BAB IV. ANALISIS DAN PEMBAHASAN
2. Uji Asumsi Klasik
Metode estimasi Ordinary Least Square (OLS) menjelaskan bahwa salah satu syarat yang mendasari model regresi berganda adalah terpenuhinya semua asumsi klasik, agar hasil penelitian tidak bersifat bias dan efisien. Pengujian asumsi klasik dalam penelitian ini dilakukan dengan statistik normalitas data, autokorelasi, heterokedastisitas, dan asumsi klasik lainnya, agar hasil pengujian tidak bersifat bias dan efisien.
a. Uji Normalitas Data
Uji normalitas bertujuan mengetahui apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal serta untuk menghindari bias dalam model regresi. Pengujian normalitas dalam penelitian ini menggunakan uji statistik non-parametrik Kolmogorov-Smirnov (K-S), dengan hipotesis:
48 Ha: data tidak berdistribusi normal
Bila signifikansi lebih besar dari 0,05 maka H0 diterima, bila
signifikansi kurang dari 0,05 maka H0 ditolak
Tabel 4.2 Hasil Uji Normalitas I One-Sample Kolmogorov-Smirnov Test
Trading Volume Activity Return on Asset Tobin's Q Ratio N 60 60 60
Normal Parametersa,b Mean .295725882 4.80355 .80983 Std. Deviation .2601080779 3.325307 .507291 Most Extreme Differences Absolute .139 .162 .180
Positive .139 .162 .180
Negative -.128 -.078 -.067
Kolmogorov-Smirnov Z 1.079 1.256 1.396
Asymp. Sig. (2-tailed) .195 .085 .040
a. Test distribution is Normal. b. Calculated from data.
Sumber: Hasil Pengolahan SPSS (2013)
Dari pengolahan data pada table 4.2 tersebut, diperoleh variabel TVA dan ROA terdistribusi secara normal karena nilai signifikan dari masing-masing variabel tersebut lebih besar dari 0,05. Nilai signifikan yang lebih besar dari 0,05 berarti data terdistribusi normal. Namun, variabel TOBINS pada table 4.2 tersebut memiliki nilai signifikan 0,04 atau lebih kecil dari 0,05, yang artinya pada variabel TOBINS data tidak menunjukkan distribusi normal. Untuk memulihkan ketidaknormalan distribusi data pada
49
variabel TOBINS tersebut dilakukan dengan cara mentransformasikan data variabel TOBINS ke dalam bentuk logaritma natural (Ln) sehingga diperoleh hasil uji normalitas sebagai berikut:
Tabel 4.3
Hasil Uji Normalitas II
One-Sample Kolmogorov-Smirnov Test
Trading Volume Activity Return on Asset Tobin's Q Ratio N 60 60 60
Normal Parametersa,b Mean .295725882 4.80355 -.4527 Std.
Deviation
.2601080779 3.325307 .80839
Most Extreme Differences Absolute .139 .162 .147
Positive .139 .162 .059
Negative -.128 -.078 -.147
Kolmogorov-Smirnov Z 1.079 1.256 1.141
Asymp. Sig. (2-tailed) .195 .085 .148
a. Test distribution is Normal. b. Calculated from data.
Sumber: Hasil pengolahan SPSS (2013)
Dari hasil pengolahan data pada table 4.3 tersebut, diperoleh variabel TVA, ROA, dan TOBIN terdistribusi secara normal karena nilai signifikan dari masing-masing variabel tersebut lebih besar dari 0,05. Nilai signifikan yang lebih besar dari 0,05 berarti data terdistribusi normal. Dengan demikian, data dapat dilanjutkan dengan uji asumsi klasik lainnya. Untuk lebih jelasnya, berikut turut ditampilkan grafik dan histogram data yang terdistribusi normal.
50 Gambar 4.1
Histogram
Sumber: Hasil Pengolahan SPSS (2013)
Dari grafik tersebut dapat disimpulkan bahwa distribusi data mendekati normal, karena grafik histogram menunjukkan garis diagonal yang tidak menceng (skewness) baik ke kanan maupun ke kiri. Berikut hasil uji normalitas dengan menggunakan grafik plot:
51 Gambar 4.2
Normal P-Plot
Sumber: Hasil Pengolahan SPSS (2013)
Grafik P-Plot menunujukkan titik-titik menyebar di sekitar garis diagonal dan penyebarannya mengikuti garis diagonal. Kondisi demikian menunjukkan bahwa data tersebut terdistribusi secara normal.
b. Uji Multikolinearitas
Metode yang digunakan untuk mendeteksi adanya multikolinearitas yaitu dengan menggunakan nilai VIF (Variance Inflation Factor). Menurut Ghozali (2005), nilai cutoff yang umum dipakai untuk menunjukkan adanya multikolinearitas adalah nilai tolerance < 0,10 atau nilai VIF > 10.
52
Di samping itu, suatu model dikatakan terdapat gejala multikolinearitas, jika korelasi di antara variabel independen lebih besar dari 0,9 atau 90%.
Berikut adalah hasil pengujian multikolinearitas.
Tabel 4.4
Hasil Uji Multikolinieritas
Dari data tabel 4.4 dapat disimpulkan bahwa tidak terjadi multikoliniearitas dengan dasar nilai VIF untuk semua variabel independen. Gejala multikolinearitas terjadi apabila nilai VIF lebih besar dari 10, dan dari data di atas dapat terlihat bahwa nilai VIF untuk semua variabel independen kurang dari 10.
c. Uji Autokorelasi
Untuk menguji ada tidaknya autokorelasi, peneliti menggunakan uji Durbin-Watson. Hasil pengujian autokorelasi adalah sebagai berikut.
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) .285 .067 4.260 .000 Return on Asset -.001 .011 -.013 -.100 .920 .959 1.043 Tobin's Q Ratio -.034 .043 -.105 -.782 .437 .959 1.043
a. Dependent Variable: Trading Volume Activity
53 Tabel 4.5
Hasil Uji Autokorelasi Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .109a .012 -.023 .2630627723 .989
a. Predictors: (Constant), Tobin's Q Ratio, Return on Asset b. Dependent Variable: Trading Volume Activity
Sumber: Hasil Pengolahan SPSS (2013)
Hasil uji autokorelasi di atas menunjukkan nilai statistik Durbin-Watson (DW) sebesar 0,989. Nilai ini kemudian dibandingkan dengan nilai tabel Durbin-Watson yang menggunakan signifikansi 5% dengan jumlah sampel 60 dan jumlah variabel independen sebanyak 2 variabel. Pada tabel Durbin-Watson diperoleh nilai batas atas (du) 1,652 dan nilai batas bawah (dl) 1,514. Dari tabel tersebut dapat ditarik kesimpulan bahwa nilai DW berada dalam kriteria diantara -2 sampai 2, yang berarti tidak ada autokorelasi.
d. Uji Heterokedastisitas
Dalam penelitian ini untuk melihat ada tidaknya gejala heterokedastisitas adalah dengan melihat plot grafik yang dihasilkan dari pengolahan data dengan menggunakan SPSS. Dasar pengambilan keputusannya adalah:
1) jika ada pola tertentu, seperti titik-titik yang teratur, maka telah terjadi heterokedastisitas,
54
2) jika tidak ada pola tertentu, serta titik-titik yang menyebar tidak tertentu di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heterokedastisitas, atau terjadi homokedastisitas.
Berikut ini adalah grafik scatterplot untuk menganalisis apakah terjadi heterokedastisitas atau terjadi homokedastisitas dengan mengamati penyebaran titik-titik pada gambar.
Gambar 4.3
Hasil Uji Heterokedastisitas
Sumber: Hasil Penolahan SPSS (2013)
Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y. Hal ini dapat disimpulkan bahwa tidak terjadi heterokedastisitas pada model
55
regresi. Dengan demikian, model ini layak dipakai untuk memprediksi
Trading Volume Activity pada perusahaan real estate dan properti yang terdaftar di BEI berdasarkan masukan variabel ROA dan tobin’s q ratio.
3. Analisis Regresi dan Uji Hipotesis