ANALISIS DAN PEMBAHASAN
4.2. Hasil Penelitian
4.2.2. Pengujian Asumsi Klasik
Pengujian asumsi klasik digunakan untuk memastikan bahwa model yang diperoleh benar-benar memenuhi asumsi dasar dalam analisis regresi. Sebelum pengujian hipotesis dilakukan, terlebih dahulu perlu dilakukan pengujian terhadap gejala penyimpangan asumsi klasik. Pengujian asumsi klasik meliputi:
a. Uji Normalitas
Uji ini bertujuan untuk melihat apakah dalam model regresi terdapat variabel pengganggu atau residual memiliki distribusi normal (Erlina, 2011: 100). Uji ini ditujukan untuk mendapatkan epastian terpenuhinya syarat normalitas yang akan menjamin dapat dipertanggungjawabkannya langkah-langkah analisis statistik sehingga kesimpulan yang diambilpun dapat dipertanggungjawabkan. Peneliti menggunakan analisis grafik dengan melihat grafik histogram, normal probability plot, dan analisis one sample kolmogorov-smirnov.
Analisis grafik dilakukan dengan melihat grafik histogram yang membandingkan data observasi dengan distribusi yang
mendekati distribusi normal atau mengikuti kurva berbentuk lonceng. Pada grafik normal probability plot, apabila data menyebar di sekitar garis diagonal, maka regresi memenuhi asumsi normalitas. Sedangkan pada analisis one sample kolmogorov-smirnov, apabila sigma > 0,05 maka tidak ada perbedaan distribusi residual dengan distribusi normal, dengan kata lain regresi memenuhi asumsi normalitas.
Pada grafik histogram pada gambar 4.1, grafik histogram menunjukkan data sudah berdistribusi normal karena grafik histogram menunjukkan distribusi mengikuti garis diagonal yaitu tidak menceng ke kiri atau ke kanan. Namun pada grafik normal probability plot pada gambar 4.2, data menyebar agak menjauh dari garis diagonal yang menunjukkan indikasi bahwa residual berdistribusi tidak normal begitu juga dengan nilai sigma dari analisis one sample kolmogorov-smirnov sebesar 0,000 < 0,05
Gambar 4.1 Uji Normalitas : grafik histogram sebelum transformasi
Gambar 4.2 Uji Normalitas : grafik normal probability plot
Tabel 4.2 One Sample Kolmogorov-smirnov Test sebelum transformasi.
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 29
Normal Parametersa,,b Mean .0000000
Std. Deviation 3.95754161E2
Most Extreme Differences Absolute .267
Positive .267
Negative -.194
Kolmogorov-Smirnov Z 1.439
Asymp. Sig. (2-tailed) .032
a. Test distribution is Normal.
b. Calculated from data.
Berdasarkan uji tersebut, uji normalitas yang melanggar asumsi normalitas dapat dijadikan ke bentuk normal dengan mentransformasi data. Transformasi data dapat dilakukan dengan menggunakan logaritma natural (Ln) baik terhadap faktor dependen maupun faktor independen. Jika terdapat data yang bernilai negatif, transformasi data dengan logaritma akan menghilangkannya sehingga jumlah sampel akan berkurang. Hasil pengujian terhadap data yang telah ditransformasi nanti akan diperbandingkan dengan hasil pengujian sebelum transformasi sehingga akan memperlihatkan apakah data tersebut sudah memenuhi kriteria-kriteria asumsi klasik.
Gambar 4.3 Uji Normalitas : grafik histogram setelah transformasi
Gambar 4.4 Uji Normalitas: grafik normal probability plot
Tabel 4.3 One Sample Kolmogorov-smirnov Test setelah transformasi
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 29
Normal Parametersa,,b Mean .0000000
Std. Deviation 2.27565956
Most Extreme Differences Absolute .071
Positive .071
Negative -.056
Kolmogorov-Smirnov Z .383
Asymp. Sig. (2-tailed) .999
a. Test distribution is Normal.
b. Calculated from data.
Dari uji normalitas terhadap data yang telah ditransformasi, pada grafik histogram di atas menunjukkan bahwa data tetap berdistribusi normal, hal ini dapat dilihat dari grafik histogram yang menunjukkan distribusi data mengikuti garis diagonal yang tidak menceng ke kiri ataupun ke kanan. Hal ini juga didukung dengan hasil uji normalitas dengan melihat grafik normal probability plot yang ditampilkan pada gambar 4.4 yang menunjukkan data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonalnya. Pada uji One Sample Kolmogorov-smirnov yang ditampilkan pada gambar 4.3 terlihat sigma sebesar 0,999 atau lebih besar dari 0,05 yang menunjukkan bahwa data berdistribusi normal.
b. Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi di antara variabel independen. Untuk mengetahui ada tidaknya multikolinearitas dapat dilihat dari nilai Variance Inflation Factor (VIF) dan nilai Tolerance. Apabila nilai VIF > 10 dan nilai Tolerance < 0,1 maka telah terjadi multikolinearitas dan apabila VIF < 10 dan Tolerance > 0,1 maka tidak terjadi multikolinearitas.
Hasil dari uji multikolinearitas dapat dilihat pada tabel berikut ini:
Tabel 4.4 Hasil Uji Multikolinearitas
Coefficientsa Model Collinearity Statistics Tolerance VIF 1 (Constant) LN_AKI .998 1.002 LN_AKP .972 1.029 LN_AKO .974 1.027 a. Dependent Variable: LN_HS
Berdasarkan tabel 4.4 di atas dapat disimpulkan bahwa penelitian ini bebas dari adanya gejala multikolinearitas. Hal ini dapat dilihat dengan perbandingan antara nilai VIF dan Tolerance. Dari hasil pengujian ini dapat dilihat bahwa angka tolerance AKO (LnAKO), AKI (LnAKI), AKP (LnAKP) lebih besar dari 0,10
yakni masing-masing sebesar 0,988; 0,972; 0,974. Jika kita lihat dari nilai VIF masing-masing, maka nilai VIF masing-masing variabel lebih kecil dari 10 yaitu sebesar 1,002; 1,029; dan 1,027 sehingga dapat disimpulkan tidak ada multikolinearitas antara variabel independennya.
c. Uji Heterokedastisitas
Uji ini bertujuan untuk menganalisis apakah dalam suatu model regresi linear terjadi ketidaksamaan variabel dari residual satu pengamatan ke pengamatan yang lain. Untuk mendeteksi ada tidaknya heteroskedastisitas dapat dilihat dari grafik scatterplot antara nilai prediksi variabel dependen yaitu SRESID dengan residualnya ZPRED. Jika ada pola tertentu seperti titik-titik yang membentuk pola teratur maka terjadi heteroskedastisitas. Sebaliknya jika tidak ada pola yang jelas serta titik-titik menyebar ke segala arah maka tidak terjadi heteroskedastisitas.
Hasil uji heteroskedastisitas dapat dilihat dari grafik scatterplot antara SRESID dan ZPRED sebagai berikut:
Gambar 4.5 Uji Heteroskedastisitas dengan grafik scatterplot
Berdasarkan hasil pengujian tersebut terlihat bahwa titik-titik menyebar ke segala arah dan tidak membentuk pola tertentu sehingga dapat disimpulkan bahwa model regresi tidak mengalami gejala heteroskedastisitas.
d. Uji Autokorelasi
Uji autokorelasi bertujuan untuk menganalisis apakah dalam suatu model regresi linear ada korelasi antarkesalahan pengganggu pada periode t dengan kesalahan pada periode t-1 (periode sebelumnya). Criteria pengambilan keputusan ada atau tidaknya autokorelasi adalah sebagai berikut:
a. Bila nilai DW (Durbin Watson) terletak antara batas atas (DU) dan 4-DU, maka koefisien autokorelasi sama dengan nol artinya tidak terjadi autokorelasi.
b. Bila nilai DW<DL (batas bawah) maka koefisien autokorelasi lebih besar dari nol artinya autokorelasi positif.
c. Bila nilai DW>4-DL maka koefisien autokorelasi lebih kecil dari nol artinya ada autokorelasi negative.
d. Bila nilai DW terletak di antara DU dengan DL atau DW terletak di antara 4-DU dan 4-DL maka hasilnya tidak dapat diputuskan ada korelasi atau tidak
Hasil uji autokorelasi dapat dilihat pada tabel di bawah ini Tabel 4.5 Hasil uji Autokorelasi
Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .333a .111 .004 2.40833 1.779
a. Predictors: (Constant), LN_AKO, LN_AKI, LN_AKP
b. Dependent Variable: LN_HS
Berdasarkan tabel 4.5 statistik DurbinWatson, dengan jumlah observasi sebanyak 29 dan jumlah variabel independen sebanyak 3, maka nilai dl adalah 1,976 dan nilai du adalah 1,6499. Dari hasil uji statistik uji Durbin Watson nilai DW adalah 1.779 terletak antara batas atas (DU) dan 4-DU (1,6499 < DW < 2,3501), sehingga dapat disimpulkan bahwa koefisien autokorelasi sama dengan nol atau tidak terjadi adanya autokorelasi.
4.2.3. Pengujian Hipotesis
Untuk menguji hipotesis penelitian, peneliti menggunakan analisis regresi berganda. Dalam melakukan pengujian ini variabel independen yang digunakan adalah arus kas operasi (AKO), arus kas investasi (AKI), dan arus
kas pendanaan (AKP) dan yang menjadi variabel dependen adalah harga saham. Berdasarkan hasil pengolahan data dengan menggunakan SPSS 17.0, maka diperoleh hasil sebagai berikut:
Tabel 4.6 Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .333a .111 .004 2.40833 1.779
a. Predictors: (Constant), LN_AKO, LN_AKI, LN_AKP
b. Dependent Variable: LN_HS
Berdasarkan tabel 4.6 Model Summary, nilai R sebesar 0,333 menunjukkan korelasi atau hubungan antara harga saham dengan arus kas operasi, arus kas investasi, dan arus kas pendanaan sebagai variabel independennya adalah rendah karena hanya 33,3 %. Tingkat hubungan ini dapat dilihat pada tabel pedoman untuk memberikan interpretasi koefisien korelasi sebagai berikut:
Tabel 4.7
Pedoman interpretasi koefisien korelasi
Interval Koefisien Tingkat Hubungan
0,000 – 0,199 Sangat rendah 0,2 – 0,399 Rendah 0,4 – 0,599 Sedang 0,6 – 0,799 Kuat 0,8 - 1 Sangat kuat Sumber : Sugiyono (2006:183)
Nilai R square atau koefisien determinasi adalah 0,111 yang artinya hanya 11,1 % variasi atau perubahan dalam harga saham dapat dijelaskan dari perubahan arus kas operasi, investasi, dan pendanaan dan sebanyak 88,9 % dijelaskan oleh faktor-faktor lain.
a. Pengujian secara Parsial
Untuk melihat pengaruh secara parsial dari masing-masing variabel independen dapat dilihat dengan menggunakan uji-t, yaitu apakah arus kas operasi, investasi, dan pendanaan berpengaruh signifikan secara parsial terhadap harga saham perusahaan dengan melihat apakah t hitung > t tabel atau t hitung < t tabel dengan tingat signifikansi < 0,05
Tabel 4.8 Uji t (Uji Parsial)
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) 2.472 .992 2.492 .020 LN_AKO .003 .033 .015 .077 .939 LN_AKI .039 .040 .188 .993 .330 LN_AKP .053 .036 .286 1.497 .147 a. Dependent Variable: LN_HS
Berdasarkan tabel 4.8 koefisien regresi data di atas nilai konstanta sebesar 2,472 yang artinya jika semua variabel bebas memiliki nilai nol maka nilai variabel dependennya sebesar 2,472.
Variabel AKO (x1) memiliki nilai koefisien sebesar 0,003. Setiap kenaikan nilai AKO akan menyebabkan kenaikan harga saham sebesar 0,003 dengan asumsi nilai variabel bebas yang lain dari model regresi tetap. Nilai t hitung AKO sebesar 0,077 sedangkan t tabel 1,70814 maka t hitung < t tabel dengan tingkat
signifikansi 0,939 > 0,05 artinya H1 tidak diterima sehingga dapat disimpulkan arus kas operasi secara parsial tidak berpengaruh signifikan terhadap harga saham.
Y = 2,472 + 0,003(X1)
Variabel AKI (x2) memiliki nilai koefisien sebesar 0,039. Setiap kenaikan nilai AKI satu satuan, maka variabel harga saham akan meningkat 0,039 dengan asumsi nilai variabel bebas yang lain dari model regresi tetap. Nilai t hitung AKI sebesar 0,993 sedangkan t tabel 1,70814 maka t hitung < t tabel dengan tingkat signifikansi 0,330 > 0,05 artinya H2 tidak diterima sehingga dapat disimpulkan bahwa arus investasi secara parsial tidak berpengaruh signifikan terhadap harga saham.
Y = 2,472 + 0,039(x2)
Variabel AKP (x3) memiliki koefisien sebesar 0,053. Setiap kenaikan arus kas pendanaan sebesar satu satuan, maka nilai variabel harga saham meningkat sebesar 0,053 dengan asumsi nilai variabel bebas yang lain dalam model regresi tetap. Nilai t hitung x3 sebesar 1,497 sedangkan t tabel 1,70814 maka t hitung < t tabel dengan tingkat signifikansi 0,147 > 0,05 artinya H3 tidak diterima sehingga dapat disimpulkan bahwa arus kas pendanaan secara parsial tidak berpengaruh signifikan terhadap harga saham.
b. Pengujian secara Simultan
Untuk dapat melihat pengaruh variabel independen secara simultan terhadap variabel dependennya dapat dilihat dengan menggunakan uji-F yaitu apakah arus kas operasi, arus kas investasi, dan arus kas pendanaan berpengaruh signifikan secara simultan terhadap harga saham dengan melihat apakah F hitung > F tabel atau sebaliknya dengan tingkat signifikansi yaitu < 0,05. Tabel 4.9 Uji F (Uji Simultan)
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 18.076 3 6.025 1.039 .393a
Residual 145.002 25 5.800
Total 163.077 28
a. Predictors: (Constant), LN_AKP, LN_AKI, LN_AKO
b. Dependent Variable: LN_HS
Berdasarkan tabel 4.9 ANOVA dapat dilihat bahwa f hitung sebesar 1,039 dengan nilai signifikansi 0,393 dengan nilai f tabel sebesar 2,99 maka f hitung < f tabel dengan tingkat signifikansi 0,393 > 0,05 maka dapat disimpulkan bahwa secara simultan arus kas operasi, arus kas investasi, dan arus kas pendanaan tidak berpengaruh signifikan terhadap harga saham.
Oleh karena itu, berdasarkan tabel 4.8 koefisien yang dianalisis dengan regresi berganda untuk melihat pengaruh masing-masing variabel yaitu AKO, AKI, AKP secara simultan terhadap harga saham adalah dengan rumus:
Keterangan :
Y : Harga Saham X1 : Arus Kas Operasi X2 : Arus Kas Investasi X3 : Arus Kas Pendanaan