BAB 4 : HASIL PENELITIAN DAN PEMBAHASAN
4.2. Hasil Uji Asumsi Klasik
Untuk menghasilkan suatu model regresi yang baik, analisis regresi memerlukan pengujian asumsi klasik sebelum melakukan pengujian hipotesis. Apabila terjadi penyimpangan dalam pengujian asumsi klasik maka perlu dilakukan perbaikan terlebih dahulu. Pengujian asumsi klasik ini terdiri dari uji normalitas, uji multikolonearitas, uji heteroskedastisitas, dan uji autokorelasi.
4.2.1 Hasil Uji Normalitas Data
Uji normalitas bertujuan untuk menguji apakah variabel residual berdistribusi normal. Pengujian normalitas data dalam penelitian ini menggunakan uji statistik non parametrik Kolmogorov-Smirnov (K-S), grafik histogram, dan grafik P-P Plot.
Dalam uji statistik non parametrik Kolmogorov-Smirnov (K-S), pedoman yang digunakan dalam pengambilan keputusan adalah sebagai berikut:
a. Jika nilai signifikansi < 0,05 maka distribusi data tidak normal b. Jika nilai signifikansi > 0,05 maka distribusi data normal
Tabel 4.2 Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 54
Normal Parametersa,,b Mean .0000000
Std. Deviation 4.09303330E2
Most Extreme Differences Absolute .174
Positive .174
Negative -.130
Kolmogorov-Smirnov Z 1.278
Asymp. Sig. (2-tailed) .076
a. Test distribution is Normal. b. Calculated from data.
Sumber: data diolah oleh penulis, 2013
Dari hasil pengolahan data tersebut dapat diketahui bahwa nilai Kolmogorov-Smirnov sebesar 1,278 dan nilai signifikansi sebesar 0,076. Berdasarkan hasil tersebut maka dapat disimpulkan bahwa data terdistribusi secara normal karena nilai signifikansi sebesar 0,076 > 0,05.
Data yang terdistribusi secara normal tersebut juga dapat dinilai melalui grafik histogram berikut ini:
Gambar 4.1 Grafik Histogram
Berdasarkan grafik diatas dapat disimpulkan bahwa data berdistribusi normal karena grafik histogram menunjukkan distribusi data mengikuti garis diagonal yang tidak menceng ke kiri maupun ke kanan.
Demikan pula dengan hasil uji normalitas dengan menggunakan grafik P-P Plot di bawah ini. Pada grafik P-P Plot terlihat titik-titik menyebar disekitar garis diagonal serta penyebarannya mengikuti garis diagonal sehingga dapat disimpulkan bahwa data dalam model regresi terdistribusi secara normal.
Gambar 4.2 Grafik P-P Plot 4.2.2 Hasil Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah pada model regresi ditemukan adanya korelasi antara variabel independen. Jika terjadi korelasi maka terdapat masalah multikolinearitas sehingga model regresi tidak dapat digunakan. Adanya multikolinearitas dapat dilihat dari nilai tolerance dan nilai Variance
a. Tolerance value < 0,1 atau VIF > 5 = terjadi multikolinearitas
b. Tolerance value > 0,1 atau VIF <5 = tidak terjadi multikolinearitas
Berikut ini merupakan tabel hasil pengujian multikolinearitas:
Tabel 4.3 Pengujian Multikolinearitas Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 223.839 122.421 1.828 .074
EPS .194 1.607 .025 .121 .904 .351 2.849
PER -.629 .584 -.145 -1.078 .286 .841 1.189
BVS .405 .353 .245 1.147 .257 .335 2.990
PBV 49.057 14.134 .495 3.471 .001 .746 1.340
a. Dependent Variable: HARGA_SAHAM
Sumber: data diolah oleh penulis, 2013
Berdasarkan tabel 4.3 diatas dapat disimpulkan bahwa tidak terjadi gejala multikolinearitas antara variabel independen. Hal ini dikarenakan nilai tolerance dari setiap variabel lebih besar dari 0,1 dan nilai VIF lebih kecil dari 5. Nilai
tolerance dari EPS sebesar 0,351, PER sebesar 0,841, BVS sebesar 0,335, dan
PBV sebesar 0,746. Sementara nilai VIF dari EPS sebesar 2,849, PER sebesar 1,189, BVS sebesar 2,990, dan PBV sebesar 1,340.
Berdasarkan hasil uji korelasi diantara variabel independen dapat dilihat bahwa korelasi antara variabel tersebut relatif tidak tinggi. Korelasi antara
variabel dibawah 0,9 hal ini berarti tidak terjadi masalah multikolinearitas. Hasil pengujian korelasi dapat dilihat pada tabel 4.4 berikut ini:
Tabel 4.4
Korelasi Variabel Independen
Coefficient Correlationsa
Model PBV EPS PER BVS
1 Correlations PBV 1.000 -.399 -.245 .437 EPS -.399 1.000 .183 -.782 PER -.245 .183 1.000 .014 BVS .437 -.782 .014 1.000 Covariances PBV 199.776 -9.066 -2.018 2.182 EPS -9.066 2.581 .172 -.444 PER -2.018 .172 .341 .003 BVS 2.182 -.444 .003 .125
a. Dependent Variable: HARGA_SAHAM
Sumber: data diolah oleh penulis, 2013
4.2.3 Hasil Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk melihat apakah dalam model regresi terjadi ketidaksamaan varians dari residual satu pengamatan ke pengamatan yang lain. Dalam penelitian ini untuk mendeteksi ada tidaknya gejala heteroskedastisitas adalah dengan melihat grafik scatterplot dengan dasar pengambilan keputusan sebagai berikut:
a. Jika ada pola tertentu seperti titik-titik yang membentuk pola tertentu yang teratur (bergelombang, melebar, atau menyempit), maka mengindikasikan telah terjadi heteroskedastisitas.
b. Jika tidak ada pola yang jelas seperti titik-titik menyebar diatas dan dibawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas atau terjadi homokedastisitas.
Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi heteroskedastisitas atau homoskedastisitas dengan mengamati penyebaran titik-titik pada gambar.
Gambar 4.3 Grafik Scatterplot
Dari grafik scatterplot diatas terlihat bahwa titik-titik menyebar secara acak dan tidak membentuk suatu pola tertentu serta tersebar baik diatas maupun dibawah angka 0 pada sumbu Y. Dengan demikian dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi, sehingga model regresi layak dipakai untuk melihat pengaruh variabel independen terhadap variabel dependen.
4.2.4 Hasil Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam suatu model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1 atau sebelumnya. Cara yang dapat digunakan untuk mendeteksi adanya masalah autokorelasi adalah uji Durbin Watson (DW). Pengambilan keputusan mengenai ada tidaknya autokorelasi adalah sebagai berikut:
Tabel 4.5
Kriteria Pengambilan Keputusan Uji Durbin Watson
Hipotesis Keputusan Kriteria
Tidak ada autokorelasi positif Tidak ada autokorelasi positif Tidak ada korelasi negatif Tidak ada korelasi negatif
Tidak ada autokorelasi positif atau negatif
Tolak No decision Tolak No decision Tidak ditolak 0 < d < dl dl < d < du 4 – dl < d < 4 4 – du < d < 4 – dl du < d < 4 - du
Hasil uji Durbin Watson dapat dilihat pada tabel 4.5 berikut ini:
Tabel 4.6
Hasil Uji Durbin Watson
Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .505a .255 .194 425.681889 2.355
a. Predictors: (Constant), PBV, EPS, PER, BVS b. Dependent Variable: HARGA_SAHAM
Sumber: data diolah oleh penulis, 2013
Pada tabel 4.5 diatas terlihat bahwa nilai Durbin Watson (d) sebesar 2,355. Nilai ini akan dibandingkan dengan nilai tabel Durbin Watson yang terlihat pada tabel 4.6 dibawah dengan menggunakan tingkat signifikansi 5%, jumlah pengamatan (n) 54 perusahaan, dan jumlah variabel independen 4 (k = 4).
Tabel 4.7 Tabel Durbin Watson
N k = 1 k = 2 k = 3 k = 4
dl du dl du dl Du dl du
54 1.5230 1.5983 1.4851 1.6383 1.4464 1.6800 1.4069 1.7234
Sumber:
Berdasarkan tabel Durbin Watson diatas dapat diketahui bahwa nilai bawah (dl) sebesar 1,4069 dan nilai batas atas (du) sebesar 1,7234. Oleh karena itu nilai Durbin Watson dapat dinyatakan 2,2766 (4 – du) < 2,355 (d) < 2,5931 (4
– dl). Sehingga dapat disimpulkan bahwa tidak terjadi autokorelasi negatif, namun terjadi autokorelasi positif dengan melihat persamaan 0 < 2,355 (d) > 1,4069 (dl) atau 1, 4069 (dl) < 2,355 (d) > 1,7234 (du).
Uji Durbin Watson bukanlah merupakan satu-satunya pengujian yang dapat dilakukan untuk mendeteksi adanya masalah autokorelasi. Pengujian lain yang dapat dilakukan adalah uji Breusch Godfrey (BG). Pengambilan keputusan dalam uji Breusch Godfrey ini adalah sebagai berikut:
a. Jika variabel Auto (Lag) menunjukkan probabilitas signifikan < 0,05 maka terjadi autokorelasi.
b. Jika variabel Auto (Lag) menunjukkan probablilitas signifikan > 0,05 maka tidak terjadi autokorelasi.
Hasil pengujian Breusch Godfrey dapat dilihat pada tabel 4.7 dibawah ini:
Tabel 4.8
Hasil Uji Breusch Godfrey
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) 1.107 121.699 .009 .993 EPS 1.931 1.978 .289 .976 .334 PER -.033 .581 -.009 -.056 .956 BVS -.194 .369 -.135 -.524 .603 PBV -2.804 14.123 -.033 -.199 .843 Auto -.315 .189 -.315 -1.668 .102
a. Dependent Variable: Unstandardized Residual Sumber: data diolah oleh penulis, 2013
Hasil pengujian Breusch Godfrey pada tabel 4.7 memperlihatkan koefisien parameter untuk variabel Auto (Lag) menunjukkan probabilitas signifikan sebesar 0,102 (lebih besar dari 0,05). Hal ini menunjukkan bahwa tidak terjadi masalah autokorelasi.
Berdasarkan hasil pengujian Durbin Watson dan Breusch Godfrey yang telah dijelaskan diatas maka peneliti memutuskan untuk menggunakan hasil uji Breusch Godfrey sebagai metode dalam mendeteksi masalah autokorelasi. Hal ini dikarenakan dalam uji Durbin Watson ketika nilai d berada diantara nilai dl dan du atau antara (4 – du) dan (4 – dl) keputusannya tidak dapat diketahui apakah mempunyai autokorelasi atau tidak. Dan dalam situasi tersebut peneliti tidak dapat menggunakan uji Durbin Watson sebagai metode dalam uji autokorelasi.