HASIL DAN PEMBAHASAN
4.2 Analisis Hasil Penelitian
4.2.2 Uji Asumsi Klasik .1 Uji Normalitas .1 Uji Normalitas
Uji Normalitas dilakukan untuk menguji apakah dalam sebuah model regresi, variabel independen, dan variabel dependen atau keduanya mempunyai distribusi normal atau tidak. Uji ini akan dideteksi melalui dua cara, yaitu analisis statistik (Non-Parametrik Kolmogorov-Smirnov) dan analisis grafik (histogram dan Normal P-Plots).
1. Analisis Statistik
Pengujian ini dilakukan dengan menggunakan uji kolmogorov-smirnov untuk mendapatkan tingkat uji normalitas yang lebih signifikan. Data yang berdistribusi normal ditunjukkan dengan nilai signifikansi diatas 0,05. Hipotesisnya sebagai berikut:
H0 = data residual berdistribusi normal Ha = data residual tidak berdistribusi normal
Dengan menggunakan tingkat signifikan (α) 5%. Jika nilai
Asymp.Sig (2 tailed) > taraf nyata (α), maka H0 diterima artinya data
residual berdistribusi normal. Sebaliknya jika nilai Asymp.Sig (2 tailed)
< taraf nyata (α), maka Ha diterima artinya data residual tidak
berdistribusi normal.
Menurut Erlina (2011) ada beberapa cara yang dapat digunakan mengatasi data yang tidak normal diantaranya:
1. Lakukan transformasi data ke bentuk lainnya. Pelanggaran asumsi normalitas biasanya disebabkan bentuknya menceng (skew), sehingga untuk mengubah bentuk yang menceng tersebut dapat mengubah nilai atau mentransformasikan nilai ke dalam bentuk logaritma natural.
2. Lakukan trimming. Trimming adalah membuang data yang
outlier.
3. Lakukan winsorizing, yaitu mengubah nilai data yang outlier
ke suatu nilai tertentu. Melakukan winsorizing yaitu mengubah nilai observasi yang outlier menjadi nilai maksimum dan minimum yang diizinkan.
Dalam penelitian ini cara yang digunakan yaitu dengan melakukan transformasi data ke dalam bentuk logaritma natural (Ln), dimana data yang ditransformasikan adalah harga saham menjadi LnHS, return on assets menjadi LnROA, dan earning per share menjadi LnEPS dan kemudian data diuji ulang berdasarkan uji normalitas data. Setelah dilakukan transformasi data dengan mengubah variabel dependen dan independen dalam bentuk logaritma natural (Ln) maka didapatkan hasil sebagai berikut:
Tabel 4.4
Sumber: Hasil Olahan SPSS 16.00, 2014
Berdasarkan tabel 4.4 menunjukkan bahwa data sudah terdistribusi secara normal. Hal ini di lihat dari nilai kolmogorov-smirnov Z sebesar 1,147 dengan nilai Asymp.Sig (2-tailed) sebesar 0,144 atau probabilitas diatas 0,05. Hal ini berarti bahwa H0 diterima, yang berarti data residual berasal dari distribusi normal.
2. Analisis Grafik
Analisis grafik dilakukan dengan melihat grafik histogram dan grafik normal P-Plots berikut ini :
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 48
Normal Parametersa Mean .0000000
Std. Deviation 1.14056922
Most Extreme Differences Absolute .166
Positive .093
Negative -.166
Kolmogorov-Smirnov Z 1.147
Asymp. Sig. (2-tailed) .144
Sumber : Hasil Olahan SPSS 16.00, 2014 Gambar 4.1
Histogram Dependent Variabel
Pada gambar 4.1 di atas dapat disimpulkan bawa variabel tidak terdistribusi secara normal. Hal ini dikarenakan kurva histogram yang tidak memiliki keseimbangan ke kiri dan ke kanan atau berbentuk seperti lonceng.
Sumber: Hasil Olahan SPSS 16.00, 2014 Gambar 4.2
Gambar 4.2 memperlihatkan garis normal probability plot dimana variabel tidak terdistribusi secara normal. Hal ini dikarenakan titik-titik penyebaran data menyebar jauh dari garis diagonal serta tidak mengikuti arah garis diagonal.
Berikut ini hasil analisis grafik menggunakan histogram dan normal P-Plots setelah dilakukan transformasi data yaitu:
Sumber : Hasil Olahan SPSS 16.00, 2014 Gambar 4.3
Histogram Dependent Variabel
Gambar 4.3 ini menunjukkan kurva histogram yang memiliki kemiringan seimbang ke kiri dan ke kanan atau tidak condong kekiri dan kekanan, melainkan ketengah dengan bentuk seperti lonceng, sehingga data dengan pola seperti ini memiliki distribusi normal. Akan tetapi jika kesimpulan normal atau tidak nya data hanya dilihat dari grafik histogram, maka hal ini dapat menyesatkan khususnya untuk jumlah sampel yang kecil. Metode lain yang digunakan dalam analisis grafik adalah dengan melihat normal probability plot. Jika distribusi
data residual normal, maka garis yang akan menggambarkan data sesungguhnya akan mengikuti garis diagonalnya. Uji normalitas dengan melihat normal probability plot dapat dilihat pada gambar berikut :
Sumber : Hasil Olahan SPSS 16.00, 2014 Gambar 4.4
Normal P-P Plot of Regression Standardized Residual
Gambar 4.4 ini merupakan kurva P-Plot yang menunjukkan penyebaran titik-titik data disekitar garis diagonal dan mengikuti arah garis diagonal. Hal ini berarti data pada variabel yang digunakan, yaitu variabel harga saham berdistribusi normal.
4.2.2.2 Uji Multikolinearitas
Menurut Ghozali (2005), pengujian ini dapat dilihat melalui nilai tolerance dan Variance Inflation Factor (VIF). Apabila nilai VIF > 5 dan nilai tolerance < 0,1 maka terjadi multikolinearitas dan apabila nilai VIF < 5 dan nilai tolerance > 0,1 maka tidak terjadi
multikolinearitas. Hasil uji multikolinearitas dapat dilihat pada tabel berikut : Tabel 4.5 Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 3.215 .859 3.744 .001 ROE -.006 .010 -.100 -.611 .544 .240 4.159 NPM .125 .045 .462 2.804 .008 .236 4.230 DER -.343 .403 -.086 -.852 .399 .625 1.599 LNROA .767 .518 .261 1.481 .146 .207 4.839 LNEPS .388 .165 .338 2.349 .024 .311 3.213 a. Dependent Variable: LNHS
Sumber : Hasil olahan SPSS 16.00, 2014
Berdasarkan tabel 4.5 nilai tolerance dan VIF dari variabel ROE adalah sebesar 0,240 dan 4,159. Untuk variabel NPM adalah sebesar 0,236 dan 4,230. Variabel DER adalah sebesar 0,625 dan 1,599. Variabel ROA adalah sebesar 0,207 dan 4,839. Variabel EPS adalah sebesar 0,311 dan 3,213 Oleh karena itu, dapat disimpulkan dalam model ini tidak terdapat masalah multikolinearitas antara variabel bebas karena nilai tolerance berada di bawah 1 dan nilai VIF jauh di bawah angka 5.
4.2.2.3 Uji Autokorelasi
Uji ini bertujuan untuk menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan
kesalahan pengganggu pada periode t-1 (periode sebelumnya). Untuk mendeteksi ada tidaknya autokorelasi maka dilakukan pengujian
Durbin Watson (DW) dengan ketentuan sebagai berikut :
a. Angka D-W (pada output Model Summary) di bawah -2 berarti ada autokorelasi positif.
b. Angka D-W (pada output Model Summary) di antara -2 sampai +2 berarti tidak ada autokorelasi.
c. Angka D-W (pada output Model Summary) di atas +2 berarti ada autokorelasi negatif. Tabel 4.6 Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .854a .730 .698 1.20655 1.902
a. Predictors: (Constant), LNEPS, DER, NPM, ROE, LNROA b. Dependent Variable: LNHS
Sumber : Hasil olahan SPSS 16.00, 2014
Berdasarkan tabel 4.6 menunjukkan bahwa nilai Durbin Watson
(DW) sebesar 1,902. Oleh karena nilai D_W di antara -2 <1,902 < +2. Jadi dapat disimpulkan bahwa tidak ada terjadi autokorelasi pada model regresi yang digunakan dalam penelitian ini.
4.2.2.4 Uji Heteroskedastisitas
Pengujian ini digunakan untuk melihat apakah dalam sebuah model regresi terjadi ketidaksamaan varian dari residual dalam rangkaian suatu pengamatan ke pengamatan lain. Jika varians dari residual suatu
dan jika berbeda disebut heteroskedastisitas. Salah satu uji untuk menguji heteroskedastisitas ini adalah dengan melihat penyebaran dari varians residual pada diagram pencar (Scatterplot).
Gambar 4.5
Scatterplot Standardized Predicted Value
Pada gambar 4.5 diatas terlihat penyebaran residual cenderung tidak teratur, terdapat beberapa plot yang berpencar dan tidak membentuk pola tertentu, sehingga dapat disimpulkan tidak terdapat gejala heteroskedastisitas pada model regresi dalam penelitian ini. untuk memperoleh tingkat uji heteroskedastisitas yang lebih signifikan, maka dalam penelitian ini juga dilakukan uji glejser. Apabila signifikansi dari variabel bebas lebih besar dari taraf nyata 5%, maka dianggap tidak terjadi masalah heteroskedastisitas dan begitu juga sebaliknya.
Tabel 4.7
Sumber : Hasil olahan SPSS 16.00, 2014
Berdasarkan tabel 4.7 menunjukkan bahwa nilai signifikansinya diatas tingkat kepercayaan 0,05 maka dapat disimpulkan bahwa dalam pengujian ini tidak ada terjadi heteroskedastisitas.