HASIL DAN PEMBAHASAN
4.2 Hasil Penelitian
4.2.2 Uji Asumsi Klasik .1 Uji Normalitas .1 Uji Normalitas
Uji normalitas berguna untuk melihat apakah data telah berdistribusi normal atau tidak. Uji normalitas dilakuka n dalam penelitian ini model Komogorov-Smirnov. Hal yang dilakukan untuk melihat apakah data berditribusi normal berdasarkan uji Kolomogorov-Smirnov dapat dilihat dari :
2. Nilai Sig atau signifikan dibawah 0.05 maka data dapat dikatakan tidak berdistribusi normal.
Berikut ini uji normalitas dengan menggunakan model Kolmogorov-Smirnov dapat dilihat pada tabel berikut ini :
Tabel 4.3
One Sample Kolmogrov-Smirnov
One-Sample Kolmogorov-Smirnov Test
HS
N 30
Normal Parametersa Mean 21240
Std. Deviation 45931.2
Most Extreme Differences Absolute .370
Positive .370
Negative -.322
Kolmogorov-Smirnov Z 2.221
Asymp. Sig. (2-tailed) .000
a. Test distribution is Normal. Sumber : Data Olahan SPSS
Berdasarkan hasil uji statistik pada One-Sample Kolmogorov-Smirnov dapat dilihat bahwa data tidak berdistribusi dengan normal, hal ini disebabkan oleh Asymp. Sig. (2-tailed) pada tabel tersebut dibawah 0.05. oleh sebab itu peneliti akan melakukan perbaikan pada data tersebut agar memenuhi uji normalitas. Ada pun cara yang dilakukan untuk mengubah model regresi menjadi normal menurut Erlina (2009:107) yaitu :
1. Lakukan tarnsformasi data ke bentuk lainnya, misalnya mengubah data menjadi bentuk logaritma (Log) atau natural (LN).
2. Lakukan trimming, yaitu membuang data outlier.
Oleh karena itu guna memenuhi uji normalitas maka peneliti akan mentransformasikan data penelitian ini ke dalam bentuk natural (LN) kemudian data di uji ulang dengan menggunakan uji normalitas. Hasil uji normalitas pada data ini dapat ditransformasikan yang dapat dilihat pada histogram, normal probability plot, dan One-Sample Kolmogorov-Smirnov. Dalam penelitian ini cara yang digunakan adalah dengan melakukan transformasi data ke dalam bentuk logaritma natural (Ln), dimana data yang ditransformasikan adalah harga saham menjadi LnHS, return on asset menjadi LnROA, earning per share LnEPS, dividend per share menjadi LnDPS kemudian data diuji kembali dengan menggunakan uji normalitas, berikut ini adalah analisis grafik menggunakan histogram, normal Probability-Plot, dan Kolmogrov-Smirnov setelah dilakukan transformasi yaitu :
Sumber : Data Olahan SPSS Gambar 4.1 Kurva Histogram
Pada gambar 4.1 diatas menunjukkan histogram yang memiliki kemiringan seimbang ke kiri dan ke kanan atau tidak condong ke kiri dan ke kanan, melainkan ketengah berbentuk lonceng. Kurva yang memiliki bentuk seperti lonceng maka data berdistribusi secara normal. Selain melaui kurva peneliti juga menggunakan metode lain yaitu melalui garfik dengan melihat normal-Probability-Plot. Jika data berdistribusi secara normal akan mengikuti garis diagonal. Uji normalitas berikut ini untuk melihat normal probability-plot yaitu :
Sumber : Data Olahan SPSS
Gambar 4.2
Normal P-P Plot of Regression Standardized Residual
Pada kurva P-Plot menunjukkan penyebaran titik-titik data disekitar garis diagonal dan mengikuti arah garis diagonal. Pada kurva P-Plot maka regresi memenuhi unsur normalitas atau dengan kata lain model regresi layak dipakai untuk prediksi nilai perusahaan berdasarkan masukan dari variabel indenden.
Selain kurva P-Plot untuk melihat normalitas data, selain P-Plot dan histogram peneliti juga menggunakan kolmogrov-smirnov. Berikut ini adalah analisis menggunakan kolmogrov-smirnov.
Tabel 4.4
One Sample Kolmogrov Smirnov
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 30
Normal Parametersa Mean .0000000
Std. Deviation 1.40049695
Most Extreme Differences Absolute .223
Positive .223
Negative -.122
Kolmogorov-Smirnov Z 1.224
Asymp. Sig. (2-tailed) .100
a. Test distribution is Normal.
Sumber : Data Olahan SPSS
Berdasarkan hasil uji normalitas diatas dapat dikatakan bahwa data telah terditribusi secara normal. Hal ini dapat diketahui dengan melihat Asymp. Sig (2-tailed) diatas 0.05, yaitu sebesar 0.100.
4.2.2.2 Uji Multikoloniaritas
Uji multikolonieritas dilakukan untuk melihat apakah antara variabel-variabel terdapat multikolonieritas atau tidak. Uji multikolonieritas dalam penelitian ini adalah dengan melihat koefisien Variance Inflation Factor (VIF) dan nilai Tolerance. Gangguan multikolonieritas tidak terjadi jika VIF dibawah 5
atau Tolerance diatas 0.1. hasil pengujian terhadap multikolonieritas pada penelitian ini dapat dilihat pada tabel 4.5.
Tabel 4.5 Uji Multikolonieritas Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 6.608 1.494 4.423 .000
LNROA -1.262 .561 -.370 -2.251 .033 .719 1.392
LNEPS .141 .127 .179 1.107 .279 .743 1.346
LNDPS .450 .091 .703 4.922 .000 .950 1.052
a. Dependent Variable: LNHS Sumber : Olahan Data SPSS
BerdasarBerdasarkan data olahan SPSS diatas, dapat diketahui bahwa tidak terjadi multikolonieritas pada seluruh variabel data. Hal ini bias diketahui dengan keterangan berikut ini :
a. Return On Asset (ROA) mempunyai nilai Tolerance sebesar 0.719 lebih
besar dari 0.1 dan nilai VIF sebesar 1.392 lebih kecil dari 5.
b. Earning Per Share (EPS) mempunyai nilai Tolerance sebesar 0.743 lebih
besar dari 0.1 dan nilai VIF sebesar 1.346 lebih kecil dari 5.
c. Devidend Per Share (DPS) mempunyai nilai Tolerance sebesar 0.950 lebih
besar dari 0.1 dan nilai VIF sebesar 1.052 lebih kecil dari 5.
Berdasarkan kesimpulan diatas dapat dikatakan bahwa variabel independen tidak terjadi multikolonieritas.
4.2.2.3 Uji Autokolerasi
Uji autokolerasi bertujuan menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 (sebelumnya). Salah satu cara untuk mengetahui ada atau tidaknya autokolerasi adalah dengan uji Durbin-Watson (DW). Jika terjadi autokolerasi maka nilai Durbin-Watson (DW) lebih besar dari 2. Dalam uji
Durbin-Watson ketentuan untuk melihat adanya autokolerasi adalah sebagai
berikut ini :
a. Angka D-W dibawah -2 berarti ada autokolerasi positif.
b. Angka D-W diantara -2 samapai +2 berarti tidak ada autokolerasi. c. Angka D-W diata +2 berarti ada autokolerasi negatif.
Berikut ini adalah uji autokolerasi dalam penelitian ini : Tabel 4.6
Uji Autokolerasi Model Summaryb
Model R R Square Adjusted R Square
Std. Error of the
Estimate Durbin-Watson
1 .705a .497 .439 1.47909 1.719
a. Predictors: (Constant), LNDPS, LNEPS, LNROA b. Dependent Variable: LNHS
Sumber : Data Olahan SPSS
Pada tabel diatas dapat dilihat bahwa uji autokolerasi menunjukkan bahwa nilai Durbin-Watson (DW) adalah 1.719 lebih kecil dari 2. Oleh karena itu dapat disimpulkan bahwa tidak terjadi autokolerasi dalam penelitian ini.
4.2.2.4 Uji Heterokedastisitas
Uji heterokedastisitas dilakukan dengan plot grafik antara ZPRED (nilai prediksi) dengan SRESID (nilai residual). Cara menentukan ada tidaknya heterokedastisitas adalah dengan melihat grafik scatterplot yang dihasilkan dari pengolahan data menggunakan SPSS. Berikut ini merupakan grafik scatterplot untuk menganalisis apakah terjadi gejala heterokedastisitas atau tidak dengan cara mengamati penyebaran titik-titik berikut ini :
Sumber : Data Olahan SPSS Gambar 4.3
Scatterplot
Pada gambar grafik diatas bahwa scatterplot terlihat titik-titik menyebar secara acak dan tidak terlihat suatu pola tertentu serta tersebar baik diatas maupun dibawah angka 0 pada sumbu Y sehingga dapat disimpulkan bahwa dalam model regresi tidak terjadi heterokedastisitas.
Tabel 4.7 Uji Heterokedastisitas
Untuk melihat hasil yang lebih akurat mengenai tentang pengujian heterokedastisitas maka dapat diliha pada tabel diatas. Berdasarkan tabel diatas menunjukkan bahwa nilai signifikan diatas tingkat kepercayaan diatas 0.05 maka dapat disimpulkan bahwa dalam pengujian ini tidak terdapat heterokedastisitas.
