BAB IV : HASIL DAN PEMBAHASAN
4.2 Analisis Hasil Penelitian
4.2.2 Uji Asumsi Klasik
Uji normalitas bertujuan untuk menguji apakah dalam model regresi variabel pengganggu atau residual memiliki distribusi normal atau tidak, dengan membuat hipotesis sebagai berikut:
: data residual berdistribusi normal : data residual tidak berdistribusi normal
Ada dua cara yang dapat digunakan untuk mendeteksi apakah residual berdistribusi normal atau tidak, yaitu dengan analisis grafik dan uji statistik. Pada penelitian ini akan digunakan kedua cara tersebut.
1) Analisis Grafik
Analisis grafik dapat digunakan dengan dua alat, yaitu grafik histogram dan grafik P-P Plot. Data yang baik adalah data yang memiliki pola distribusi normal. Pada grafik histogram, data yang mengikuti atau mendekati distribusi normal adalah distribusi data dengan bentuk lonceng. Pada grafik P-P Plot, sebuah data dikatakan berdistribusi normal apabila titik-titik datanya tidak menceng ke kiri atau ke kanan, melainkan menyebar di sekitar garis diagonal.
Gambar 4.1 Grafik Histogram
Gambar 4.2 Grafik P-Plot
Dengan melihat tampilan grafik histogram, penulis melihat bahwa gambar histogram telah berbentuk lonceng tetapi menceng ke arah kiri yang menunjukkan bahwa data tidak terdistribusi secara normal. Pada grafik P-P Plot terlihat titik-titik tidak menyebar di sekitar garis diagonal dan jauh dari garis diagonal. Kedua grafik tersebut menunjukkan bahwa model regresi menyalahi asumsi normalitas.
2) Analisis Statistik
Pengujian normalitas data dengan hanya melihat grafik dapat menyesatkan kalau tidak melihat secara seksama, sehingga kita perlu melakukan uji normalitas data dengan menggunakan statistik agar lebih meyakinkan. Untuk memastikan apakah data di sepanjang garis diagonal berdistribusi normal, maka dilakukan uji Kolmogorov-Smirnov (1 sample K-S) dengan melihat data residualnya apakah berdistribusi normal atau tidak. Jika nilai signifikansinya lebih besar dari 0,05 maka data tersebut terdistribusi normal. Jika nilai signifikansinya lebih kecil dari 0,05 maka distribusi data adalah tidak normal. Hasil uji Kolmogorov-Smirnov dapat dilihat pada tabel 4.3.
Dari hasil pengolahan data tersebut, besarnya nilai Kolmogorov-Smirnov adalah 2,073 dan signifikan pada 0,001 maka disimpulkan data tidak terdistribusi secara normal karena p = 0,000 < 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 Jogiyanto (2004:172) beberapa cara mengubah model regresi menjadi normal yaitu:
1. Dengan melakukan transformasi data ke bentuk lain, yaitu: logaritma natural, akar kuadrat, logaritma 10,
2. Melakukan trimming, yaitu memangkas observasi yang bersifat outlier, 3. Melakukan winsorizing, yaitu mengubah nilai-nilai data outliers
menjadi nilai-nilai minimum atau maksimum yang diizinkan supaya distribusinya menjadi normal.
Dari ketiga cara di atas, penulis memutuskan untuk melakukan transformasi data terhadap semua variabel menjadi bentuk Logaritma 10
Tabel 4.3
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 42
Normal Parametersa Mean .0000000
Std. Deviation 2.59798804
Most Extreme Differences Absolute .320
Positive .320
Negative -.154
Kolmogorov-Smirnov Z 2.073
Asymp. Sig. (2-tailed) .000
(LOG10), agar variabel-variabel dalam penelitian ini memenuhi asumsi normalitas. Setelah itu, dilakukan pengujian ulang dengan metode statistik.
a) Uji Grafik
Gambar 4.3
Grafik Normal Histogram
Dengan cara melihat grafik histogram di atas dapat disimpulkan bahwa distribusi data normal karena grafik histogram menunjukkan distribusi data mengikuti garis diagonal yang tidak menceng (skewness) kiri maupun menceng kanan.
Demikian pula dengan uji normalitas dengan menggunakan grafik p-p plot berikut ini, pada grafik normal p-p plot, dapat dilihat titik – titik menyebar disekitar garis diagonal dan agak mendekati garis diagonal sehingga dapat disimpulkan data berdistribusi normal.
Gambar 4.2 Grafik Normal P-Plot
b. Uji Statistik
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 42
Normal Parametersa Mean .0000000
Std. Deviation .70060421
Most Extreme Differences Absolute .099
Positive .071
Negative -.099
Kolmogorov-Smirnov Z .644
Asymp. Sig. (2-tailed) .801
a. Test distribution is Normal.
Berdasarkan hasil pengujian K-S diatas, nilai K- S yang diperoleh adalah 0,644, dan signifikan pada 0,801, sehingga dapat disimpulkan bahwa data terdistribusi normal dimana nilai p lebih besar dari 0,05 (p = 0,644> 0,05). Dengan demikian secara keseluruhan bahwa nilai observasi telah terdistribusi normal
4.2.2.2 Uji Multikolonieritas
Dalam penelitian ini, untuk mendeteksi ada tidaknya gejala multikolonieritas adalah dengan melihat besaran korelasi antara variabel independen dan besarnya tingkat kolonieritas yang masih dapat ditolerir, yaitu Tolerance > 0,10 dan Variance Inflation Factor (VIF) < 10. Berikut disajikan tabel hasil pengujian:
Tabel 4.5 Uji Multikolonieritas
Berdasarkan tabel 4.5 diatas dapat dilihat bahwa tidak ada satupun variabel bebas yang memiliki nilai VIF lebih dari 10 dan tidak ada yang memiliki tolerance value lebih kecil dari 0,1. Hasil pengujian menunjukkan angka tolerance untuk arus kas operasi lebih besar dari 0.1 (0.857 > 0.1), arus kas investasi lebih besar dari 0.1 (0.928 > 0.1), arus kas pendanaan lebih besar dari 0.1 (0.919 >0.1). Angka VIF untuk arus kas operasi lebih kecil dari 10 (1.167 < 10), arus kas investasi lebih kecil dari 10 (1.078 < 10), arus kas pendanaan (1.088 <10).
Berdasarkan hasil pengujian tersebut diperoleh kesimpulan tidak terdapat multikolonieritas. Hasil ini menunjukkan tidak ada hubungan antar variabel bebas (independen).
Model
Unstandardized Coefficients
Standardized
Coefficients Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) -.103 .114 AKTIVITAS OPERASI -.067 .191 -.060 .857 1.167 AKTIVITAS INVESTASI .037 .106 .057 .928 1.078 AKTIVITAS PENDANAAN .181 .140 .214 .919 1.088
4.2.2.3Uji Heterokedastisitas
Untuk pengujian heteroskedastisitas, penulis menggunakan alat analisis grafik (Scatterplot). Pada analisis grafik Scatterplot, deteksi ada tidaknya heteroskesdatisitas dapat dilakukan dengan melihat jika tidak ada pola tertentu pada grafik Scatterplot maka tidak terjadi heteroskedastisitas dengan kata lain terjadi homoskedastisitas. Hasil pengujian dapat ditunjukkan grafik scatterplot antara ZPRED dan ZRESID sebagai berikut.
Gambar 4.5 Grafik Scatterplot
Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka nol pada sumbu Y. Maka dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada persamaan regresi.
4.2.2.4Uji Autokorelasi
Uji ini bertujuan untuk menganalisis apakah dalam model regresi linier ada korelasi antara kesalahan pengganggu pada periode t dengan tingkat kesalahan pada periode t-1. Autokorelasi muncul karena observasi yang berurutan sepanjang tahun yang berkaitan satu dengan yang lainnya, hal ini sering ditemukan pada time series. Metode yang digunakan penulis telah diungkapkan dalam bab tiga.
Uji ini bertujuan untuk melihat apakah dalam suatu model linear ada korelasi antar kesalahan pengganggu pada periode t dengan kesalahan periode t-1 (sebelumnya). Model regresi yang baik adalah yang bebas dari autokorelasi. Masalah autokorelasi umumnya terjadi pada regresi yang datanya time series. Uji yang digunakan dalam penelitian ini untuk mendeteksi ada tidaknya autokorelasi dapat dilihat dengan menggunakan uji Durbin-Watson.
1) angka D-W di bawah –2 berarti ada autokorelasi positif,
2) angka D-W di antara -2 sampai +2, berarti tidak ada autokorelasi,
Tabel 4.6 Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .217a .047 -.028 .72779 1.800
a. Predictors: (Constant), aktivitas pendanaan, aktivitas investasi, aktivitas operasi b. Dependent Variable: return saham
Berdasarkan tabel diatas, menunjukkan nilai D-W sebesar 1,800. Angka ini terletak diantara -2 dan +2, dari pengamatan ini dapat disimpulkan bahwa tidak terjadi autokorelasi positif maupun autokorelasi negatif dalam penelitian ini.
4.3 Pengujian Hipotesis
Hasil uji asumsi klasik memperlihatkan data observasi tidak memenuhi asumsi normalitas, kemudian dilakukan transformasi ke dalam bentuk Logaritma 10 (LOG10). Sehingga persamaan yang baru memenuhi asumsi klasik dan dapat dianalisis lebih lanjut untuk pengujian hipotesis. Penulis menggunakan analisis regresi berganda untuk melakukan pengujian hipotesis dengan bantuan program SPSS 16.