil, dalam penelitian ini, uji normalitas terhadap residual dengan menggunakan uji Kolmogorov-Smirnov, dalam penelitian ini, tingkat signifikansi yang digunakan � = 0,05. Dasar pengambilan keputusan adalah melihat angka probabilitas �, dengan ketentuan sebagai berikut.
- Jika nilai probabilitas � ≥ 0,05, maka asumsi normalitas terpenuhi. - Jika probabilitas < 0,05, maka asumsi normalitas tidak terpenuhi.
Apabila distribusi data tidak normal, maka perlu dilakukan transformasi data atau menambah maupun mengurangi data. Hasil uji normalitas untuk penelitian ini adalah :
Tabel 4.3 Hasil Uji Normalitas
Sumber : hasil olahan software SPSS
Perhatikan bahwa berdasarkan Tabel 4.3, diketahui nilai probabilitas � atau Asymp. Sig. (2-tailed) sebesar 0,092, dalam penelitian ini, tingkat signifikansi yang digunakan adalah � = 0,05. Karena nilai probabilitas �, yakni 0,092, lebih besar dibandingkan tingkat signifikansi, yakni 0,05. Hal ini berarti asumsi normalitas dipenuhi dan dapat dilakukan uji asumsi klasik lainnya. Pengujian asumsi normalitas dapat juga digunakan pendekatan analisis grafik, seperti histogram dan plot data.
Gambar 4.1 Uji Normalitas Histogram
Grafik histogram pada gambar 4.1 menunjukkan bahwa data telah terdistribusi secara normal karena distribusi data mengikuti garis diagonal yang tidak menceng (skewness) kiri maupun menceng ke kanan.
Gambar 4.2
Uji Normalitas Grafik P-Plot
Pada grafik P-P Plot pada gambar 4.2 diatas menunjukkan bahwa data (titik) menyebar di sekitar garis diagonal. Hal ini menunjukkan bahwa data telah terdistribusi secara normal.
Dari hasil uji normalitas dalam seluruh tahap, dapat disimpulkan bahwa semua variabel dalam penelitian ini berdistribusi normal dan dapat melanjutkan pengujian asumsi klasik lainnya.
4.2.2 Uji Multikoliniearitas
Uji multikolinearitas dilakukan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas (independen) ada tidaknya gejala multikoliniearitas dilihat dengan menganalisa koefisen Variance
Inflaction Factor (VIF) dan nilai Tolerance. Gangguan multikolinearitas tidak terjadi jika VIF dibawah 10.
Tabel 4.4
Hasil Uji Multikolinearitas
Sumber : hasil olahan software spss
Perhatikan bahwa berdasarkan Tabel 4.4 nilai VIF dari variabel arus kas operasi adalah 1,280, nilai VIF dari variabel arus kas investasi adalah 1,084, nilai VIF dari variabel arus kas pendanaan adalah 1,211, nilai VIF dari EVA 1,456, dan nilai VIF dari Divident Payout Ratio adalah 1,799. Karena masing-masing nilai VIF tidak lebih besar dari 10, maka tidak terdapat gejala multikolinearitas yang berat, dengan kata lain, tidak terjadi korelasi antara variabel bebas yang begitu signifikan secara statistik pada tingkat signifikansi 5%.
4.2.3 Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1 (Ghozali, 2006). Untuk mengetahui ada atau tidaknya autokorelasi digunakan uji Durbin Watson dengan asumsi jika nilai statistik Durbin-Watson -2 s/d +2, maka asumsi independensi terhadap residual (non-autokorelasi terpenuhi). Sebaliknya, bila nilai statistik Durbin-
Watson < -2 atau > 2, berarti asumsi independensi terhadap residual (non- autokorelasi) tidak terpenuhi.
Tabel 4.5 Hasil Uji Autokorelasi
Sumber : hasil olahan software SPSS
Berdasarkan Tabel 4.5, nilai dari statistik Durbin-Watson adalah 1,881. Perhatikan bahwa karena nilai statistik Durbin-Watson terletak di antara -2 dan +2, maka asumsi non-autokorelasi terpenuhi. Dengan kata lain, tidak terjadi gejala autokorelasi yang tinggi pada residual.
4.2.4 Uji Heterokedastisitas
Uji heterokedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan varian dari residual satu pengamatan ke pengamatan yang lain. Jika varian dari residual satu pengamatan ke pengamatan yang lain tetap, maka disebut homoskedastisitas dan jika berbeda akan disebut heteroskedastisitas. Model regresi yang baik adalah model yang tidak terjadi heteroskedastisitas.
Deteksi ada tidaknya heteroskedastisitas dapat dilakukan dengan melihat ada tidaknya pola tertentu pada grafik scatter plot antara SRESID pada sumbu Y, dan ZPRED pada sumbu X.(Field, 2009:230, Ghozali, 2011:139). Field (2009:248, Ghozali, 2011:139) menyatakan dasar analisis adalah jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur (bergelombang, melebar, kemudian menyempit), maka
mengindikasikan telah terjadi heteroskedastisitas. Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.
Gambar 4.3 Uji Heterokedastisitas
Sumber : Hasil Olahan Software SPSS
Perhatikan bahwa berdasarkan Gambar 4.3, tidak terdapat pola yang begitu jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.
4.3 Pengujian Hipotesis
Pada penelitian ini peneliti melakukan pengujian hipotesis dengan
menggunakan uji signifikansi parsial (Uji-t), uji signifikansi simultan (Uji-F), dan pengujian koefisien determinasi (R2).
