HASIL DAN PEMBAHASAN
72. PT Tunas Alfin Tbk
4.2 Analisis Hasil Penelitian .1Statistik Deskriptif
4.2.2 Uji Asumsi Klasik .1 Uji Normalitas .1 Uji Normalitas
Ghozali (110:2005), untuk menditeksi apakah residual berdistribusi normal atau tidak dapat dilakukan dengan 2 (dua) cara, yaitu melalui uji statistik dan analis grafik. Uji statistik yang dilakukan untuk uji normalitas data yaitu dengan melihat grafik histogram dengan grafik non probability plot serta menggunakan uji statistik non parametrik Kolmogrov-Smirnov (K-S).
Gambar 4.1 Pendekatan Histogram
Sumber: Hasil penelitian, 2015 (Data Diolah)
Gambar 4.1 memperlihatkan bahwa pada grafik histogram, distribusi data mengikuti kurva berbentuk lonceng yang tidak menceng (skewness) ke arah kiri atau kanan, sehingga dapt disimpulkan data tersebut terdistribusi normal.
Gambar4.2 Pendekatan Grafik
Gambar 4.2 merupakan kurva P-P Plot. Pada scatterplot terlihat titik data berada di sepanjang garis diagonal dan mengikuti arah garis diagonal tersebut. Hal in berarti data pada variabel dependen yang digunakan, yaitu tingkat underpricing dapat berdistribusi dengan normal.
Pengujian normalitas dengan menggunakan pendekatan histogram dan pendekatan grafik (P-P Plot) dengn tujuan untuk melihat apakah terdistribusi normal atau tidak ssaja tidak cukup. Hal ini sering kali menimbulkan perbedaan persepsi dari para pengamat karena sifatnya yang subjektif, sehingga untuk memastikan apakah data disepanjang garis diagonal berdistribusi normal atau tidak maka, kita perlu melakukan uji normalitas data dengan analisis statistik agar lebih meyakinkan. Untuk meningkatkan akurasi pengujian nomalitas data pada penelitian ini,maka digunakan uji statistik nonparametik , yakni pendekatan Kolmogrof-Smirnov (1 Sampel KS). Jika diperoleh milai Asymp. Sig (2-tailed)>
tingkat signifikansi (α), dalam penelitian ini α sebesar 0,05, maka dapat dikatakan
variabel residual berdistribusi normal.
Tabel 4.2 Pengujian Normalitas One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 72
Normal Parametersa,,b Mean .0000000
Std. Deviation .97956399 Most Extreme Differences Absolute .089
Positive .047
Negative -.089
Kolmogorov-Smirnov Z .752
Asymp. Sig. (2-tailed) .625
a. Test distribution is Normal. b. Calculated from data.
Dari Tabel 4.2, Asymp. Sig (2-tailed) = 0,625 dimana angka ini lebih besar dibandingkan nilai signifikan 0,05. Berdasarkan hasil tersebut dapat disimpulkan bahwa variabel residual berdistribusi normal.
4.2.2.2 Uji Heteroskedastisitas
Pada persamaan regresi pasti muncul residu, yakni variabel lain yang terlibat, tetapi tidak dimuat dalam model, sehingga variabel tersebut diasumsikan bersifat acak. Jika data residu tidak bersifat acak, maka dapat dikatakan data terkena heteroskedastisitas. Uji ini juga berguna untuk menguji apakah sebuah group mempunyai variance yang sama diantara anggota grup tersebut. Jika variance sama, maka dapat dikatakan terdapat homokedastisitas, namun jika sebaliknya, maka terjadi heterokedastisitas. Data yang baik adalah yang tidak mengalami heteroskedastisitas. Uji heterokedastisitas yang digunakan dalam penelitian ini adalah metode dan grafik.
Gambar 4.3 Scatterplot
Gambar 4.3 merupakan grafik scatterplot dari variabel dependen underpricing. Grafik menunjukkan titik-titik menyebar secara acak dan tidak membentuk sebuah pola tertentu yang jelas serta tersebar baik di atas maupun dibawah angka 0 pada sumbu Y. Hal ini menunjukkan bahwa tidak terjadi heteroskedastisitas pada model regresi.
Metode grafik ini memiliki kelemahan pada memprediksi heteroskedastisitas. Kelemahan yakni jika jumlah pengamatan yang dilakukan atau data yang ada jumlahnya sedikit, maka sulit untuk mengintrepretasikan hasil grafik scatterplot. Oleh karena itu, dalam penelitian ini digunakan uji lain untuk memprediksi heteroskedastisitas, yakni Glesjer Test.
Tabel 4.3
Pengujian Heteroskedastisitas Dengan Uji Park
Coefficientsa
Model
Unstandardized Coefficients Standardized Coefficients
T Sig. B Std. Error Beta 1 (Constant) -9.519 4.577 -2.080 .041 Ln_ROE -.224 .240 -.118 -.934 .354 DER .054 .124 .052 .439 .662 Ln_EPS .044 .151 .038 .291 .772 Ln_UKURAN .206 .159 .165 1.297 .199 Ln_UMUR .592 .300 .235 1.975 .052 Dummy_Underwriter .427 .492 .111 .867 .389
a. Dependent Variable: Ln_U2i
Sumber: Hasil penelitian, 2016 (Data Diolah)
Tabel 4.3 menunjukkan hasil pengujian Uji Park. Jika variabel independen berpengaruh secara signifikan terhadap vriabel dependen underpricing, maka hal
menunjukkan probabilitas signifikan variabel independen berada doi atas tingkat kepercayaan 5%. Hal ini berarti model regresi tidak mengalami persoalan heteroskedastisitas.
4.2.2.3 Uji Multikolenearitas
Uji ini diperlukan untuk mengetahui ada tidaknya variabel independen yang memiliki kemiripan dengan variabel independen lainya. Model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel independen. Cara untuk menditeksi terjadinya multikolinearitas yaitu dengan melihat nilai VIF (Variable Inflation Factor) dan nilai tolerance. Jika nilai VIF < 5 dan nilai tolerance>0,10 maka dapat disimpulkan tidak terjadi multikolinearitas. Pengujian multikolineritas juga dapat dilakukan dengan melihat korelasi di antara variabel independen. Berikut disajikan tabel hasil perhitungan nilai Tolerance dan VIF serta matrik korelasi antar variabel independen.
Tabel 4.4 Pengujian Multikolinearitas Coefficientsa Model Unstandardized Coefficients Standardized Coefficients T Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) -.055 2.593 -.021 .983 Ln_ROE -.036 .136 -.032 -.264 .793 .869 1.151 DER .022 .070 .036 .319 .750 .974 1.027 Ln_EPS -.134 .086 -.193 -1.564 .123 .824 1.214 Ln_UKURAN -.020 .090 -.027 -.218 .828 .848 1.180 Ln_UMUR -.137 .170 -.092 -.807 .422 .976 1.025 Dummy_Underwriter -.665 .279 -.291 -2.384 .020 .843 1.187 a. Dependent Variable: Ln_underpricing
Sumber: Hasil penelitian, 2016 (Data Diolah)
masing-sebesar 0,869, variabel DER masing-sebesar 0,0974, variabel EPS masing-sebesar 0,824, variabel Ukuran Perusahaan sebesar 0,848, variabel Umur Perusahaan sebesar 0,976, dan variabel Reputasi Underwriter sebesar 0,843.
Nilai VIF dari masing-masing variabel independen diketahui kurang dari 5, yaitu untuk variabel ROE sebesar1,151, variabel DER sebesar 1,027, variabel EPS sebesar 1,214, variabel Ukuran Perusahaan sebesar 0,848, variabel Umur Perusahaan sebesar 1,025, dan variabel Reputasi Underwriter sebesar 1,187.
Berdasarkan Tabel 4.4 di atas dapat disimpulkan bahwa tidak ada multikolinearitas antar variabel independen dalam model ini.
4.2.2.4 Uji Autokorelasi
Autokorelasi menunjukkan adanya kondisi yang berurutan antara gangguan atau distribusi yang masuk dalam regresi. Uji autokorelasi bertujuan untuk melihat apakah dalam suatu model regresi linear ada korelasi antara kesalahan penggangu pada periode t dengan kesalahan pada peride t-1 (sebelumya). Untuk mendiagnosis adanya gangguan autokolerasi dalam model dapat dilakukan dengan menggunakan Durbin Watson (DW) test. Kriteria yang menunjukkan tidak terjadi autokorelasi adalah sebagai berikut:
Tabel 4.5
Pengambilan Keputusan Durbin Watson
Hipotesis Nol Keputusan Jika
Tidak ada autokorelasi positif Tidak ada autokorelasi positif Tidak ada korelasi negatif Tidak ada korelasi negatif
Tidak ada autokorelasi positif atau negatif
Tolak No decision Tolak No decision Tidak ditolak 0 < d < dl dl ≤ d ≤ du 4 – dl < d <4 4 –du ≤ d ≤ 4 - dl du < d < 4 – du
Sumber : Ghozali (2006:96)
n (jumlah sampel) = 72
k (jumlah variabel bebas) = 6
Pada tingkat signifikansi 5% diperoleh du=1,8025 dan dl =1,4)379 du < d < 4 – du = 1,8025 < 1,947 < 2,1975 (memenuhi kriteria)
Tabel 4.6
Pengujian Autokorelasi Model Summaryb
Model R R Square Adjusted R Square
Std. Error of the
Estimate Durbin-Watson
1 .429a .184 .109 1.02378 1.947
a. Predictors: (Constant), Dummy_Underwriter, Ln_UMUR, DER, Ln_ROE, Ln_UKURAN, Ln_EPS
b. Dependent Variable: Ln_underpricing
Sumber: Hasil penelitian, 2016 (Data Diolah)
Berdasarkan Tabel 4.6 menunjukkan bahwa tidak ada autokorelasi positif atau negatif berarti hipotesis nol diterima sehingga dapat disimpulkan bahwa tidak terjadi autokorelasi positif maupun negatif.