ANALISIS DATA DAN PEMBAHASAN
B. Analisis Data
1. Logaritma Natural (Ln)
Peneliti melakukan uji analisis data menggunakan data asli dari laporan keaungan yang diambil dari tiap perusahaan berupa EBIT, AKO, AKI dan AKP. Namun, hasilnya ternyata tidak sesuai harapan baik untuk uji prasyarat asumsi klasik (uji normalitas dan multikolinearitas) Hasil uji asumsi klasik dapat dilihat pada Lampiran 15, Lampiran 16, Lampiran 17, dan Lampiran 18.
Untuk memenuhi syarat uji asumsi klasik normalitas dan multikolinearitas, maka dilakukan pengubahan sehingga peneliti memutuskan untuk melakukan transformasi data menggunakan Logaritma Natural (Ln). Data yang tidak berdistribusi normal dapat ditransformasi agar mejadi normal (Ghozali, 2011: 35). Transformasi variabel merupakan salah satu cara mengurangi hubungan linear di antara variabel independen (Ghozali, 2011: 110). Pertama-tama peneliti akan mengubah data yang digunakan untuk penelitian yaitu EBIT, arus kas yang berasal dari aktivitas operasi (AKO), arus kas yang berasal dari aktivitas investasi (AKI), arus kas yang berasal dari aktivitas pendanaan (AKP), dan harga saham rata-rata (HSRT) menjadi bentuk logaritma natural. Hasil pengubahan data dapat dilihat pada Lampiran 1 sampai dengan Lampiran 5. Pengubahan data pada setiap variabel dilakukan dengan menggunakan fungsi di Microsoft Excel yaitu =LN(data), sedangkan untuk menerjemahkan hasil dari model regresi dapat
digunakan fungsi antilog dengan menggunakan bantuan fungsi pada Microsoft Excel yaitu =PROPER(e:ln) dan e bernilai 2.718281828459. 2. Uji Asumsi Klasik
Selanjutnya, sebelum dilakukan analisis menggunakan regresi linier berganda, maka dilakukan uji asumsi klasik terlebih dahulu.
a. Uji Normalitas
Normalitas dapat dilihat pada grafik Normal Probability Plot. Normal Probability Plot berbentuk grafik yang digunakan untuk mengetahui apakah dalam sebuah model regresi, nilai regresi residual terditribusi dengan normal atau tidak. Model regresi yang baik seharusnya distribusi regresi residual normal atau mendekati normal (Priyatno, 2012: 60).
Grafik V. 6 Normal P-P Plot
Dasar pengambilan keputusan untuk mendeteksi kenormalan model regresi adalah jika titik-titik menyebar di sekitar garis diagonal dan mengikuti arah diagonal pada grafik Normal P-P Plot, maka model regresi memenuhi asumsi normalitas (Priyatno, 2012: 61). Dari Grafik V. 6 untuk tahun 2009-2013 di atas dapat dilihat bahwa data selama 5 tahun berturut-turut berdistribusi normal karena titik-titik menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal. Untuk memperkuat analisis normalitas model regresi maka akan digunakan uji Kolgomorov-Smirnov
untuk mendapatkan hasil yang lebih akurat. Hasil uji Kolgomorov-Smirnov
dapat dilihat pada tabel di bawah ini : Tabel V. 6 Hasil Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardiz ed Residual
N 10
Normal Parametersa Mean .0000000
Std. Deviation .57055879 Most Extreme Differences Absolute .241 Positive .241 Negative -.197 Kolmogorov-Smirnov Z .762
Asymp. Sig. (2-tailed) .607
a. Test distribution is Normal.
Dari tabel V. 6 hasil uji One Sample Kolgomorov-Smirnov
menunjukkan bahwa model regresi telah memenuhi asumsi normalitas. Hal ini ditunjukkan dengan nilai Asymp. Sig (2-tailed) yaitu 60,7% yang lebih besar dari taraf signifikasi 5%. Dari hasil uji grafik Normal P-P Plot
dan One Sample Kolgomorov-Smirnov Test maka dapat disimpulkan bahwa model regresi telah memenuhi asumsi normalitas.
b. Uji Multikolinearitas
Multikolinearitas adalah keadaan dimana antara dua variabel independen atau lebih pada model regresi terjadi hubungan linier yang sempurna atau mendekati sempurna. Model regresi yang baik mensyaratkan tidak adanya masalah multikoliniaritas. Salah satu cara untuk mendeteksi ada tidaknya multikoliniaritas dengan cara melihat nilai Tolerance dan VIF (Priyatno, 2012: 61). Jika semakin kecil nilai Tolerance dan semakin besar nilai VIF maka semakin mendekati terjadinya masalah multikoliniaritas.
Hasil uji multikolinearitas menggunakan Tolerance dan Variance Inflation Factor (VIF) dapat diuraikan sebagai berikut :
Tabel V. 7
Hasil Uji Multikolinearitas
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) -14.814 7.329 -2.021 .099 LnEBIT .767 .267 1.043 2.869 .035 .291 3.441 LnAKO -.003 .025 -.035 -.112 .915 .399 2.506 LnAKI -.041 .020 -.549 -2.012 .100 .516 1.936 LnAKP -.004 .010 -.087 -.398 .707 .812 1.232 a. Dependent Variable: LnHSRT
Sumber Data : Output olah data sekunder, 2014
Dalam kebanyakan penelitian disebutkan bahwa jika Tolerance lebih dari 0,1 dan VIF kurang dari 10 maka tidak terjadi multikoliniaritas. Dari hasil uji multikolinearitas pada tabel V. 7, untuk setiap variabel selama tahun penelitian dapat dilihat bahwa hasil nilai Tolerance diatas 0,1 dan hasil nilai VIF berada dibawah 10. Hal ini menunjukkan bahwa tidak terdapat masalah multikolinearitas pada variabel-variabel independen yang diteliti dan artinya tidak terjadi masalah multikolinearitas pada model regresi.
c. Uji Heterokedastisitas
Heteroskedastisitas adalah keadaan dimana terjadi ketidaksamaan varian dari residual pada model regresi. Metode pengambilan keputusan pada uji heteroskedastisitas adalah dengan melihat scatterplot, jika titik-titik menyebar dengan pola yang tidak jelas di atas dan di bawah angka 0 pada sumbu Y maka dapat disimpulkan bahwa tidak terjadi masalah heteroskedastisitas pada model regresi.
Grafik V. 7
Hasil Uji Heterokedastisitas
Dari hasil pengujian pada Grafik V. 7 untuk data tahun 2009 sampai dengan tahun 2013 dapat dilihat bahwa titik-titik menyebar dengan pola yang tidak jelas di atas dan di bawah angka 0 pada sumbu Y, jadi dapat disimpulkan bahwa tidak terjadi masalah heteroskedastisitas. Model regresi yang baik adalah tidak terjadi heteroskedastisitas.
d. Uji Autokorelasi
Autokorelasi adalah keadaan dimana terjadinya korelasi antara residual pada satu pengamatan lain pada model regresi. Metode pengujian menggunakan uji Durbin-Watson (DW) (Priyatno, 2012: 63). Dari hasil pengujian autokorelasi maka didapatkan hasil sebagai berikut:
Tabel V. 8 Hasil Uji Autokorelasi
Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .899a .808 .654 .76548495 2.293
a. Predictors: (Constant), LnAKP, LnEBIT, LnAKI, LnAKO
b. Dependent Variable: LnHSRT
Untuk mengetahui apakah model regresi tersebut tidak terjadi autokorelasi maka cara mengujinya adalah dengan membandingkan nilai DW tersebut, dengan mengetahui dl, du, 4 – dl, dan 4 – du.
Tabel V. 9
Durbin Watson Test Bound
n k=4 dL 4-dU 10 0,3760 2,4137 . . . . . . . . . 50 1,378 2,231
Kriteria untuk penilaian terjadinya autokorelasi yaitu apabila dU < DW < 4-dU maka tidak terjadi autokorelasi. Dari tabel V. 8 dapat diketahui bahwa hasil DW berada pada 0,3760 < 2,293 < 2,4137, sehingga dapat disimpulkan bahwa tidak terdapat masalah autokorelasi pada model regresi.