ANALISIS HASIL PENELITIAN 4.1Data Penelitian
4.3 Pengujian Asumsi Klasik
Pengujian asumsi klasik dalam penelitian ini dilakukan dengan bantuan program statistik. Menurut Ghozali (2006:123) asumsi klasik yang harus dipenuhi adalah :
1. Berdistribusi normal,
2. Non-multikolinearitas, artinya antara variabel independen dalam model regresi tidak memiliki korelasi atau hubungan secara sempurna ataupun mendekati sempurna ataupun mendekati sempurna,
3. Non-autokorelasi, artinya kesalahan pengganggu dalam model regresi tidak saling berkorelasi,
4. Homokedastisitas, artinya variance variabel independen dari satu pengamatan ke pengamatan lain adalah konstan atau sama.
4.3.1 Uji Normalitas a. Analisis Grafik
Analisis Grafik dapat digunakan dengan dua alat, yaitu grafik histogram dan grafik P-P Plot. Data yang baik adalah data yang memiliki pola distribusi normal.
Pada grafik histogram, data yang mengikuti atau mendekati distribusi normal adalah distribusi data dengan bentuk lonceng. Berikut hasil uji normalitas dengan menggunakan analisis grafik berupa kurva histogram yang berbentuk lonceng dengan kemiringan yang cenderung seimbang antara sisi kanan dan kiri, hal ini menunjukkan bahwa data terdistribusi dengan normal.
Gambar 4.1
Dan pada grafik P-P Plot di bawah ini, titik-titik terlihat menyebar di sepanjang garis diagonal dan ini menunjukkan data dalam model regresi berdistribusi normal.
Gambar 4.2 Grafik Normal P-Plot
b. Analisis Statistik
Pengujian normalitas data dengan hanya melihat grafik dapat menyesatkan kalau tidak melihat dengan seksama, sehingga kita perlu
menyakinkan. Uji normalitas bertujuan untuk mengetahui varians pengganggu atau residual berdistribusi secara normal serta untuk menghindari adanya bias dalam model regresi. Pengujian normalitas data dalam penelitian ini menggunakan uji statistik non-parametrik Kolmogorov-Smirnov (K-S), dengan membuat hipotesis:
H0 : Data residual berdistribusi normal Ha : Data residual tidak berdistribusi normal
Apabila nilai signifikansi lebih besar dari 0.05 maka H0 diterima, sedangkan jika nilai signifikansi lebih kecil dari 0.05 maka H0 ditolak.
Tabel 4.6 Hasil Uji Normalitas One-Sample Kolmogorov-Smirnov Test
ROI ROE DER LTDtER HARGA
N 33 33 33 33 33 Normal Parametersa,,b Mean 4.9264 6.0894 5.0330 1.7539 626.8182 Std. Deviation 1.84782 1.09372 1.02210 .17302 125.54144 Most Extreme Differences Absolute .102 .177 .188 .199 .200 Positive .083 .153 .188 .199 .130 Negative -.102 -.177 -.160 -.196 -.200 Kolmogorov-Smirnov Z .587 1.014 1.081 1.145 1.151
Asymp. Sig. (2-tailed) .881 .255 .193 .145 .141
a. Test distribution is Normal.
b. Calculated from data.
Sumber : Output SPSS, 2013
Dari hasil pengolahan data tersebut, diperoleh bahwa data dalam penelitian ini terdistribusi secara normal, dimana variabel-variabel dalam penelitian ini memiliki hasil uji Normalitas lebih besar dari 0.05. ROI sebesar 0.587, ROE
sebesar 1.014, DER sebesar 1.081, dan LTDtER sebesar 1.145. Dengan demikian, H0 diterima.
4.3.2 Uji Heteroskedastisitas
Uji Heteroskedastisitas bertujuan untuk menguji terjadinya perbedaan varians residual suatu periode pengamatan ke periode yang lain. Ghozali (2005 : 105) Uji Heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varians dari residual satu pengamatan ke pengamatan yang lain. Model regresi yang baik adalah tidak terjadi heteroskedastisitas. Cara mendeteksi ada tidaknya gejala heteroskedastisitas adalah dengan melihat grafik scatterplot yang dihasilkan dari pengolahan data menggunakan SPSS 19. Dasar pengambilan keputusannya menurut Ghozali (2005:105) adalah sebagai berikut:
a. Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur maka mengindikasikan telah terjadi heteroskedastisitas.
b. Jika tidak ada pola yang jelas, serta titik menyebar dibawah angka 0 dan y, maka tidak heteroskedastisitas.
Uji ini dilakukan dengan melakukan pengamatan tertentu pada grafik
scatterplot, dimana bila ada titik – titik yang menyebar diatas dan dibawah angka 0 pada sumbu Y serta tidak membentuk pola maka tidak terjadi heteroskedastisitas.
Gambar 4.3 Grafik Scatterplot
Pada Gambar 4.3 tentang grafik scatterplot diatas terlihat titik – titik menyebar secara acak tidak membentuk sebuah pola tertentu yang jelas serta tersebar baik diatas maupun dibawah angka 0 (nol) pada sumbu Y. hal ini berarti tidak terjadi heteroskedastisitas pada model regresi sehingga model regresi layak dipakai untuk melihat pengaruh variabel independen terhadap variabel dependen.
4.3.3 Hasil Uji Autokorelasi
Uji ini bertujuan untuk melihat apakah dalam suatu model linear ada korelasi antar kesalahan pengganggu pada periode t dengan kesalahan periode t-1 (sebelumnya). Model regresi yang baik adalah yang bebas dari autokorelasi. Masalah autokorelasi umumnya terjadi pada regresi yang
datanya time series. Untuk mendeteksi masalah autokorelasi dapat dilakukan dengan menggunakan uji Durbin Watson. Mengacu kepada kriteria menurut Triton (2006:158), dengan cara melihat besaran Durbin-Watson sebagai berikut:
a. Angka D-W > dU, berarti tidak ada autokorelasi. b. Angka D-W < dU, berarti ada autokorelasi.
c. Jika dL<D-W<dU, maka tidak dapat dideteksi apakah terjadi autokorelasi atau tidak.
Tabel 4.7 Uji Autokorelasi Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .379a .143 .021 124.21648 2.561
a. Predictors: (Constant), LTDtER, ROE, DER, ROI
b. Dependent Variable: HARGA Sumber : Output SPSS, 2013
Berdasarkan uji di atas memperlihatkan nilai statistik D-W sebesar 2.561. dengan jumlah variabel bebas (k) = 4 dan jumlah sampel (n) = 33, maka dL = 1.25756 dan dU = 1.65110. Oleh karena itu, D-W > dU, 2.561 > 1.65110, yang artinya tidak terjadi autokorelasi dalam penelitian ini.
4.3.4 Hasil Uji Multikolinearitas
Pengujian ini bertujuan mengetahui ada tidaknya multikolinearitas antar variabel – variabel independen. Model regresi yang baik seharusnya
tidak terjadi korelasi antar variabel independen. Deteksi dilakukan dengan melihat nilai VIF (Variable Inflation Factor) dan toleransi. Menurut Ghozali (2005 ; 91) untuk melihat ada atau tidaknya multikolinearitas dalam model regresi dapat dilihat dari :
a. Nilai tolerance dan lawannya, b. Variance influence factor (VIF)
Kedua ukuran ini menunjukkan setiap variabel independen manakah yang dijelaskan oleh variabel independen lainnya. Tolerance mengukur variabilitas variabel independen yang terpilih yang tidak dijelaskan oleh variabel independen lainnya. Jadi, nilai tolerance yang rendah sama dengan nilai VIF yang tinggi (karena VIF=1/tolerance). Nilai cutoff yang umum dipakai untuk menunjukkan adanya multikolinearitas adalah nilai tolerance < 0,01 atau sama dengan VIF > 10.
Tabel 4.8 Uji Multikolinearitas Coefficientsa Model Collinearity Statistics Tolerance VIF 1 ROI .821 1.218 ROE .928 1.078 DER .875 1.143 LTDtER .943 1.060
a. Dependent Variable: HARGA Sumber : Output SPSS, 2013
Berdasarkan tabel 4.8 diatas dapat dilihat bahwa tidak ada satupun variabel bebas yang memiliki nilai VIF lebih dari 10 dan tidak ada yang memiliki tolerance value lebih kecil dari 0,1. Jadi dapat disimpulkan bahwa penelitian ini bebas dari adanya multikolinearitas. Dari hasil uji ini maka dapat disimpulkan bahwa semua variabel bebas yang dipakai dalam penelitian ini lulus uji gejala multikolineritas.