BAB IV ANALISIS HASIL PENELITIAN
4.2. Hasil Analisis Data
4.2.1.2. Uji Multikoliniearitas
Unstandardi zed Residual N 54 Normal Parameters(a,b) Mean ,0000000 Std. Deviation 1095,64530 903 Most Extreme Differences Absolute ,125 Positive ,125 Negative -,110 Kolmogorov-Smirnov Z ,916
Asymp. Sig. (2-tailed) ,371
a Test distribution is Normal. b Calculated from data.
Uji Normalitas (3)
Pada tabel diatas terlihat bahwa nilai Asymp. Sig. (2-tailed) adalah 0.371 dan diatas nilai signifikan (0.05). Dari data-data tersebut, dapat disimpulkan bahwa variabel residual berdistribusi dengan normal.
4.2.1.2.Uji Multikoliniearitas
Uji Multikoliniearitas sendiri bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas (independen). Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel independen (Ghozali, 2005:91). Pengujian multikoliniearitas dapat dilakukan dengan melihat (1) nilai tolerance tidak kurang dari 0,1 dan lawannya (2) VIF (Variance Inflation Factor) tidak lebih dari 10.
Tabel 4.2 Coefficients(a) Model Collinearity Statistics Tolerance VIF 1 (Constant) CAR ,938 1,066 LDR ,955 1,047 NPL ,952 1,051 ROE ,789 1,267 DPS ,825 1,212
a Dependent Variable: Closing Price
Uji Multikoliniearitas (1)
Multikoliniearitas dapat dilihat dari nilai tolerance dan Variance Inflation Factor (VIF). Kedua ukuran ini menujukkan setiap variabel independen manakah yang dijelaskan oleh variabel independen lainny. Tolerance adalah mengukur variabilitas variabel independen yang terpilih yang tidak dijelaskan oleh variabel independen lainnya. Multikoliniearitas tidak terjadi apabila VIF < dari 10 dan Tolerance > dari 0,1. Dari hasil output terlihat bahwa semua data tidak terkena multikoliniearitas dengan variabel CAR, LDR, NPL, ROE dan DPS memiliki nilai
Tabel 4.3
Coefficient Correlations(a) Mo
del DPS CAR LDR NPL ROE
1 Correlations DPS 1,000 ,049 -,154 ,104 -,382 CAR ,049 1,000 -,104 ,104 -,200 LDR -,154 -,104 1,000 -,030 ,172 NPL ,104 ,104 -,030 1,000 ,091 ROE -,382 -,200 ,172 ,091 1,000 Covariances DPS 8,016 4,179 -3,388 18,531 -10,694 CAR 4,179 911,124 -24,296 197,538 -59,668 LDR -3,388 -24,296 60,339 -14,590 13,234 NPL 18,531 197,538 -14,590 3955,933 56,742 ROE -10,694 -59,668 13,234 56,742 97,896 a Dependent Variable: Closing Price
Uji Multikolinieritas (2)
Koefisien korelasinya antara variabel independen harus dibawah 98% maka tidak terjadi multikolinearitas.
4.2.1.3.Uji Autokorelasi
Uji Autokorelasi bertujuan untuk menguji apakah model regresi linear ada korelasi antara kesalahan penggangu periode t-1 (sebelumnya). Biasanya autokorelasi ini muncul karena adanya observasi yang berurutan sepanjang waktu dan berkaitan satu sama lainnya. Masalah ini juga timbul karena residual (kesalahan penggangu) tidak bebas dari satu observasi ke observasi lainnya.
Tabel 4.4 Model Summary(b) Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 ,845(a) ,713 ,683 1151,297 1,977
a Predictors: (Constant), DPS, CAR, LDR, NPL, ROE b Dependent Variable: Closing Price
Uji Autokorelasi
untuk mendeteksi adanya problem autokorelasi adalah dengan melihat besaran dari DURBIN-WATSON, yaitu panduan mengenai angka D-W ( Durbin-Watson) pada tabel D-X. Mengacu pada pendapat Santoso, Singgih (2002), Berdasarkan tabel diatas, diketahui bahwa nilai DW adalah 1,977. Angka D-W tersebut berada diantara -2 sampai +2 yang artinya tidak terjadi autokorelasi.
4.2.2. Apabila angka D-W dibawah -2 berarti ada autokorelasi positif, 4.2.3. Apabila angka D-W diantara -2 sampai +2 berarti tidak ada
autokorelasi,
4.2.4. Apabila angka D-W diatas +2 berarti ada autokorelasi negatif. 4.2.1.4. Uji Heteroskedastisitas
Uji Heteroskedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual pengamatan satu ke pengamatan yang lain. Jika variance dari residual satu pengamatan ke pengamatan lain tetap, maka disebut dengan homoskedastisitas. Jika berbeda disebut dengan heteroskedastisitas dan model regresi yang baik adalah homoskedastisitas. Untuk mendeteksi ada tidaknya heteroskedastisitas, menurut Ghozali (2005:105) dapat dilihat dari grafik
scatterplot antara nilai prediksi variabel dependen yaitu ZPRED dengan residualnya yaitu SRESID. Jika terdapat pola tertentu seperti titik-titik yang ada membentuk pola yang teratur, maka telah terjadi heteroskedastisitas. Sebaiknya jika tidak ada pola yang jelas, serta titik-titik menyebar maka tidak terjadi heteroskedastisitas.
Hasil dari uji heteroskedastisitas dapat dilihat pada grafik scatterplot
berikut ini:
Gambar 4.2
Uji Heteroskedastisitas (1)
Regression Standardized Predicted Value
3 2 1 0 -1 -2 R egressi on S tudent iz ed R esi dual 4 2 0 -2 Scatterplot Dependent Variable: Closing Price
Dari grafik Sactterplot yang disajikan menunjukkan penyebaran titik-titik data sebagai berikut:
1. titik-titik data menyebar di atas dan di bawah atau di sekitar angka 0, 2. titik-titik data tidak mengumpul hanya di atas atau di bawah saja,
3. penyebaran titik-titik data tidak boleh membentuk pola bergelombang melebar kemudian menyempit dan melebar kembali,
4. penyebaran titik-titik data sebaiknya tidak berpola.
Maka dapat disimpulkan dari grafik Scatterplot bahwa model regresi linear berganda terbebas dari asumsi klasi heteroskedastisitas dan layak untuk digunakan dalam penelitian.
4.3. Pengujian Hipotesis
Nilai koefisien korelasi (R) menunjukkan seberapa besar korelasi atau hubungan antara variabel-variabel independen dengan variabel dependen. Koefisien korelasi dikatakan kuat apabila nilai R > 0.5 dan mendekati 1. Koefisien determinasi (R square) menunjukkan seberapa besar variabel independen menjelaskan variabel dependennya. Nilai R square adalah nol sampai dengan satu. Apabila nilai R square semakin mendekati satu, maka variabel-variabel independen memberikan semua informasi yang dibutuhkan untuk memprediksi variasi variabel-variabel dependen. Sebaliknya, semakin kecil nilai R square, maka kemampuan variabel-variabel independen dalam menjelaskan variasi variabel dependen semakin terbatas. Nilai R square memiliki kelemahan yaitu nilai R square akan meningkat setiap ada penambahan satu variabel independen meskipun variabel independen tersebut tidak berpengaruh signifikan terhadap
variabel dependen. Berdasarkan hasil pengolahan data dengan program SPSS 15.0, maka diperoleh hasil sebagai berikut:
Tabel 4.5 Koefisien Determinasi Model Summary(b) Mode l R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 ,845(a) ,713 ,683 1151,297 1,977
a Predictors: (Constant), DPS, CAR, LDR, NPL, ROE b Dependent Variable: Closing Price
Model Summary
Pada model summary, angka R sebesar 0,845 menunjukkan bahwa korelasi atau hubungan antara closing price (variabel dependen) dengan CAR, LDR, NPL, ROE dan DPS (variabel independen) adalah kuat karena berada diatas angka 0,5 (50%). Angka adjusted R square atau koefisien determinasi yang disesuaikan adalah 0,683. Hal in berarti bahwa 68,3% variasi atau perubahan dalam harga saham dapat dijelaskan oleh variasi CAR, LDR, NPL, ROE, dan DPS. Sisanya sebesar 31,7% dijelaskan oleh sebab-sebab lain yang tidak dimasukkan dalam model penelitian.
Untuk melihat pengaruh CAR, LDR, NPL, ROE dan DPS secara individu terhadap closing price, dapat dilakukan dengan menggunakan uji statistik t. Berdasarkan hasil pengolahan data dengan program SPSS 15.0, maka diperoleh hasil seperti yang terlihat pada tabel berikut: