BAB IV ANALISIS HASIL PENELITIAN
B. Hasil Uji Asumsi Klasik
Uji normalitas bertujuan untuk menguji apakah dalam model regresi variabel
pengganggu atau residual memiliki distribusi normal atau tidak, dengan membuat
hipotesis sebagai berikut:
Ho : data residual terdistribusi normal
Ha : data residua l terdistribusi tidak normal
Ada dua cara yang dapat digunakan untuk mendeteksi apakah residual
berdistribusi normal atau tidak, yaitu dengan analisis grafik dan uji statistik. Pada
penelitian ini akan digunakan kedua cara tersebut.
a. Analisis Grafik
Analisis grafik dapat digunakan dengan dua alat, yaitu grafik histogram dan
grafik P-P Plot. Data yang baik adalah data yang memiliki pola distribusi normal.
adalah distribusi data dengan bentuk lonceng dan tidak menceng ke kiri atau ke
kanan. Pada grafik P-P Plot, sebuah data dikatakan berdistribusi normal apabila
titik-titik datanya tidak melenceng ke kiri atau ke kanan, melainkan menyebar di
sekitar garis diagonal.
Gambar 4.1 Grafik Histogram
Gambar 4.2 Grafik P-P Plot
Dari grafik histogram dan normal probability plot pada gambar 4.1 dan
gambar 4.2 di atas terlihat grafik histogram memperlihatkan pola distribusi yang
normal, dan grafik P-P Plot memperlihatkan titik-titik menyebar di
sekitar/mengikuti arah garis diagonal yang menunjukkan pola distribusi normal.
b. Uji Statistik
Pengujian normalitas data dengan hanya melihat grafik dapat menyesatkan
kalau tidak melihat secara seksama, sehingga kita perlu melakukan uji normalitas
data dengan menggunakan statistik agar lebih meyakinkan. Untuk memastikan
apakah data di sepanjang garis diagonal berdistribusi normal, maka dilakukan uji
berdistribusi normal atau tidak. Jika nilai signifikansinya lebih besar dari 0,05
maka data tersebut terdistribusi normal. Jika nilai signifikansinya lebih kecil dari
0,05 maka distribusi data adalah tidak normal. Hasil uji Kolmogorov-Smirnov
dapat dilihat pada tabel 4.2.
Tabel 4.2
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 66
Normal Parametersa Mean .0000027
Std. Deviation 1.85728198E10
Most Extreme Differences Absolute .087
Positive .087
Negative -.067
Kolmogorov-Smirnov Z .707
Asymp. Sig. (2-tailed) .700
a. Test distribution is Normal.
Hasil uji Kolmogorov-Smirnov pada tabel 4.2 pada penelitian ini
menujukkan probabilitas = 0,700. Dengan demikian, data pada penelitian ini
berdistribusi normal dan dapat digunakan untuk melakukan Uji-t dan Uji-F
karena 0,700> 0,05 (H0 diterima).
2. Hasil Uji Heteroskedastisitas
Menurut Ghozali (2005:105), “Uji Heteroskedastisitas bertujuan menguji
apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu
pengamatan ke pengamatan yang lain”. Jika variance dari residual satu
pengamatan ke pengamatan yang lain tetap, maka disebut Homoskedastisitas dan
jika berbeda disebut Heteroskedastisitas. Model regresi yang baik adalah yang
crosssection mengandung situasi heteroskedastisitas karena data ini menghimpun
data yang mewakili berbagai ukuran (kecil,sedang dan besar)”.
Pengujian heteroskedastisitas dapat dilakukan dengan uji grafik dengan
melihat grafik scatterplot yaitu dengan cara melihat titik-titik penyebaran pada
grafik dan uji glejser, dengan cara meregres seluruh variabel independen dengan
nilai absolute residual (absut) sebagai variabel dependennya. Perumusan hipotesis
adalah :
H0 : tidak ada heteroskedastisitas,
Ha : ada heteroskedastisitas.
Jika signifikan < 0,05 maka Ha diterima (ada heteroskedastisitas) dan jika
signifikan > 0,05 maka H0 diterima (tidak ada heteroskedastisitas).
Gambar 4.3
Tabel 4.3
Hasil Uji Heteroskedastisitas (glejser)
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta
1 (Constant) 1.013E10 2.639E9 3.837 .000
Operasi -.058 .048 -.146 -1.203 .233
Investasi .076 .056 .162 1.359 .179
Pendanaan .133 .053 .304 2.505 .065
a. Dependent Variable: Absut
Pada gambar 4.3 tentang grafik scatterplot diatas dapat dilihat bahwa
titik-titik pada scatterplot menyebar secara acak tidak membentuk sebuah pola tertentu
yang jelas serta tersebar baik diatas maupun dibawah angka nol pada sumbu y.
Hal ini berarti tidak terjadi heteroskedastisitas pada model regresi sehingga model
regresi layak dipakai untuk melihat pengaruh variabel independen terhadap
variabel dependen. Dari tabel 4.2 diatas kita dapat melihat bahwa nilai
signifikansi untuk variabel AKO adalah 0.233 (>0.05), nilai signifikansi untuk
variabel AKI adalah 0,179 (>0.05 dan nilai signifikansi untuk variabel AKP
adalah 0,65 (>0.05) . Dari hasil ini maka dapat disimpulkan bahwa tidak terdapat
masalah heteroskedastisitas karena variabel independennya memiliki signifikan
lebih besar dari 0,05
3. Hasil Uji Autokorelasi
Uji ini bertujuan untuk melihat apakah dalam suatu model linear ada korelasi
antar kesalahan pengganggu pada periode t dengan kesalahan periode t-1
Masalah autokorelasi umumnya terjadi pada regresi yang datanya time series.
Untuk mendeteksi masalah autokorelasi dapat dilakukan dengan menggunakan uji
Durbin Watson. Menurut Sunyoto (2009:91), Pengambilan keputusan ada
tidaknya autokorelasi adalah sebagai berikut:
1) angka D-W di bawah –2 berarti ada autokorelasi positif,
2) angka D-W di antara -2 sampai +2, berarti tidak ada autokorelasi,
3) angka D-W di atas +2 berarti ada autokorelasi negatif.
Tabel 4.4
Hasil Uji Autokorelasi
Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .643a .414 .386 1.902E10 1.787
a. Predictors: (Constant), Pendanaan, Investasi, Operasi b. Dependent Variable: Volume_Saham
Tabel 4.4 memperlihatkan nilai statistik D-W sebesar 1.787 Angka ini
terletak diantara -2 dan +2, dari pengamatan ini dapat disimpulkan bahwa tidak
terjadi autokorelasi positif maupun autokorelasi negatif dalam penelitian ini.
4. Hasil Uji Multikolineritas
Menurut Ghozali (2005:91),“Uji multikolinearitas bertujuan untuk menguji
apakah model regresi ditemukan adanya korelasi antar variabel bebas
(independen)”. Adanya gejala multikolinearitas dapat dilihat dari tolerance value
atau nilai Variance Inflation Factor (VIF). Batas tolerance value adalah 0,1 dan
batas VIF adalah 10. Apabila tolerance value < 0,1 atau VIF > 10 = terjadi
multikolinearitas. Hasil pengujian terhadap multikolinearitas pada penelitian ini
dapat dilihat pada tabel 4.5
Tabel 4.5
Hasil Uji Multikolineritas
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 8.398E9 4.382E9 1.917 .060
Operasi -.064 .080 -.079 -.798 .428 .958 1.044
Investasi .149 .093 .156 1.598 .115 .991 1.009
Pendanaan .558 .088 .626 6.316 .000 .961 1.041
a. Dependent Variable: Volume_Saham
Berdasarkan tabel 4.5 diatas dapat dilihat bahwa tidak ada satupun variabel
bebas yang memiliki nilai VIF lebih dari 10 dan tidak ada yang memiliki
tolerance value lebih kecil dari 0,1.Jadi dapat disimpulkan bahwa penelitian ini
bebas dari adanya multikolinearitas. Dari hasil analisis, didapat nilai VIF untuk
variabel AKO adalah 1.044 (<10) dan nilai tolerance sebesar 0,958 (>0,1), nilai
VIF untuk variabel AKI adalah 1.009 (<10) dan nilai tolerance sebesar
0.991(>0.1) dan nilai VIF untuk variabel AKP adalah 1.041 (<10) dan nilai
tolerance sebesar 0.961(>0.1). Dari hasil ini maka dapat disimpulkan bahwa
semua variabel bebas yang dipakai dalam penelitian ini lolos uji gejala
C. Hasil Pengujian Hipotesis