BAB IV ANALISIS HASIL PENELITIAN
C. Pengujian Asumsi Klasik
Uji asumsi klasik merupakan syarat yang harus dipenuhi model regresi dengan metode Ordinary Least Squares (OLS) agar memberikan hasil yang Best Linear Unbiased Estimator (BLUE). Adapun pengujian asumsi klasik tersebut meliputi :
1. Uji Normalitas
Uji data statistik dengan model Kolmogorov-Smirnov dilakukan untuk
mengetahui apakah data sudah terdistribusi secara normal atau tidak. Ghozali (2005:115), memberikan pedoman pengambilan keputusan tentang data mendekati atau merupakan distribusi normal berdasarkan uji Kolmogorov-Smirnov yang dapat dilihat dari :
Nilai sig. atau signifikan atau probabilitas < 0,05, maka distribusi data adalah tidak normal.
Nilai sig. atau signifikan atau probabilitas > 0,05, maka distribusi data adalah normal.
Hasil uji normalitas dengan menggunakan model Kolmogorov-Smirnov adalah seperti yang ditampilkan berikut ini :
Tabel 4.6 Hasil Uji Normalitas One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 52
Normal Parametersa Mean .0000000 Std. Deviation 2.76139347 Most Extreme
Differences
Absolute .196
Negative -.165
Kolmogorov-Smirnov Z 1.415
Asymp. Sig. (2-tailed) .036
a. Test distribution is Normal.
Sumber : Output SPSS, diolah Peneliti, 2010
Berdasarkan hasil uji statistik dengan model Kolmogorov-Smirnov seperti yang terdapat dalam tabel 4.6 dapat disimpulkan bahwa data tidak terdistribusi normal, hal ini dapat dilihat dari nilai Asymp.Sig.(2-tailed) Kolmogorov-Smirnov sebesar 0,036 yang lebih kecil dari 0,05. Data yang tidak berdistribusi normal dapat disebabkan oleh adanya data yang outlier yaitu data yang memiliki nilai yang sangat menyimpang dari nilai data lainnya. Menurut Erlina (2007:106) 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.
Hasil pengolahan data menunjukkan bahwa data tidak terdistribusi normal, maka dilakukan tindakan perbaikan (treatment) agar model regresi memenuhi asumsi normalitas. Dalam penelitian ini peneliti melakukan transformasi data ke model logaritma natural (Ln), kemudian data diuji ulang berdasarkan asumsi normalitas.
Hasil uji statistik dengan model Kolmogorov-Smirnov yang baru setelah dilakukan transformasi data yang tidak normal tersebut dapat dilihat pada tabel 4.7.
Tabel 4.7
Hasil Uji Normalitas Pada Data Setelah Transformasi LogaritmaNatural One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 44
Normal Parametersa Mean .0000000 Std. Deviation .95147307 Most Extreme Differences Absolute .124 Positive .088 Negative -.124 Kolmogorov-Smirnov Z .819
Asymp. Sig. (2-tailed) .513 a. Test distribution is Normal.
Sumber : Output SPSS, diolah Penulis, 2010
Dari hasil pengolahan data pada tabel 4.7 diperoleh hasil pengujian statistik dengan model Kolmogorov-Smirnov menunjukkan bahwa data telah terdistribusi normal karena nilai Asymp.Sig (2-tailed) Kolmogorov-Smirnov 0,513 lebih besar dari 0,05. Setelah data berdistribusi normal dapat dilanjutkan dengan uji asumsi klasik lainnya. Untuk lebih jelas, berikut ini
dilampirkan grafik histogram dan grafik p-plot data yang telah berdistribusi normal.
Gambar 4.1 Histogram Sumber : Output SPSS, diolah Penulis, 2010
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 Grafik Normal P-Plot
Sumber : Output SPSS, diolah Penulis, 2010
Menurut Ghozali (2005:112), 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.
Uji multikolinieritas bertujuan menguji apakah pada model regresi ditemukan adanya korelasi antara variabel independen. Untuk melihat ada atau tidaknya multikolinieritas dalam model regresi dapat dilihat dari :
a. nilai tolerance dan lawannya, b. Variance Inflatin 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 mutikolineritas adalah nilai Tolerance < 0,10 atau sama dengan VIF > 10 (Ghozali, 2005 : 91). Hasil dari uji multikolinieritas dapat dilihat pada tabel berikut ini :
Tabel 4.8
Hasil Uji Multikolinearitas
Coefficientsa
Model
Collinearity Statistics
B Tolerance VIF
1 (Constant) 3.250
Ln_Divident Payout Ratio .000 .445 2.249 Ln_Earning Growth -.283 .300 3.333 Ln_Return On Investment -1.352 .321 3.113 a. Dependent Variable: Ln_Price Earning Ratio
Berdasarkan tabel 4.8 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 VIF-nya, bahwa masing-masing variabel bebas lebih kecil dari 10. Dengan demikian dapat disimpulkan bahwa tidak terjadi gejala multikolinieritas dalam variabel bebasnya.
3. 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 (2009:91), untuk melihat ada tidaknya autokorelasi dilihat dari:
a. Angka D-W di bawah –2 berarti ada autokorelasi positif
b. Angka D-W di antara -2 sampai +2, berarti tidak ada autokorelasi. c. Angka D-W di atas +2 berarti ada autokorelasi negatif.
Tabel 4.9
Hasil Uji Autokorelasi Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .774a .599 .569 .98651 1.505
a. Predictors: (Constant), Ln_Return On Investment, Ln_Divident Payout Ratio, Ln_Earning Growth
b. Dependent Variable: Ln_Price Earning Ratio Sumber : Output SPSS, diolah Penulis, 2010
Tabel 4.9 menunjukkan hasil uji autokorelasi variabel penelitian. Berdasarkan hasil pengujiannya dapat dilihat bahwa tidak terjadi autokorelasi antar kesalahan pengganggu antar periode. Hal tersebut dilihat dari nilai Durbin-Watson (D-W) sebesar 1.505. Angka D-W berada diantara -2 dan 2, yang mengartikan bahwa angka DW lebih besar dari -2 dan lebih kecil dari 2. Jadi dapat disimpulkan bahwa tidak ada autokorelasi positif maupun negatif.
4. Uji Heteroskedastisitas
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 dilakukaan dengan Scatter-Plot dengan menggunakan SRESID dan ZPRED pada software SPSS.
Dasar pengambilan keputusannya menurut Ghozali (2005:105) adalah sebagai berikut:
Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur (bergelombang, melebar kemudian menyempit), maka mengindikasikan telah terjadi heteroskedastisitas.
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 heterokedastisitas atau tidak dengan cara mengamati penyebaran titik-titik pada grafik.
Gambar 4.3
Hasil Uji Heteroskedastisitas Sumber : Output SPSS, diolah Peneliti, 2010
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
heterokedastisitas, sehingga model ini layak dipakai untuk memprediksi Price Earning Ratio pada perusahaan barang konsumsi yang terdaftar di Bursa Efek Indonesia berdasarkan masukan variabel independen yaitu Dividend Payout Ratio, Earning Growth, Return On Investment.