BAB IV ANALISIS HASIL PENELITIAN
B. Analisis Data Penelitian
2. Pengujian Asumsi Klasik
Pengujian normalitas data dalam penelitian ini mengunakan uji statistik non parametrik Kolmogorov-Smirnov (K-S) dengan membuat hipotesis:
H0 : Data residual berdistribusi normal, Ha : Data residual tidak berdistribusi normal.
Apabila nilai signifikansinya lebih besar dari 0,05 maka H0 diterima, sedangkan jika nilai signifikansinya lebih kecil dari 0,05 maka H0 ditolak atau Ha diterima.
Tabel 4.3
Hasil Uji Normalitas Sebelum Data Ditransformasi
Unstandardized Residual
N 66
Normal Parametersa Mean .0000000
Std. Deviation 1.07975633E3
Most Extreme Differences Absolute .272
Positive .156
Negative -.272
Kolmogorov-Smirnov Z 2.210
Asymp. Sig. (2-tailed) .000
Sumber: Data yang diolah penulis, 2010
Dari hasil pengolahan data pada tabel 4.3 diperoleh besarnya nilai Kolmogorov-Smirnov adalah 2,210 dan signifikan pada 0,000. Nilai signifikansi lebih kecil dari 0,05 (0,000 < 0,05) maka Ha diterima yang berarti data residual tidak berdistribusi normal. Data yang tidak berdistribusi normal dapat disebabkan oleh adanya data yang outlier, yaitu data yang memiliki nilai yang sangat menyimpang dari nilai data lainnya. Beberapa cara mengatasi data outlier yaitu:
− lakukan transformasi data ke bentuk lainnya,
− lakukan trimming, yaitu membuang data outlier,
− lakukan winsorizing, yaitu mengubah nilai data yang outlier ke suatu nilai tertentu.
Untuk mengubah nilai residual agar berdistribusi normal, penulis melakukan transformasi data ke model logaritma natural (Ln) dari persamaan
Perubahan Harga Saham = f(CAR, ROE, NPM, RORA, BOPO, LDR) menjadi Ln_Perubahan Harga Saham = f(Ln_CAR, Ln_ROE, Ln_NPM, Ln_RORA, Ln_BOPO, Ln_LDR). Setelah dilakukan transformasi data ke model logaritma natural, jumlah sampel (n) berkurang sebagai akibat dari proses penormalan data, yakni dari 66 sampel menjadi 40 sampel. Setelah data menjadi normal, kemudian data diuji ulang berdasarkan asumsi normalitas, berikut ini hasil pengujian dengan Kolmogorov-Smirnov.
Tabel 4.4
Hasil Uji Normalitas Setelah Data Ditransformasi
Unstandardized Residual
N 40
Normal Parametersa Mean .0000000
Std. Deviation 1.25426060
Most Extreme Differences Absolute .092
Positive .072
Negative -.092
Kolmogorov-Smirnov Z .583
Asymp. Sig. (2-tailed) .886
Sumber: Data yang diolah penulis, 2010
Dari hasil pengolahan data pada tabel 4.4 diperoleh besarnya nilai Kolmogorov-Smirnov adalah 0,583 dan signifikan pada 0,886. Nilai siginifikansi lebih besar dari 0,05 (0,886 > 0,05) maka H0 diterima yang berarti data residual berdistribusi normal. Data yang berdistribusi normal tersebut juga dapat dilihat melalui grafik histogram dan grafik normal plot data.
Gambar 4.1 Histogram Sumber: Data yang diolah penulis, 2010
Grafik histogram pada gambar 4.1 menunjukkan pola distribusi normal karena grafik tidak menceng kiri maupun menceng kanan. Dengan demikian dapat disimpulkan bahwa model regresi telah memenuhi asumsi normalitas. Demikian pula hasil uji normalitas dengan menggunakan grafik normal p-plot.
Gambar 4.2 Grafik Normal P-Plot Sumber: Data yang diolah penulis, 2010
Pada grafik normal p-plot terlihat bahwa data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal, maka dapat disimpulkan bahwa model regresi telah memenuhi asumsi normalitas.
b. Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah terdapat korelasi antar variabel independen dalam model regresi. Jika pada model regresi terjadi multikolinearitas, maka koefisien regresi tidak dapat ditaksir dan nilai standard error menjadi tidak terhingga. Menurut Nugroho (2005:58) deteksi multikolenaritas pada suatu model dapat dilihat yaitu jika nilai Variance
Inflation Factor (VIF) tidak lebih dari 10 dan nilai Tolerance tidak kurang dari 0,1 maka model dapat dikatakan terbebas dari multikolenearitas.
Tabel 4.5
Hasil Uji Multikolinearitas
Model Collinearity Statistics Tolerance VIF 1 (Constant) Ln_CAR .373 2.681 Ln_ROE .131 7.632 Ln_NPM .115 8.667 Ln_RORA .369 2.709 Ln_BOPO .483 2.068 Ln_LDR .521 1.920
a. Dependent Variable: Ln_Perubahan Harga Saham Sumber: Data yang diolah penulis, 2010
Dari data pada tabel 4.5, dapat disimpulkan bahwa tidak terjadi gejala multikolinearitas antara variabel independen yang diindikasikan dari nilai tolerance setiap variabel independen lebih besar atau sama dengan 0,1 dan nilai Variance Inflation Factor (VIF) lebih kecil atau sama dengan dari 10. Maka dapat disimpulkan bahwa tidak terjadi multikolinearitas dan analisis lebih lanjut dapat dilakukan dengan menggunakan model regresi berganda.
c. Uji Heterokedastisitas
Uji heterokedastisitas bertujuan untuk melihat apakah dalam model regresi terjadi ketidaksamaan variabel dari residual satu pengamatan ke pengamatan yang lain. Model regresi yang baik adalah tidak terjadi heterokedastisitas. Menurut Nugroho (2005:62) cara memprediksi ada
tidaknya heteroskedastisitas pada suatu model dapat diihat dari pola gambar grafik Scatterplot. Analisis pada gambar Scatterplot yang menyatakan model regresi linear berganda tidak terdapat heteroskedastisitas jika:
1. titik-titik data menyebar di atas dan di bawah atau di sekitar angka 0, 2. titik-titik data tidak mengumpul hanya di atas atau di bawah saja,
3. penyebaran titik-titik data tidak boleh membentuk pola bergelombang melebar kemudian menyempit dan melebar kembali,
4. penyebaran titik-titik data sebaiknya tidak berpola.
Gambar 4.3 Scatterplot Sumber: Data yang diolah penulis, 2010
Dari grafik scatterplot di atas terlihat bahwa titik-titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y, sehingga dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi.
d. Uji Autokorelasi
Uji ini bertujuan untuk melihat apakah dalam suatu model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1. Cara yang dapat digunakan untuk mendeteksi masalah autokorelasi adalah dengan menggunakan nilai uji Durbin Watson (D-W) dengan ketentuan sebagai berikut:
1. Angka D-W dibawah -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 4.6
Hasil Uji Autokorelasi
Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .682a .466 .368 1.3635250 1.723
a. Predictors: (Constant), Ln_LDR, Ln_BOPO, Ln_CAR, Ln_ROE, Ln_RORA, Ln_NPM
b. Dependent Variable: Ln_Perubahan Harga Saham Sumber: Data yang diolah penulis, 2010
Tabel 4.6 memperlihatkan nilai statistik D-W sebesar 1,723. Angka ini terletak diantara -2 dan +2, berarti dari pengamatan ini dapat disimpulkan
bahwa tidak terjadi autokorelasi baik itu autokorelasi positif maupun autokorelasi negatif.