BAB III METODE PENELITIAN
3.4 Metode Pengumpulan Data
Metode pengumpulan data dalam penelitian ini adalah metode dokumentasi.
Pada penelitian ini, pengumpulan data dilakukan dengan dua tahap. Pengumpulan data dimulai dengan tahap penelitian terdahulu yaitu dengan melakukan studi pustaka dengan mempelajari buku – buku dan referensi lain yang berkaitan dengan masalah yang diteliti. Pada tahap kedua, pengumpulan data sekunder yang diperoleh dari
media internet dengan mendownload melalui situs www.idx.co.id untuk memperoleh data mengenai laporan keuangan yang telah dipublikasikan.
3.5 Defenisi Operasional dan Pengukuran Variabel
Variabel – variabel dalam penelitian ini adalah sebagai berikut:
1. Variabel Dependen (Variabel Terikat)
Menurut Jogiyanto (2003), “Definisi operasional adalah menjelaskan karakteristik dari objek ke dalam elemen – elemen yang dapat diobservasi yang menyebabkan konsep dapat diukur dan dioperasionalisasikan di dalam riset.”
Menurut Sugiyono (2007) dilihat dari sudut pandang hubungannya, variabel yang digunakan dalam penelitian ini terdiri dari variabel independen yaitu variabel yang mempengaruhi atau yang menjadi sebab perubahan atau timbulnya variabel dependen, sedangkan variabel dependen adalah variabel yang dipengaruhi atau yang menjadi akibat adanya variabel bebas. Variabel dependen dalam penelitian ini adalah Price Earning Ratio (PER).
Price Earning Ratio (PER) menjelaskan bagaiamna pasar menghargai kinerja dari suatu perusahaan terhadap kinerja suatu perusahaan yang dicerminkan oleh EPS nya.
Rumus price earning ratio adalah sebagai berikut.
PER =
2. Variabel Independen (Variabel Bebas)
Menurut Kuncoro (2003:42), “variabel independen adalah variabel yang dapat mempengaruhi perubahan dalam variabel dependen dan mempunyai hubungan yang positif ataupun yang negatif bagi variabel dependen nantinya”.
Variabel independen dalam penelitian ini adalah:
1. Dividend Payout Ratio (DPR)
Dividend payout ratio (DPR) menunjukkan besarnya tingkat pembayaran
dividen dibandingkan dengan laba per saham yang diperoleh oleh perusahaan pada tahun tertentu. Rasio ini dihitung dengan menggunakan rumus:
DPR=
x 100%
2. Earning Growth
Earning growth adalah tingkat pertumbuhan laba yang diperoleh suatu
perusahaan pada tahun tersebut. Perusahaan yang memiliki pertumbuhan yang terbatas atau pertumbuhan laba yang rendah akan menyebabkan PER yang rendah, sebaliknya perusahaan dengan pertumbuhan laba yang tinggi akan menghasilkan nilai PER yang tinggi. Earning growth ini dapat dirumuskan sebagai berikut:
EG =
3. Kesempatan Investasi
Kesempatan investasi diukur menggunakan proksi MVBVE (Market to book value of equity) Rasio ini mencerminkan bahwa pasar menilai return dari investasi perusahaan di masa depan akan lebih besar dari return yang diharapkan dari ekuitasnya (Watts 1996). Hal ini berarti jumlah saham beredar yang dikalikan
dengan harga penutupan saham sebagai penilaian pasar dibagi dengan total ekuitas perusahaan.
Rumus MVBVE adalah:
4. Price to Book Value
Menurut Darmadji (2012:157) Price to Book Value Ratio Ratio atau PBV merupakan suatu rasio yang dapat menggambarkan seberapa besar pasar menghargai nilai buku saham suatu perusahaan.
Rasio ini dihitung dengan rumus:
PBV=
5. Size
Size atau ukuran perusahaan merupakan salah satu faktor yang mempengaruhi kinerja perusahaan. Perusahaan besar akan mempertahankan kebesarannya dengan menjaga agar tidak terjadi penurunan nilai saham di pasar modal. Perusahaan yang berukuran besar pada umumnya usahanya lebih terdiversifikasi, lebih mudah dalam mengakses pasar modal, dan membayar tingkat suku bunga rendah (Sartono, 2001). Ukuran perusahaan dapat dihitung dengan rumus :
Size = Ln of Total Assets
Tabel 3.2
Defenisi operasional dan pengukuran variabel
No Variabel Defenisi Operasional Pengukuran Skala
1 Dividend perusahaan pada tahun tertentu. perusahaan pada tahun tersebut. harga penutupan saham dengan total ekuitas.
seberapa besar pasar menghargai nilai buku saham suatu perusahaan.
Rasio 5 Size Total Asset yang dimiliki
perusahaan pada akhir
tahun tertentu. Ln of Total Asset Rasio
6 Price
Earning Ratio
menjelaskan bagaimana pasar menghargai kinerja dari suatu perusahaan terhadap kinerja suatu perusahaan yang dicerminkan oleh EPS nya.
Rasio
3.6 Metode Analisis Data
Metode analisis data yang digunakan dalam penelitian ini adalah metode analisis statistik dengan menggunakan program SPSS (Statistic Product and Service Solution). Sebelum melakukan hipotesis, terlebih dahulu peneliti melakukan uji asumsi klasik. Pengujian uji asumsi klasik yang dilakukan terdiri dari: uji normalitas, uji multikolinearitas, uji autokorelasi dan uji heterokedastisitas.
3.6.1 Pengujian Asumsi Klasik
a. Uji Normalitas
Uji ini digunakan dalam tahap awal dalam metode pemilihan analisis data.
Jika data normal digunakan uji parametik dan jika data tidak normal digunakan non parametik atau treatment agar data normal. Menurut Umar (2009:181), “uji normalitas bertujuan untuk mengetahui apakah variabel dependen, independen atau keduanya berdistribusi normal, mendekati normal atau tidak”. Deteksi normalitas dapat dilakukan dengan melihat penyebaran data (titik) pada sumbu diagonal dari grafik.
Menurut Ghozali (2006:112), dasar pengambilan keputusan dari uji normalitas adalah:
1) Jika data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal, maka model regresi memenuhi asumsi normalitas.
2) Jika data menyebar jauh dari garis diagonal dan atau tidak mengikuti arah garis diagonal, maka model regresi tidak memenuhi asumsi normalitas.
Untuk menguji normalitas data, peneliti juga menggunakan uji Konglomorov Smirnov yaitu:
Jika ρ value (Asymp. Sig) ≤ α (0,05) maka data berdistribusi tidak normal
Jika ρ value (Asymp. Sig) ≥ α (0,05) maka data berdistribusi normal.
b. Uji Multikolinearitas
Uji multikolinearitas berhubungan dengan adanya korelasi antara variabel independen. Sebuah perusahaan terjangkit penyakit ini bila dua atau lebih variabel independen memiliki tingkat korelasi yang tinggi (Gujarati, 1995). Sebuah persamaan regresi dikatakan baik bila persamaan tersebut memiliki variabel independen yang saling tidak berkorelasi. Semakin rendah korelasi antar variabel independen, maka persamaan tersebut akan semakin baik. Uji ini harus dilakukan bila kita ingin mendapatkan hasil yang baik dan menggunakan persamaan regresi tersebut sebagai penduga atau estimator (Syamsul Hadi 2006:168).
Deteksi adanya multikolinearitas adalah:
1. Besaran VIF (Variance Inflation Factor) dan Tolerance
Model regresi yang bebas dari multikolineritas adalah mempunyai nilai VIF
<10 dan mempunyai angka tolerance >0,1 2. Besaran korelasi antara variabel independen
Pedoman suatu regresi yang bebas dari multikolinearitas adalah koefisien korelasi antara variabel independen haruslah lemah yaitu dibawah 0,05. Jika korelasi kuat maka terjadi problem multikolinearitas
c. Uji Autokorelasi
Masalah autokorelasi akan muncul bila data yang dipakai adalah data runtut waktu (time series). Uji autokorelasi dilakukan untuk mengetahui apakah dalam sebuah model regresi linear terdapat hubungan yang kuat baik positif maupun negatif antar data yang ada pada variabel-variabel penelitian (Umar, 2009:182).
Ada beberapa cara yang dapat digunakan untuk mendeteksi ada atau tidaknya autokorelasi (Ghozali, 2006:96):
1. Uji Durbin-Watson (DW test)
Uji Durbin-Watson hanya digunakan untuk autokorelasi tingkat satu (first order auto correlatoon) dan mensyaratkan adanya intercept (kostanta) dalam model regresi dan tidak ada variabel lag diantara variabel independen 2. Uji Lagrange Multiplier (LM test)
Uji autokorelasi dengan LM test terutama digunakan untuk sample besar diatas 100 observasi. Uji ini memang lebih dapat digunakan dengan uji DW test terutama bila sampel yang digunakan relatif besar dan derajat autokrelasi lebih dari satu.
3. Uji Statistics Q: Box –Pierce dan Ljung Box-Pierce, digunakan untuk melihat autokorelasi dengan lag lebih dari dua.
d. Uji Heterokedastisitas
Uji heterokedastisitas bertujuan untuk melihat apakah didalam model regresi terjadi ketidaksamaan variance dan residual dari suatu pengamatan ke pengamatan yang lain. Jika variabel dari residual suatu pengamatan ke pengamatan yang lain tetap, maka disebut homokedastisitas dan jika berbeda disebit heterokedastisitas (Ghozali, 2006:105). Model regresi yang baik adalah yang homokedastisitas atau tidak terjadi heterokedastisitas.
Untuk mendeteksi ada tidaknya heterokedastisitas dapat dilihat dari grafik Scatterplot antar nilai prediksi variabel dependen dengan residualnya:
1. Jika ada pola tertentu seperti tik-titik yang ada membentuk pola tertentu yang teratur, maka telah terjadi heterokedastisitas.
2. Jika tidak ada pola yang jelas, serta titik-titik yang menyebar maka tidak terjadi heterokedastisitas.
3.6.2 Analisis Regresi Linear Berganda
Pengujian dalam penelitian ini menggunakan analisis regresi berganda.
Metode regresi berganda dilakukan untuk mengetahui pengaruh variabel bebas yaitu DPR, Earning Growth, Kesempatan Investasi, Price to Book Value dan Size terhadap variabel terikat yaitu PER, dengan rumus:
Y = α + 𝛽1𝑋1+𝛽2𝑋2+𝛽3𝑋3+ 𝛽4𝑋4+𝛽5𝑋5+ e Keterangan:
Y = Price Earning Ratio
α = Konstanta
𝛽1, 𝛽2, 𝛽3,+𝛽4, 𝛽5 = Koefisien Regresi 𝑋1 = Dividend Payout Ratio
𝑋2 = Earning Growth
𝑋3 = Kesempatan Investasi
𝑋4 = Price to Book Value Ratio
𝑋5 = Size
e = Error (Pengganggu)
3.6.3 Pengujian Hipotesis
Setelah persamaan regresi dibentuk, maka dilakukan pengujian hipotesis yang terdiri dari uji t dan uji F serta koefisian determinasi.
a. Uji Signifikansi Parsial (t-test)
Menurut Kuncoro (2003:43), “ uji t menunjukkan seberapa jauh pengaruh satu variabel penjelas secara individual dalam menerangkan variasi variabel terikat.” Pengujian ini dilakukan dengan menggunakan tingkat signifikan 5%. Jika nilai signifikan t < 0,05, artinya terdapat pengaruh yang signifikan antara variabel yang independen. Jika nilai signifikan > 0,05, artinya tidak terdapat pengaruh antara variabel independen terhadap variabel dependen. Uji ini dilakukan dengan membandingkan t hitung dengan t tabel dengan ketentuan sebagai berikut:
Jika t hitung < t tabel pada α 0,05 maka Ha ditolak Jika t hitung > t tabel pada α 0,05 maka Ha diterima
b. Uji Signifikansi Simultan (F-test)
Menurut Kuncoro (2003:42), “uji F menunjukkan apakah semua variabel bebas yang terdapat dalam model mempunyai pengaruh secara bersama-sama terhadap variabel terikat.”Pengujian ini dilakukan dengan menggunakan tingkat signifikan 5%. Jika nilai signifikan F < 0,05 artinya terdapat pengaruh yang signifikan antara variabel yang independen terhadap variabel dependen. Jika nilai signifikan F >
0,05 artinya tidak terdapat pengaruh antara variabel independen terhadap variabel dependen. Uji ini dilakukan dengan membandingkan F hitung dengan F tabel dengan ketentuan sebagai berikut:
Jika F hitung < F tabel pada α 0,05 maka Ha ditolak Jika F hitung > F tabel pada α 0,05 maka Ha diterima
3.6.4 Koefisien Determinasi (R2)
Koefisien Determinasi (R2) digunakan untuk mengetahui besarnya pengaruh variabel independen secara serempak terhadap variabel dependen. Koefisien ini menunjukkan seberapa besar presentasi variasi variabel independen (X1, X2, X3, X4 dan X5) yang digunakan mampu menjelaskan variasi variabel dependen (Y).
Nilai koefisien determinasi mempunyai nilai 0 sampai dengan 1 (0 ≤ R2 ≤ 1.
Nilai R2 yang kecil berarti kemampuan variabel-variabel independen dalam menjelaskan variasi variabel dependen amat terbatas. Nilai yang mendekati satu berarti variabel-variabel independen memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen (Ghozali, 2006:83).
BAB IV
HASIL PENELITIAN DAN PEMBAHASAN
4.1 Analisis Statistik Deskriptif
Statistik deskriptif memberikan gambaran awal terhadap pola persebaran variabel penelitian. Gambaran ini sangat berguna untuk memahami kondisi dari data sampel penelitian yang bermanfaat dalam pembahasan dan penganalisaan model. Statistik deskriptif berikut ini menyajikan range, nilai minimum, nilai maksimum, nilai rata-rata (mean), standar deviasi dan variance data variabel penelitian dari 20 sampel perusahaan barang konsumsi di Bursa Efek Indonesia tahun 2016–2018.
Tabel 4.1 Descriptive Statistics
N Range Minimum Maximum Mean
Std.
Deviation Variance
Ln_X1 59 7,27 -5,52 1,74 -1,5842 1,23352 1,522
Ln_X2 39 6,98 -5,52 1,46 -2,2117 1,37786 1,898
Ln_X3 60 4,35 ,10 4,44 2,1406 ,88538 ,784
Ln_X4 60 5,05 -,63 4,41 2,0251 ,97514 ,951
Ln_X5 60 ,63 2,84 3,47 3,3231 ,14763 ,022
Ln_Y 60 10,08 -4,83 5,25 -,8473 2,28539 5,223
Valid N (listwise) 39
Sumber : Lampiran 14 Output SPSS
Berdasarkan tabel 4.1 diketahui beberapa hal:
1.
Jumlah data yang diolah semuanya adalah 60 yang ditunjukkan dari nilai N.Kolom Range menunjukkan kisaran/range dari masing-masing variabel. Kolom minimum menunjukkan nilai minimum dari masing-masing variabel dan kolom maximum menunjukkan nilai maksimum data. Mean Statistic adalah rata-rata.
Std. Deviation menunjukkan simpangan baku dari masingmasing variabel dan variance menunjukkan varian atau ragamnya.
2. Variabel independen Dividend Payout Ratio (DPR) memiliki nilai range 7,27 dan nilai minimum sebesar -5,52 sedangkan nilai maksimumnya sebesar 1,74 dengan rata-rata -2,2117. Nilai standar deviasi 1,23352 dan variansnya adalah 1,522.
3. Variabel independen Earning Growth memiliki nilai range 6,98 dan nilai minimum sebesar -5,52 sedangkan nilai maksimumnya sebesar 1,46 dengan rata-rata -1,5842. Nilai standar deviasi 1,37786 dan variansnya adalah 1,898.
4. Variabel independen Kesempatan Investasi memiliki nilai range 4,35 dan nilai minimum sebesar 0,10 sedangkan nilai maksimumnya sebesar 4,44 dengan rata-rata 2,1406. Nilai standar deviasi 0,88538 dan varians nya adalah 0,784 5. Variabel independen Price to Book Value memiliki nilai range 5,05 dan nilai
minimum sebesar -0,63 sedangkan nilai maksimumnya sebesar 4,41 dengan rata-rata 2,0251. Nilai standar deviasi 0,97514 dan varians nya adalah 0,951 6. Variabel independen Size memiliki nilai range 0,63 dan nilai minimum sebesar
2,84 sedangkan nilai maksimumnya sebesar 3,47 dengan rata-rata 3,3231. Nilai standar deviasi 0,14763 dan varians nya adalah 0,022
7. Variabel dependen yaitu Price Earning Ratio (PER) memiliki nilai range 10,08 dan nilai minimum sebesar -4,83 sedangkan nilai maksimumnya sebesar 5,25 dengan rata-rata -0,8473. Nilai standar deviasi 2,28539 dan varians nya adalah 5,223
4.2 Pengujian Asumsi Klasik
Salah satu satu syarat yang menjadi dasar penggunaan model regresi berganda dengan metode estimasi Ordinary Least Square (OLS) adalah dipenuhinya semua asumsi klasik, agar hasil pengujian bersifat tidak bias dan efisien (Best Linear Unbiased Estimator). Pengujian asumsi klasik dalam penelitian ini dilakukan dengan bantuan program statistik.
Menurut Ghozali (2005), asumsi klasik yang harus dipenuhi adalah : a) Berdistribusi normal.
b) Non-Multikolinearitas, artinya antara variabel independen dalam model regresi tidak memiliki korelasi atau hubungan secara sempurna ataupun mendekati sempurna.
c) Non-Autokorelasi, artinya kesalahan pengganggu dalam model regresi tidak saling berkorelasi.
d)
Non-Heterokedastisitas, artinya variance variabel independen dari satu pengamatan ke pengamatan lain adalah konstan atau sama.4.2.1 Uji Normalitas
Pengujian normalitas data dalam penelitian ini menggunakan uji statistik non parametrik Kolmogorov-Smirnov untuk mengetahui apakah data sudah terdistribusi secara normal atau tidak. Ghozali (2005), memberikan pedoman pengambilan keputusan rentang data mendekati atau merupakan distribusi normal berdasarkan uji Kolmogorov- Smirnov yang dapat dilihat dari:
a) Jika ρ value (Asymp. Sig) ≤ α (0,05) maka data berdistribusi tidak normal b) Jika ρ value (Asymp. Sig) ≥ α (0,05) maka data berdistribusi normal.
Hipotesis yang digunakan :
a) Ho : Data variabel berdistribusi normal b) Ha : Data variabel tidak berdistribusi normal
Hasil uji normalitas dengan menggunakan model Kolmogorov-Smirnov adalah seperti yang ditampilkan berikut ini:
Tabel 4.2 Sumber: lampiran 14 Output SPSS
Berdasarkan hasil uji statistik dengan model Kolmogorov-Smirnov seperti yang terdapat dalam tabel 4.2 dapat diketahui bahwa:
a) Nilai K-S untuk variabel DPR adalah 0,379 dengan Asymp.sig.(2-tailed) 0.
Hal ini berarti bahwa variabel EG terdistribusi secara tidak normal. Ho ditolak dan Ha diterima.
c) Nilai K-S untuk variabel Kesempatan Investasi adalah 0,294 dengan Asymp.Sig.tailed) 0. Nilai tersebut di bawah α = 0,05 karena Asymp.Sig (2-tailed) < α/2 (0,025). Hal ini berarti bahwa variabel Kesempatan Investasi terdistribusi secara tidak normal. Ho ditolak dan Ha diterima.
d) Nilai K-S untuk variabel PBV adalah 0,281 dengan Asymp.Sig.(2-tailed) 0.
Nilai tersebut di bawah α = 0,05 karena Asymp.Sig (2-tailed) < α/2 (0,025).
Hal ini berarti bahwa variabel PBV terdistribusi secara tidak normal. Ho ditolak dan Ha diterima.
e) Nilai K-S untuk variabel Size adalah 0,194 dengan Asymp.Sig.(2-tailed) 0.
Nilai tersebut di bawah α = 0,05 karena Asymp.Sig (2-tailed) < α/2 (0,025).
Hal ini berarti bahwa variabel Size terdistribusi secara tidak normal. Ho ditolak dan Ha diterima.
f) Nilai K-S untuk variabel PER adalah 0,425 dengan Asymp.Sig.(2-tailed) 0.
Nilai tersebut di bawah α = 0,05 karena Asymp.Sig (2-tailed) < α/2 (0,025).
Hal ini berarti bahwa variabel PER terdistribusi secara tidak normal. Ho ditolak dan Ha diterima.
Untuk menguji apakah data grafik variabel DPR, EG, Kesempatan Investasi, PBV, Size dan PER memiliki distribusi normal atau tidak, dapat dilakukan dengan menggambarkan kurva histogram dan grafik Normality Probability Plot yaitu sebagai berikut.
Gambar 4.1 Histogram
Sumber : Lampiran 14 Output SPSS
Hasil tampilan kurva histogram di atas dapat kita ketahui bahwa kemiringan kurva cenderung ke kiri, hal ini memnunjukkan bahwa data tidak terdistribusi dengan normal. Selain itu, hasil dari grafik Normal P-Plot Regression dapat juga kita ketahui bahwa titik-titik menyebar jauh dari garis diagonal yang menunjukkan data tidak terdistribusi dengan normal. Berikut gambar grafik Normal P-Plot Regression.
Gambar 4.2 Normal P-Plot Regression Sumber: Lampiran 14 Output SPSS
Menurut Erlina dan Mulyani (2007) ada beberapa cara mengubah model regresi menjadi normal yaitu :
a. lakukan transformasi data ke bentuk lainnya, b. lakukan trimming, yaitu membuang data outlier,
c. lakukan winsorizing, yaitu mengubah nilai data yang outlier ke suatu nilai tertentu.
Untuk mengubah nilai residual agar berdistribusi normal, peneliti melakukan transformasi data ke model logaritma natural (Ln). Setelah itu, data diuji ulang berdasarkan asumsi normalitas. Berikut ini adalah hasil pengujian dengan Kolmogorov - Smirnov setelah dilakukan transformasi.
Tabel 4.3 Hasil Uji Normalitas (2)
Setelah Transformasi dengan Logaritma Natural One-Sample Kolmogorov-Smirnov Test Std. Deviation 1,23352 1,37786 ,88538 ,97514 ,14763 2,28539 Most Extreme a. Test distribution is Normal.
Sumber : lampiran 14 Output SPSS
Berdasarkan hasil uji statistik setelah dilakukan transformasi data ke model logaritma natural (Ln) seperti yang terdapat dalam tabel 4.3 dapat diketahui bahwa nilai signifikansi variabel DPR sebesar 0,076; EG sebesar 0,122;
Kesempatan Investasi sebesar 0,137; PBV sebesar 0,109; Size sebesar 0,233 dan PER sebesar 0,103. Nilai signifikansi (2-tailed) variabel DPR, EG, Kesempatan Investasi, PBV dan PER tersebut di atas lebih dari 0,05. Sedangkan untuk variabel Size nilai signifikansi (2-tailed) sebesar 0 yang artinya bahwa variabel Size tidak terdistribusi normal. Dengan demikian dapat disimpulkan bahwa data variabel DPR, EG, Kesempatan Investasi, PBV dan PER adalah berdistribusi normal.
Hasil pengujian normalitas dengan histogram dan Normal P-Plot Regression Standardized Residual juga dapat dilihat pada gambar berikut:
Gambar 4.3
Histogram setelah transformasi Sumber: lampiran 14 Output SPSS
Berdasarkan kurva histogram di atas, dapat dilihat bahwa kurva menyerupai lonceng yang hampir sempurna dengan kemiringan yang cenderung imbang baik dari sisi kiri maupun dari sisi kanan. Hal ini menunjukkan bahwa data telah terdistribusi secara normal.
Menurut Ghozali (2005), pendeteksian normalitas dapat dilakukan dengan melihat penyebaran data (titik) pada sumbu diagonal dari grafik (grafik Normal P-P Plot of Regression), yaitu jika data (titik) menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal, hal ini menunjukkan data yang telah terdistribusi normal.
Gambar 4.4
Normal P-P Plot of Regression setelah transformasi Sumber: lampiran 14 Output SPSS
Grafik Normal P-P Plot of Regression di atas memperlihatkan titik – titik menyebar berhimpitan di sekitar diagonal dan ini menunjukkan data dalam model regresi berdistribusi normal. Karena secara keseluruhan data telah terdistribusi secara normal, maka dapat dilakukan pengujian asumsi klasik lainnya.
4.2.2 Uji Multikolineritas
Uji multikolinearitas digunakan untuk mengetahui ada atau tidaknya penyimpangan asumsi klasik multikolinearitas yaitu adanya hubungan linear antar variabel independen dalam model regresi. Prasyarat yang harus terpenuhi dalam model regresi adalah tidak adanya multikolinearitas. Model regresi yang bebas dari multikolinearitas adalah mempunyai nilai VIF < 10 dan mempunyai angka tolerance > 0,1. Hasil uji multikolinearitas disajikan dalam tabel 4.4.
Tabel 4.4 Sumber: Lampiran 14 Output SPSS
Dari tabel 4.4 di atas, terlihat bahwa nilai VIF untuk DPR adalah 1,047, EG adalah 1,416, Kesempatan Investasi, 102,963, PBV adalah 100,144 dan size adalah 1,592. Untuk variabel Kesempatan Investasi dan Size memiliki nilai VIF diatas 10 Sedangkan untuk variabel DPR, EG dan PBV memiliki nilai VIF yang jauh dari nilai 10. Nilai Tolerance untuk DPR adalah 0,955, EG adalah 0,706, Kesempatan Investasi adalah 0,10, PBV adalah 0,10 dan size adalah 0,628. Dari hasil ini dapat dilihat bahwa variabel Kesempatan Investasi dan PBV memiliki nilai Tolerance yang sama yaitu 0,10. Sedangkan untuk ketiga variabel bebas lainnya memiliki nilai Tolerance yang lebih besar dari 0,10. maka dapat disimpulkan bahwa tidak terdapat multikolinieritas pada model regresi.
4.2.3 Uji Autokorelasi
Pengujian ini dilakukan untuk melihat apakah dalam sebuah model regresi linier terdapat korelasi antara variabel pengganggu pada priode tertentu dengan variabel pengganggu pada priode sebelumnya. Masalah autokorelasi umumnya terjadi pada regresi yang datanya time series. Untuk mendeteksi autokorelasi, dapat dilakukan beberapa jenis uji statistik. Dalam penelitian ini pengujian terhadap autokorelasi menggunakan Uji Durbin‐Watson (DW-test).
Dasar pengambilan keputusan ada tidaknya autokorelasi adalah sebagai berikut:
a. Bila dU < d < 4 – dU, maka koefisien autokorelasi = 0, berarti tidak ada autokorelasi.
b. Bila d < dL, maka koefisien autokorelasi > 0, berarti ada autokorelasi positif.
c. Bila d > 4-dL, maka koefisisen autokorelasi < 0, berarti terjadi autokorelasi negatif.
d. Bila dU < d < dL atau 4-dU < d < 4-dL, maka hasilnya tidak dapat disimpulkan
Keterangan :
d : Nilai Durbin Watson hitung
dU : Nilai batas atas Durbin Watson tabel dL : Nilai batas bawah Durbin Watson tabel
Tabel 4.5
a. Predictors: (Constant), Ln_Size, Ln_DPR, Ln_EG, Ln_PBV, Ln_Kesempatan Investasi b. Dependent Variable: Ln_PER
Sumber: Lampiran 14 Output SPSS
Berdasarkan hasil uji autokorelasi tabel 4.5 di atas tampak bahwa nilai
Berdasarkan tabel Durbin Watson di atas, diperoleh nilai dL = 0,89425 dan dU = 1,82828 sedangkan 4-dU adalah 2,17172. Berarti:
dL < d < 4-dU
0,89425 < 1,614 < 2,17172
Dari pengamatan ini, dapat disimpulkan tidak terjadi autokorelasi positif maupun negatif.
4.2.4 Uji Heterokedastisitas
Menurut Erlina dan Mulyani (2007) “Uji heterokedastisitas bertujuan untuk melihat apakah di dalam model regresi terjadi ketidaksamaan variabel dari residual satu pengamatan ke pengamatan yang lain. Jika varian dari residual satu pengamatan ke pengamatan yang lain tetap maka disebut homokedastisitas, dan jika berbeda disebut heterokedastisitas”. Model regresi yang baik yaitu homokedastisitas. Pengujian ada atau tidaknya heterokedastisitas pada suatu data dapat dilakukan pada software SPSS dengan mengamati grafik Scatterplot.
Menurut Ghozali (2005) dasar pengambilan keputusannya adalah sebagai berikut:
1. Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur (bergelombang, melebar kemudian menyempit), maka mengindikasikan telah terjadi heterokedastisitas.
2. Jika tidak ada pola yang jelas, seperti titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heterokedastisitas atau terjadi homokedastisitas.
Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi gejala heterokedastisitas atau tidak dengan cara mengamati penyebaran titik-titik pada grafik.
Gambar 4.5 Scatterplot
Sumber : lampiran 14 Output SPSS
Sumber : lampiran 14 Output SPSS