BAB III METODE PENELITIAN
4.2. Analisis Hasil Penelitian
4.2.2. 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 biasa 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 sebagai berikut ini.
• Berdistibusi normal.
• Non-Multikolinearitas, artinya antara variabel independen dalam model regresi tidak memiliki korelasi atau hubungan secara sempurna ataupun mendekati sempurna.
• Non-Autokorelasi, artinya kesalahan pengganggu dalam model regresi tidak saling berkorelasi.
• Non-Heterokedastisitas, artinya variance variabel independen dari satu pengamatan ke pengamatan lain adalah konstan atau sama.
4.2.2.1. Uji Normalitas
Uji data statistik dengan model Kolmogorov-Smirnov dilakukan 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:
1. nilai sig. atau signifikan atau probabilitas <0,05, maka distribusi data adalah tidak normal,
2. nilai sig. atau signifikan atau probabilitas > 0,05, maka distribusi data adalah normal.
Hipotesis yang digunakan adalah :
H0 : Data residual berdistribusi normal, dan Ha : Data residual tidak berdistribusi normal.
Hasil uji normalitas dengan menggunakan model Kolmogorov-Smirnov adalah seperti yang ditampilkan berikut ini :
Tabel 4.2 Hasil Uji Normalitas One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 69
Normal Parametersa,,b Mean .0000000 Std. Deviation 1.92925944E3 Most Extreme Differences Absolute .115
Positive .115
Negative -.084
Kolmogorov-Smirnov Z .955
Asymp. Sig. (2-tailed) .321
a. Test distribution is Normal. b. Calculated from data.
Sumber : Output SPSS, diolah Penulis, 2013
Berdasarkan hasil uji statistik dengan model Kolmogorov-Smirnov
seperti yang terdapat dalam tabel 4.2 dapat disimpulkan bahwa besarnya nilai Kolmogrov–Smirnov sebesar 0,955 dan signifikan lebih dari 0,05 karena Asymp. Sig. (2-tailed) 0,321 > dari 0,05. Nilai signifikansi lebih besar dari 0,05 maka H0 diterima atau Ha ditolak yang berarti data residual telah berdistribusi normal. Dengan demikian, secara keseluruhan dapat disimpulkan bahwa nilai-nilai observasi data telah terdistribusi secara normal dan dapat dilanjutkan dengan uji asumsi klasik lainnya. Untuk lebih jelas, berikut ini turut dilampirkan grafik histrogram dan plot data yang terdistribusi normal.
Gambar 4.1 Histogram
Grafik histogram di atas menunjukkan bahwa data telah terdistribusi secara normal. Hal ini dapat dilihat dari grafik histogram yang menunjukkan distribusi data mengikuti garis diagonal yang tidak menceng (skewness) kiri maupun menceng ke kanan. Hal ini juga didukung dengan hasil uji normalitas dengan menggunakan grafik plot yang ditampilkan pada Gambar 4.2
Gambar 4.2 Uji Normalitas data
Menurut Ghozali (2005), pendeteksian normalitas dapat dilakukan dengan melihat penyebaran data (titik) pada sumbu diagonal dari grafik, yaitu jika data (titik) menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal, hal ini menunjukkan data yang telah terdistribusi normal. Gambar 4.2 menunjukkan bahwa data (titik) menyebar di sekitar dan mendekati garis diagonal. Hal ini sejalan dengan hasil pengujian dengan menggunakan histogram bahwa data telah terdistribusi normal. Karena secara keseluruhan data telah terdistribusi secara normal, maka dapat dilakukan pengujian asumsi klasik lainnya.
4.2.2.2. Uji Multikolinieritas
Untuk melihat ada atau tidaknya multikolinieritas dalam model regresi dapat dilihat dari:
1) nilai tolerence dan lawannya, 2) Variance Inflatin Factor (VIF).
Kedua ukuran ini menunjukkan setiap variabel independen manakah yang dijelaskan oleh variabel independen lainnya. Tolerence 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/tolerence). Nilai cutoff yang umum dipakai untuk menunjukkan adanya mutikolineritas adalah nilai Tolerence < 0,10 atau sama dengan VIF > 10 (Ghozali, 2005).
Tabel 4.3
Hasil Uji Multikolinieritas
Sumber : Output SPSS, diolah Penulis, 2013 Coefficientsa Model Unstandardized Coefficients Standardized Coefficients T Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) -6792.393 1499.262 -4.530 .000
Ukuran Perusahaan 850.074 142.866 .539 5.950 .000 .955 1.047
Momentum .532 .125 .379 4.238 .000 .977 1.023
Book To Market .361 6.869 .005 .053 .958 .968 1.033
Berdasarkan tabel 4.3 dapat disimpulkan bahwa penelitian ini bebas dari adanya multikolinieritas. Hal tersebut dapat dilihat dengan membandingkannya dengan nilai Tolerence atau VIF. Masing-masing variabel independen yang digunakan dalam penelitian ini memiliki nilai Tolerence yang lebih besar dari 0,10. Jika dilihat dari VIFnya, bahwa masing-masing variabel bebas lebih kecil dari 10. Dengan demikian dapat disimpulkan bahwa tidak terjadi gejala multikolinieritas dalam variabel bebasnya.
4.2.2.3. Uji Heteroskedastisitas
Ghozali (2005) menyatakan “uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Jika variance dari satu pengamatan ke pengamatan lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut heteroskedastisitas”. 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 program SPSS. Dasar pengambilan keputusannya menurut Ghozali (2005) 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 heteroskedastisitas.
2. jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.
Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi gejala heteroskedastisitas atau tidak dengan cara mengamati penyebaran titik-titik pada grafik.
Gambar 4.3 Scatterplot
Sumber : Output SPSS, diolah Penulis, 2013
Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara acak dengan tidak adanya pola yang jelas serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y. Hal tersebut menunjukkan bahwa tidak terjadi heteroskedastisitas, sehingga model ini layak dipakai untuk memprediksi return saham pada perusahaan perbankan yang terdaftar di Bursa Efek Indonesia
berdasarkan masukan variabel independen yaitu ukuran perusahaan, book to market ratio dan momentum.
4.2.2.4. Uji Autokorelasi
Uji ini bertujuan untuk melihat apakah dalam suatu model linear ada korelasi antar kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1 (sebelumnya). Model regresi yang baik adalah yang bebas dari autokorelasi. Masalah autokorelasi umumnya terjadi pada regresi yang datanya
time series. Ada beberapa cara yang dapat digunakan untuk mendeteksi masalah dalam autokorelasi diantaranya adalah dengan Uji Durbin Watson. Menurut Sunyoto (2009), Untuk melihat ada tidaknya autokorelasi dilihat dari:
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 4.4 Hasil Uji Autokorelasi Model Summaryb
Model R R Square Adjusted R Square
Std. Error of the
Estimate Durbin-Watson
1 .701a .491 .467 1973.27863 2.411
a. Predictors: (Constant), Book To Market, Momentum, Ukuran Perusahaan b. Dependent Variable: Return Saham
Tabel 4.4 menunjukkan hasil uji autokorelasi variabel penelitian. Berdasarkan hasil pengujiannya dapat dilihat bahwa terjadi autokorelasi antar kesalahan pengganggu antar periode. Hal tersebut dilihat dari nilai Durbin-Watson (D-W) sebesar 2,411. Angka D-W di antara -2 sampai +2 yang mengartikan bahwa angka DW lebih besar dari -2 dan lebih kecil dari 2. Dengan demikian, dapat dikemukakan bahwa tidak ada autokorelasi positif maupun negatif.