1. Uji Stasioneritas
Uji stasioneritas digunakan untuk menguji data time series agar data yang digunakan bersifat flat, tidak mengandung komponen trend, dengan keragaman konstan dan tidak terjadi fluktuasi periodik (Ariyoso, dalam Setyaningrum, 2017:68-69).
Sebuah data dikatakan stasoner jka memenuhi asumsi kovarian antar dua data runtut waktu tergantung pada kelambanan antara dua periode tersebut. Pengambilan keputusan pada uji stasioner adalah jika nilai probabilitas lebih kecil dari 0.05 maka data tersebut bersifat stasioner (Winarno, dalam Setyaningrum, 2017:69).
2. Analisis Regresi Berganda
Analisis regresi berganda diamati untuk menggambarkan hubungan antara variabel terikat dengan beberapa variabel bebas. Dalam pembentukan regresi berganda, lebih sesuai dengan kenyataan di lapangan jjn mjjbahwa suatu variabel terikat tidak hanya dapat dijelaskan oleh satu variabel bebas saja tetapi perlu dijelaskan oleh beberapa variabel bebas (Suharjo, 2008: 71) Y = a + b1X1 + b2X2 + b3X3 + e Keterangan : Y = Stock Return a = Konstanta e = error/ residual
b = Koefisien regresi X1= ROE
X2 = DER X3 = FL
3. Uji Statistik
a. Uji Determinasi (AdjustedR Square)
Koefisien determinasi (Adjusted R Square) pada intinya mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel terikat (Kuncoro, 2009: 246). Adjusted R Square dipilih untuk menggeneralisasikan R2 pada populasi, karena ada unsur estimasi populasi di dalamnya (mengarah pada penelitian populasi). Koefisien determinasi digunakan untuk mengetahui sampai sejauh mana ketepatan atau kecocokan garis regresi yang terbentuk dalam mewakili kelompok data hasil observasi.
Koefisien determinasi menggambarkan bagian dari variasi total yang dapat diterangkan oleh model. Semakin besar nilai Adjusted R square mendekati 1, maka ketepatannya dikatakan semakin baik. Koefisien determinasi digunakan untuk mengetahui sampai sejauh mana variabel bebas dapat menjelaskan variabel terikat (Suharjo, 2008: 79).
b. Uji F Statistik
Uji statistik F pada dasarnya menunjukkan apakah semua variabel bebas yang dimasukkan dalam model mempunyai
pengaruh secara bersama-sama terhadap variabel terikat dan mengetahui apakah model regresi yang digunakan sudah tepat (Kuncoro, 2013: 245). Koefisien regresi diuji secara serentak dengan menggunakan EVIEWS, untuk mengetahui apakah keserempakan tersebut mempunyai pengaruh yang signifikan terhadap model. Uji ini dilakukan untuk membandingkan pada nilai signifikansi (α = 5%) pada tingkat derajat 5%. (Setiawan dan Kusrini, 2010: 63).
Uji F statistik ini menentukan model linear berganda dapat digunakan atau tidak sebagai model analisis dengan menggunakan kriteria ini, jika Ho ditolak maka model dapat digunakan karena, baik besaran maupun tanda (+/-) koefisien regresi dapat digunakan untuk memprediksi perubahan variabel terikat akibat perubahan variabel bebas.
c. Uji Hipotesis (Uji t)
Uji t pada dasarnya menunjukkan seberapa jauh pengaruh satu variabel penjelas secara individual dalam menerangkan variasi variabel terikat. Uji t digunakan untuk mengetahui pengaruh variabel bebas secara parsial terhadap variabel terikat. Pengambilan keputusan dilakukan berdasarkan perbandingan nilai thitung masing-masing koefisien regresi dengan nilai ttabel sesuai dengan signifikan yang digunakan.
Jika thitung < ttabel, artinya variabel bebas tidak berpengaruh terhadap variabel terikat.
Jika thitung > ttabel, artinya variabel bebas berpengaruh terhadap variabel terikat. (Algifari, 2013: 71).
4. Uji Asumsi Klasik
Sebelum dilakukan analisis regresi terlebih dahulu dilakukan uji asumsi klasik terlebih dahulu. Pengujian dilakukan atas model penelitian supaya bisa dinyatakan bebas dari penyimpangan asumsi klasik yaitu normalitas, multikolinearitas, autokorelasi, dan heteroskedastisitas. Dari uji asumsi klasik tersebut dapat dinyatakan bahwa data penelitian ini memenuhi asumsi klasik.
a. Uji Normalitas
Uji normalitas pada model regresi digunakan untuk menguji apakah nilai residual terdistribusi secara normal atau tidak. Model regresi yang baik adalah yang memiliki nilai residual yang terdistribusi secara normal. Metode pengujian uji normalitas yang digunakan dalam penelitian ini menggunakan uji normalitas dengan EVIEWS.
Cara mendeteksinya adalah dengan melihat nilai pada Jarque-Bera dan nilai probabilitas nya. Jika nilai probabilitas nya > 0,05 maka data tersebut berdistribusi secara normal, sebaliknya jika nilai probabilitasnya < 0,05 maka data tersebut tidak berdistribusi secara normal.
b. Uji Multikolinearitas
Multikolinearitas (kolinearitas ganda) yaitu adanya hubungan linear yang sempurna atau pasti diantara beberapa atau semua variabel independen dari model regresi ganda (Setiawan dan Kusrini, 2010: 82). Penyimpangan asumsi model klasik adalah multikoleniaritas dalam model regresi yang dihasilkan. Artinya antar variabel independen yang terdapat dalam model memiliki hubungan yang sempurna atau mendekati sempurna (koefisien korelasinya tinggi atau bahkan 1).
Penelitian ini menggunakan output nilai tollerance value atau Variance Inflation Factor (VIF). Variabel independen mengalami multikolinearitas jika Tolerance < 0,1 dan VIF hitung > 10.
c. Uji Autokorelasi
Uji autokorelasi bertujuan menguji apakah dalam model regresi linier ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 (Astuti, 2013: 57). Autokorelasi dalam konsep regresi linear berarti komponen error berkorelasi berdasarkan urutan waktu (pada data berkala) atau urutan ruang (pada data tampang lintang), atau korelasi pada dirinya sendiri (Setiawan dan Kusrini, 2010: 136).
Penyimpangan asumsi ini biasanya muncul pada observasi yang menggunakan data time series. Konsekuensi dari adanya
autokorelasi dalam suatu model regresi adalah varians sampel tidak dapat menggambarkan varians populasinya (Algifari, 2013: 90). Ada beberapa cara yang dapat digunakan untuk mendeteksi ada tidaknya problem autokorelasi pada model regresi yaitu dengan melakukan uji statistik durbin-watson, uji runs test dan uji Breusech-Godfrey. Penelitian ini menggunakan uji Breusech- Godfrey yaitu jika diperoleh nilai probabilitas chi-Square > 0,05 maka dapat disimpulkan bahwa data tidak terjadi autokorelasi.
d. Uji Heteroskedastisitas
Salah satu asumsi regresi linear yang harus dipenuhi adalah homogenitas variansi dari error. Homoskesdatisitas berarti bahwa variansi dari error bersifat konstan (tetap) atau disebut juga identik. Kebalikanya dalah Heteroskesdatisitas, yaitu jika kondisi variansi error atau variabel Y tidak identik (Setiawan dan Kusrini, 2010:103).
Konsekuensi adanya heterokedastisitas dala model regresi adalah penaksir yang diperoleh tidak efisien, baik dalam sampel kecil maupun sampel besar, walaupun penaksir yang diperoleh menggambarkan populasinya tidak bias dan bertambahnya sampel yang digunakan akan mendekati nilai sebenarnya (konsisten). Ini disebabkan oleh varians yang tidak minimum (tidak efisien Asumsi heterokedastisitas adalah asumsi dalam regresi di mana varians dari residual tidak sama untuk satu pengamatan ke pengamatan yang lain (Purbayu, 2005:37). Model regresi yang baik adalah
yang homoskedastisitas, yaitu jika varians dari residual satu pengamatan ke pengamatan lainnya tetap. Dalam penelitian ini dipilih uji white yaitu jika diperoleh nilai probabilitas chi-Square > 0,05 maka dapat disimpulkan bahwa data tidak terjadi heterokedastisitas.
54
BAB IV
ANALISIS DATA DAN PEMBAHASAN