Bab IV Hasil dan Pembahasan
4.2 Pengujian Instrumen
Pengujian instrumen dalam penelitian ini adalah laba, harga saham, dan investasi dalam aktiva dengan menggunakan empat uji asumsi klasik. Uji asumsi klasik ini dimaksudkan untuk menguji apakah asumsi-asumsi yang mendasari analisis regresi terpenuhi, sehingga model regresi yang digunakan dapat dinyatakan baik.
4.3 Uji Asumsi Klasik 4.3.1 Uji Normalitas
Salah satu cara termudah untuk melihat normalitas residual adalah dengan melihat grafik histogram yang membandingkan antara data observasi dengan distribusi yang mendekati distribusi normal. Hasil pengujian yang disajikan pada grafik 4.1:
27
Grafik 4.1
Hasil Pengujian Normalitas
Analisis output:
• Melihat tampilan grafik histogram maupun grafik normal plot dapat disimpulkan bahwa grafik histogram memberikan pola distribusi yang sedikit menceng (skewness) ke kiri dan terlihat normal. Pada grafik normal plot terlihat titik-titik menyebar disekitar garis diagonal, serta penyebarannya sedikit menjauh dari garis diagonal.
Berdasarkan hasil analisis di atas, maka dapat ditarik kesimpulan bahwa data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal atau grafik histogramnya menunjukkan pola distribusi normal, maka model regresi memenuhi asumsi normalitas.
Dikarenakan analisis grafik di atas tidak terlihat begitu jelas normalitas residualnya, penulis menambahkan pengujian normalitasnya dengan menggunakan analisis statistik yang lain, yaitu non-parametrik Kolmogorov-Smirnov (K-S).
28
Uji K-S dilakukan dengan menggunakan hipotesis: H0 : data residual berdistribusi normal.
Ha : data residual tidak berdistribusi normal.
Tabel 4.1
Hasil Uji Statistik Non-Parametrik Kolmogorov-Smirnov (K-S)
Analisis output:
Besarnya nilai Kolmogorov-Smirnov adalah 2.305 yang berada di atas 0.05 dan signifikan pada 0.000 hal ini berarti H0 diterima yang berarti data residual terdistribusi normal, karena memiliki nilai sig di bawah alpha 0.05. Sekali lagi hasilnya konsisten dengan pengujian sebelumnya.
4.3.2 Uji Heteroskedastisitas
Model regresi yang baik adalah yang homoskedastisitas atau tidak terjadi heteroskedastisitas. Untuk mendeteksi ada atau tidaknya heteroskedastisitas yang digunakan penulis adalah melihat grafik plot antara nilai prediksi variabel terikat (dependent) yaitu ZPRED dengan residualnya SRESID. Hasil pengujian heteroskedastisitas dapat dilihat pada grafik 4.2 di bawah ini:
29
Grafik 4.2
Hasil Uji Heteroskedastisitas
Analisis output:
• Dari grafik scatterplot terlihat bahwa titik-titik umumnya tidak ada pola yang jelas, ada sebagaian berkumpul menjadi satu dan sebagian ada yang beberapa titik yang menyebar secara acak. Baik di atas maupun di bawah angka 0 pada sumbu Y. Hal ini dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi, sehingga model regresi layak dipakai untuk memprediksi investasi berdasarkan masukan variabel independent laba dan harga saham.
Analisis dengan scatterplot memiliki kelemahan yang cukup signifikan oleh kareana jumlah pengamatan mempengaruhi hasil ploting. Semakin sedikit jumlah pengamatan semakin sulit menginterpretasikan hasil grafik plot.
Oleh sebab itu, penulis menggunakan uji statistik yang lebih dapat menjamin keakuratan hasil. Uji statistik yang digunakan penulis adalah uji park untuk lebih menguatkan kembali dari hasil analisis sebelumnya. Berikut Tabel 4.2 hasil uji park:
30
Tabel 4.2 Hasil Uji Park
Analisis output:
Hasil tampilan output SPSS memberikan koefisien parameter untuk variabel independent tidak ada yang signifikan, maka dapat disimpulkan bahwa model regresi tidak terdapat heteroskedastisitas. Hal ini konsisten dengan hasil uji scatterplots.
4.3.3 Uji Autokorelasi
Uji autokorelasi bertujuan menguji apakah dalam model regresi linear ada korelasi antara kesalahan penganggu pada periode t-1 (sebelumnya) Jika terjadi korelasi, maka dinamakan ada problem autokorelasi. Uji autokorelasi yang digunakan penulis adalah uji Durbin Watson. Hipotesis yang akan diuji adalah: H0: tidak ada autokorelasi (r = 0)
Ha: ada autokorelasi (r ≠ 0)
Pengambilan keputusan ada tidaknya autokorelasi dapat dilihat dari tabel 4.3 berikut:
31
Tabel 4.3
Pengambilan Keputusan Uji Durbin Watson
Hipotesis Nol Keputusan Jika
Tidak ada autokorelasi positif Tolak 0 < d < dl Tidak ada autokorelasi positif No decision dl < d < du Tidak ada korelasi negatif Tolak 4 - dl < d < 4 Tidak ada korelasi negatif No decision 4 - du < d < 4 – dl Tidak ada autokorelasi, Tidak ditolak du < d < 4 – du
positif atau negatif
Hasil analisis dari uji Durbin Watson dapat dilihat pada tabel 4.4:
Tabel 4.4 Hasil Uji Durbin Watson
Analisis output:
Nilai DW sebesar 1.431, nilai ini akan dibandingkan dengan nilai tabel dengan menggunakan nilai signifikansi 5%, jumlah sampel 62 (n) dan jumlah variabel independent (k) = 2, maka tabel Durbin Watson akan didapatkan nilai pada tabel 4.5 berikut:
Tabel 4.5
Durbin Watson Test Bound
N k = 2 Du Dl 65 1.536 1.662
32
Analisis output:
Uji Durbin Watson memberikan nilai DW 1.431, nilai dl = 1.536 dan nilai du = 1.662. Oleh karena DW 1.431 di bawah dl 1.536 dan di atas 0, maka dari tabel keputusan H0 yang menyatakan tidak ada autokorelasi positif ditolak, yang berarti terdapat autokorelasi positif.
4.3.4 Uji Multikolonieritas
Model regresi yang baik pada uji multikolonieritas ini seharusnya tidak terjadi korelasi di antara variabel independent. Hasil dari uji multikolonieritas ini dengan menganalisis matrik korelasi antar variabel independent dan perhitungan nilai
tolerance dan VIF. Lihat tabel 4.6 yang merupakan hasil dari uji multikolonieritas: Tabel 4.6
Hasil Uji Multikolonieritas
Analisis output:
Melihat hasil besaran korelasi antar variabel independent tampak bahwa hanya variabel laba yang mempunyai korelasi cukup tinggi dengan tingkat
33
korelasi – 0.292 atau sekitar 29.2%. Oleh karena ini masih di bawah 95%, maka dapat dikatakan tidak terjadi multikolonieritas.
Hasil perhitungan nilai tolerance juga menunjukkan tidak ada variabel
independent yang memiliki nilai tolerance kurang dari 0.10 yang berarti tidak ada
korelasi antar variabel independent yang nilainya lebih dari 95%. Hasil perhitungan nilai Variance Inflation Factor (VIF) juga menunjukkan hal yang sama tidak ada satu variabel independent yang memiliki nilai VIF lebih dari 10. Jadi dapat disimpulkan tidak ada multikolonieritas antar variabel independent dalam model regresi.
Dari tabel analisis di atas, dapat disimpulkan bahwa seluruh variabel
independent memiliki nilai VIF yang lebih kecil dari 0.10. Hasil pengujiannya
menunjukkan tidak adanya multikolonieritas dalam model regresi. Hal ini berarti bahwa semua variabel bebas tersebut layak digunakan sebagai prediktor.