BAB IV HASIL DAN PEMBAHASAN
4.2 Hasil Penelitian
4.2.2 Uji Asumsi Klasik
Tabel 4.1 Descriptive Statistics
N Minimum Maximum Mean Std. Deviation
ln_return 45 -3.19 1.06 -.5823 .85617
ln_der 45 -2.66 1.00 -.2831 .71487
ln_size 45 26.09 31.99 28.2964 1.44636
Valid N (listwise) 45 Sumber: Output SPSS
Tabel 4.1 menunjukkan bahwa:
a. Return saham memiliki nilai rata-rata sebesar -0,5823 dengan nilai minimum -3,19 dan maksimum 1,06 serta standar deviasi sebesar 0,85617.
b. Debt to equity ratio (DER) memiliki nilai rata-rata sebesar -0,2831, minimum -2,66 dan maksimum 1,00 serta standar deviasi sebesar 0,71487.
c. Size memiliki nilai rata-rata sebesar 28,2964, minimum 26.09 dan maksimum 31,99 serta standar deviasi sebesar 1,44636.
4.2.2 Uji Asumsi Klasik 4.2.2.1 Uji Normalitas
Uji normalitas bertujuan untuk mengetahui apakah dalam sebuah model regresi, variabel penggangu atau residual mempunyai distribusi normal atau tidak (Ghozali, 2013:160). Untuk memperoleh hasil penelitan yang baik, maka dalam penelitian ini dilakukan transformasi data agar data menjadi normal dengan menggunakan logaritma natural serta dapat mendeteksi adanya data outlier.
Dalam hasil olahan SPSS pada penelitian ini terdapat data outlier. Data outlier merupakan data yang memiliki nilai ekstrim yang dapat menggangu koefisien regresi. Oleh karena itu, data outlier tersebut dapat dikeluarkan dari
Data outlier pada penelitian ini dapat dilihat pada tabel 4.2 berikut: Tabel 4.2
Casewise Diagnosticsa
Case
Number Std. Residual ln_return Predicted Value Residual
1 -3.452 -3.19 -.3090 -2.88518
a. Dependent Variable: ln_return Sumber: Output SPSS
Setelah data nomor 1 dikeluarkan dari olahan SPSS, maka dapat dilakukan uji normalitas dengan menggunakan uji Kolmogorov-Smirnov (K-S) dan grafik. Pada uji Kolmogorov-Smirnov (K-S), apabila nilai signifikansinya > 0,05 maka data terdistribusi normal, jika < 0,05 maka data tidak terdistribusi secara normal. Hasil uji Kolmogorov-Smirnov (K-S) pada penelitian ini dapat dilihat pada tabel 4.3 berikut ini:
Tabel 4.3
One-Sample Kolmogorov-Smirnov Test
Unstandardiz ed Residual
N 44
Normal Parametersa,,b Mean .0000000
Std. Deviation .69209111 Most Extreme Differences Absolute .123
Positive .066
Negative -.123
Kolmogorov-Smirnov Z .817
Asymp. Sig. (2-tailed) .517
a. Test distribution is Normal b. Calculated from data.
42
Tabel 4.3 menunjukkan bahwa dengan nilai Kolmogorov-Smirnov (K-S) sebesar 0,817 dengan nilai signifikannya sebesar 0,517 atau > dari 0,05. Hal ini menunjukkan bahwa data dalam penelitian ini terdistribusi secara normal.
Normalitas data juga dapat dianalisis dengan melihat penyebaran data (titik) pada sumbu diagonal atau dengan melihat histogram dari residualnya. Jika data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal atau grafik histogram menunjukkan pola distribusi normal, maka model memenuhi normalitas, sebaliknya jika data menyebar jauh maka tidak memenuji asumsi normalitas. Hasil pengujian normalitas berdasarkan grafik dapat dilihat pada gambar 4.1 berikut ini:
Gambar 4.1 Grafik Histogram
Gambar 4.2 Grafik P-P Plot
Gambar 4.1 menunjukkan bahwa grafik histogram menunjukkan pola distibusi normal yang ditandai dengan garis yang tidak terlalu mengarah ke kiri dan kekanan. Selain itu, pada gambar 4.2 juga menunjukkan bahwa titik menyebar di sekitar garis diagonal dan penyebarannya tidak jauh dari garis normal yang menunjukkan bahwa data terdistribusi secara normal.
4.2.2.2 Uji Multikolinearitas
Uji multikolinearitas merupakan uji asumsi klasik yang bertujuan untuk menguji apakah ditemukan adanya korelasi antar variabel bebas. Uji ini dapat dilihat dari nilai tolerance atau variance inflation factor (VIF). Multikolinearitas terjadi apabila nilai tolerance < 0,10 dan variance inflation factor (VIF) > 10.
44
Hasill pengujian ini dapat dilihat dari tabel 4.4 berikut ini. Tabel 4.4 Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics B Std.
Error Beta Tolerance VIF
1 (Constant) 5.823 2.130 2.734 .009
ln_size -.225 .075 -.425 -2.996 .005 .989 1.011 ln_der -.135 .150 -.127 -.899 .374 .989 1.011 a. Dependent Variable: ln_return
Sumber: Outpus SPSS (data diolah)
Tabel 4.4 menunjukkan bahwa variabel debt to equity ratio (DER) dan size memiliki nilai tolerance tidak kurang dari 0,10 dan nilai VIF masing-masing variabel tidak lebih besar dari 10. Hal ini dapat disimpulkan bahwa tidak terjadi masalah multikolinearitas dalam penelitian ini.
4.2.2.3. Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi linear memiliki korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode ke t-1 (sebelumnya). Untuk melihat ada atau tidaknya autokorelasi yaitu dengan menggunakan Uji Durbin Watson (DW Test). Hasil uji durbin-watson pada penelitian ini dapat dilihat pada tabel 4.5.
Tabel 4.5 Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .430a .185 .145 .70877 1.668
a. Predictors: (Constant), ln_der, ln_size b. Dependent Variable: ln_return Sumber: Output SPSS (data diolah)
Tabel 4.5 menunjukkan bahwa nilai D-W sebesar 1.668. Nilai ini lebih besar dari nilai du sebesar 1,600 dan lebih kecil dari 4-du. Dengan demikian nilai ini terletak pada du < d < 4-du, yaitu 1,600 < 1,668 < 2,400. Maka dapat disimpulkan, bahwa model regresi ini bebas dari masalah autokorelasi, baik positif maupun negatif.
4.2.2.4. Uji Heterokedastisitas
Uji heterokedastisitas bertujuan untuk menguji apakah terjadi ketidaksamaan varians dari residual satu pengamatan kepada pengamtan yang lain dalam model regresi. Dalam penelitian ini, gejala heterokedastisitas dideteksi dengan menggunakan grafik scatterplot dan uji glejser.
a. Grafik Scatterplot
Pada grafik ini jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heterokedastisitas sebaliknya jika ada pola tertentu, maka terjadi heterokedastisitas (Ghozali, 2013:139).
46
Hasil uji heterokedastisitas melalui grafik scatterplot ini dapat dilihat pada gambar 4.3 berikut ini:
Gambar 4.3 Scatterplot
Gambar 4.3 menunjukkan bahwa penyebaran plot tidak teratur, beberapa plot berpencar dan tidak membentuk pola tertentu. Berdasarkan plot tersebut, titik-titik menyebar secara acak serta tersebar baik diatas maupun di bawah angka 0. Maka dapat disimpulkan bahwa tidak terdapat gejala heterokedastisitas.
b. Uji Glejser
Dalam uji glejser, diusulkan untuk meregres nilai absolut residual terhadap variabel independen. Kriteria pengambilan keputusannya adalah jika nilai signifikansi > 0,05 maka tidak terdapat gejala heterokedastisitas. Jika nilai signifikansi < 0,05 maka terdapat gejala heterokedastisitas.
Hasil uji heterokedastisitas melalui uji glejser dapat dilihat pada tabel 4.6 berikut ini: Tabel 4.6 Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics B Std.
Error Beta Tolerance VIF
1 (Constant) -.114 1.355 -.084 .933
ln_size .023 .048 .075 .476 .637 .989 1.011
ln_der .016 .096 .026 .169 .867 .989 1.011
a. Dependent Variable: abs_ut Sumber: Output SPSS (data diolah)
Tabel 4.6 menunjukkan bahwa tidak ada satupun variabel independen yang signifikan secara statistik mempengaruhi variabel dependen nilai absolut (abs_ut). Hal ini dapat dilihat dari nilai signifikansi variabel debt to equity ratio dan size masing-masing lebih besar dari nilai signifikansi 0,05 atau 5%. Dengan demikian dapat disimpulkan bahwa tidak terdapat gejala heterokedastisitas.