Variabel VIF Tolerance value Asumsi Multikolinieritas
ROA 1,177 0,850 tidak terjadi multikolinieritas FL 1,051 0,952 tidak terjadi multikolinieritas FS 1,253 0,798 tidak terjadi multikolinieritas OCF 1,037 0,965 tidak terjadi multikolinieritas IP 1,389 0,720 tidak terjadi multikolinieritas Sumber : data diolah
Tabel di atas menunjukkan bahwa dalam penelitian ini variabel-variabel bebas memiliki angka VIF dibawah 10 dan nilai tolerance diatas 0,1. Oleh karena itu dapat disimpulkan bahwa tidak ada multikolinieritas antara variabel satu dengan variabel yang lainnya, maka semua variabel bebas yang diuji dapat digunakan dalam regresi berganda.
commit to user
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan dari residual satu pengamatan ke pengamatan yang lain. Jika variance dari residual satu pengamatan ke pengamatan yang lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik adalah yang homoskedastisitas atau tidak terjadi heteroskedastisitas.
Masalah heteroskedastisitas dalam penelitian ini dideteksi dengan melihat residual plot persamaan regresi, jika ada pola tertentu, seperti titik-titik yang ada membentuk suatu pola yang teratur maka telah terjadi heteroskedastisitas.
Berdasarkan gambar diatas, maka dapat diasumsikan bahwa tidak terjadi heterokedastisitas. Hal ini berdasarkan gambar grafik dimana titik- titik yang ada dalam grafik tersebut tidak membentuk pola tertentu yang jelas dan titik-titik tersebut tersebar di atas dan di bawah angka 0 pada sumbu Y.
commit to user
· Uji Normalitas Regresi Berganda Model I
TABEL IV.6
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 50
Normal Parametersa,,b Mean .0000000
Std. Deviation .22068800
Most Extreme Differences Absolute .116
Positive .116
Negative -.090
Kolmogorov-Smirnov Z .823
Asymp. Sig. (2-tailed) .508
a. Test distribution is Normal. b. Calculated from data. Sumber : data diolah
KarenaSig . > 0,05 maka regresi model I terdistribusi normal.
2. Analisis Persamaan Regresi Berganda Model I
TABEL IV.7
Regresi Berganda Model I
Model Unstandardized Coefficients
1 B Std. Error (Constant) 0.964 0.489 ROA -0.014 0.007 FL -0.188 0.157 FS -0.036 0.054 OCF -1.46E-07 0 IP -0.078 0.087
commit to user Sumber : data diolah
Hasil analisis regresi berganda pada tabel tersebut, dapat diformulasikan dalam persamaan berikut :
IPORETN = 0,964 – 0,014 ROA – 0,188 FL – 0,036FS – 1, 460E-7 OCF – 0,078 IP
Adapun persamaan tersebut dapat dijelaskan :
· Nilai b1 sebesar -0,014, mempunyai arti bahwa apabila nilai koefisien regresi variabel lain konstan maka perubahan variabel ROA sebesar 1% akan menurunkan tingkat underpricing sebesar 0,014.
· Nilai b2 sebesar -0,188, mempunyai arti bahwa apabila nilai koefisien regresi variabel lain konstan maka perubahan variabel financial leverage
sebesar 1% akan menurunkan tingkat underpricing sebesar sebesar 0,188.
· Nilai b3 sebesar -0,036, mempunyai arti bahwa apabila nilai koefisien regresi variabel lain konstan maka perubahan variabel firm size sebesar 1% akan menurunkan tingkat underpricing sebesar sebesar 0,036.
· Nilai b4 sebesar -1,460E-7, mempunyai arti bahwa apabila nilai koefisien regresi variabel lain konstan maka perubahan variabel operation cash flow sebesar 1% akan menurunkan tingkat underpricing sebesar 1,460E-7.
· Nilai b5 sebesar -0,078, mempunyai arti bahwa apabila nilai koefisien regresi variabel lain konstan maka perubahan variabel issue price sebesar 1% akan menurunkan tingkat underpricing sebesar sebesar 0,078.
commit to user
E. UJI HIPOTESIS MODEL II
1. Uji Asumsi Klasik
Sebelum dilakukan analisis regresi maka perlu dilakukan pengujian asumsi klasik terlebih dahulu agar model yang digunakan dapat menunjukkan hubungan yang akurat. Adapun uji asumsi klasik yang akan dipakai dalam hipotesis model I ini adalah uji multikolinearitas, uji autokorelasi, dan uji heteroskedastisitas.
· Uji Autokorelasi
Uji autokorelasi ini digunakan untuk menguji apakah dalam sebuah model regresi linier ada korelasi antara kesalahan penganggu pada periode t dengan kesalahan pada periode t-1. Model regresi yang baik adalah model yang bebas dari autokorelasi.
Untuk menguji apakah terdapat autokorelasi atau tidak dilakukan dengan uji Durbin-Watson, yaitu dengan membandingkan nilai tabel Durbin-Watson dengan nilai Durbin-Watson yang diperoleh dari perhitungan regresi. Nilai DW yang didapat dari hasil SPSS akan kita bandingkan dengan nilai tabel dengan menggunakan signifikan 5 % jumlah sampel 50 dan jumlah sampel independen 5. Bila DW lebih dari batas atas (du) dan kurang dari 4 – du, maka dinyatakan tidak terjadi autokorelasi. Jika nilai DW berkisar antara 1,771 sampai dengan 2.229 maka tidak terjadi autokorelasi. Hasil perhitungan uji autokorelasi hipotesis model II dapat dilihat pada tabel berikut :
Hasil uji DW didapat 1,558 angka tersebut tidak berada diatas 1.771 dan dibawah 2.299. Oleh karena itu dapat disimpulkan bahwa ada gangguan autokorelasi. Salah satu alternatif untuk mengatasi model regresi linear yang terkena gangguan autokorelasi adalah dengan melakukan transformasi data
commit to user
generalized least squares dan Prais-Winsten tranformation. Hasilnya dapat dilihat
dari table berikut:
TABEL IV.8
Hasil Uji Durbin-Watson Setelah Transformasi Data
Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .423a .179 .085 .23524 1.891
a. Predictors: (Constant), AUD, PPS, TL, UDW, AGE b. Dependent Variable: IPORETN
Sumber : data diolah
Setelah dilakukan transformasi data didapat nilai DW 1,891 angka tersebut berada diantara 1.771 dan 2.299. Hal ini berarti bahwa gangguan autokorelasi dapat teratasi setelah dilakukan transformasi data.
· Uji Multikolinearitas
Uji Multikolinieritas digunakan untuk menunjukkan ada tidaknya hubungan linier diantara variabel-variabel independent dengan model regresi. Pengujian ini dilakukan dengan menggunakan tolerance value dan VIF dengan kriteria pengujian sebagai berikut:
jika tolerance value < 0,01 maka terjadi multikolinieritas
jika tolerance value > 0,01atau VIF < 10 maka tidak terjadi multikolinieritas
Hasil uji multikolinieritas dapat dilihat pada tabel berikut ini: TABEL IV.9
Hasil Uji Multikolineritas
commit to user
PPS 1,050 0,952 tidak terjadi multikolinieritas AGE 1,107 0,903 tidak terjadi multikolinieritas TL 1,068 0,936 tidak terjadi multikolinieritas UDW 1,104 0,906 tidak terjadi multikolinieritas AUD 1,097 0,912 tidak terjadi multikolinieritas
Sumber: data diolah
· Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan dari residual satu pengamatan ke pengamatan yang lain. Jika variance dari residual satu pengamatan ke pengamatan yang lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik adalah yang homoskedastisitas atau tidak terjadi heteroskedastisitas.
Masalah heteroskedastisitas dalam penelitian ini dideteksi dengan melihat residual plot persamaan regresi, jika ada pola tertentu, seperti titik-titik yang ada membentuk suatu pola yang teratur maka telah terjadi heteroskedastisitas.
commit to user
Berdasarkan gambar diatas, maka dapat diasumsikan bahwa tidak terjadi heterokedastisitas. Hal ini berdasarkan gambar grafik dimana titik- titik yang ada dalam grafik tersebut tidak membentuk pola tertentu yang jelas dan titik-titik tersebut tersebar di atas dan di bawah angka 0 pada sumbu Y.
· Uji Normalitas Regresi Berganda Model II
TABEL IV.10
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 50
Normal Parametersa,,b Mean .0000000
Std. Deviation .22291807
Most Extreme Differences Absolute .099
Positive .091
Negative -.099
Kolmogorov-Smirnov Z .699
Asymp. Sig. (2-tailed) .714
commit to user
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 50
Normal Parametersa,,b Mean .0000000
Std. Deviation .22291807
Most Extreme Differences Absolute .099
Positive .091
Negative -.099
Kolmogorov-Smirnov Z .699
Asymp. Sig. (2-tailed) .714
a. Test distribution is Normal. b. Calculated from data. Sumber: data diolah
KarenaSig . > 0,05 maka regresi model II terdistribusi normal.
2. Analisis Persamaan Regresi Berganda Model II
TABEL IV.11