HASIL DAN PEMBAHASAN
4.2 Analisis Statistik Deskriptif
4.3.1 Uji Normalitas Data
Uji normalitas data bertujuan untuk menguji apakah variabel residual berdistribusi normal atau tidak. Untuk melihat data residual berdistribusi normal atau tidak dapat dilakukan dengan dua cara yaitu dengan analisis grafik dan melakukan uji statistik. Analisis grafik dilakukan dengan melihat histogram dan grafik normal p-plot. Peneliti hanya menggunakan metode grafik normal p-plot, karena metode ini lebih handal. Distribusi normal akan membentuk satu garis lurus diagonal, dan ploting data residual akan dibandingkan dengan garis diagonal. Jika distribusi data residual normal, maka garis yang menggambarkan data sesungguhnya akan mengikuti garis diagonalnya.
Uji statistik yang dapat digunakan untuk menguji apakah residual berdistribusi normal adalah uji satistik non-parametrik Kolmogorov-Smirnov (K-S) dengan membuat hipotesis:
�0 : data residual berdistribusi normal.
��: data residual tidak berdistribusi normal.
Apabila nilai signifikansi lebih besar dari 0,05 maka �0 diterim dan �� ditolak, sebaliknya jika nilai siginifikansi lebih kecil dari 0,05 maka �0 ditolak dan ��
diterima.
Dari hasil pengolahan data pada Tabel 4.2 dibawah ini, diperoleh besarnya nilai Kolmogorov-Smirnov adalah lebih besar dari 0,05 dan signifikansi pada 0,000. Nilai signifikansi ternyata lebih kecil dari 0,05 maka Ha diterima yang berarti data residual tersebut tidak berdistribusi normal, ini dapat disebabkan oleh adanya data yang outliner, yaitu data yang memiliki nilai yang sangat menyimpang dari nilai data lainnya.
Tabel 4.2
Hasil Uji Normalitas Sebelum Trimming
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 136
Normal Parametersa,b Mean .0000000
Std. Deviation 31291.5205361 3 Most Extreme Differences Absolute .332
Positive .332
Negative -.323
Kolmogorov-Smirnov Z 3.873
Asymp. Sig. (2-tailed) .000
a. Test distribution is Normal. b. Calculated from data.
Beberapa cara mengatasi data outliner yaitu: - Lakukan transformasi data ke bentuk lainnya, - Lakukan trimming, yaitu membuang data outliner,
- Lakukan winsorizing, yaitu mengubah nilai data yang outliner kesuatu nilai tertentu.
Untuk mengubah nilai residual agar normal, peneliti melakukan trimming
(membuang data outliner). Setelah dilakukan pembuangan data yang outliner, jumlah sampel observasi menjadi berjumlah 72 sampel. Kemudian data diuji ulang berdasarkan asumsi normalitas, berikut ini hasil pengujian dengan
Kolmogorov-Smirnov:
Tabel 4.3
Hasil Uji Normalitas Setelah Trimming
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 72
Normal Parametersa,b Mean .0000000
Std. Deviation 1296.07397894 Most Extreme Differences Absolute .143
Positive .143
Negative -.094
Kolmogorov-Smirnov Z 1.212
Asymp. Sig. (2-tailed) .106
a. Test distribution is Normal. b. Calculated from data.
Sumber: Output SPSS
Dari hasil pengolahan data pada Tabel 4.3 diperoleh besarnya nilai
Kolmogorov-Smirnov adalah 1,212 dan nilai signifikansi variabel lebih besar dari 0,05 maka �0 diterima yang berarti data residual berdistribusi normal. Data yang
berdistribusi normal tersebut juga dapat dilihat melalui garfik p-plot data pada Gambar 4.2 berikut.
Gambar 4.2 Grafik Normal P-plot
Sumber: Output SPSS
Pada grafik normal P-plot terlihat bahwa titik-titik menyebar mengikuti garis diagonal, serta penyebarannya mengikuti garis diagonal. Grafik ini menunjukkan bahwa model regresi mengikuti asumsi normalitas dan ini sejalan dengan uji statistik Kolmogorov-Smirnov.
4.3.2 Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah terdapat korelasi antar variabel independen dalam model regresi. Jika pada model regresi terjadi multikolinearitas, maka koefisien regresi tidak dapat ditaksir dan nilai standard error menjadi tidak terhingga. Menurut Nugroho (2005:58), “deteksi multikolinearitas pada suatu model dapat dilihat, yatu jika nilai Variance Inflation Factor (VIF) tidak lebih dari 10 maka model dapat dikatakan terbebas dari multikolinearitas.”
Tabel 4.4
Hasil Uji Multokolinearitas
Coefficient Correlationsa Model DPS NPM 1 Correlations DPS 1.000 -.328 NPM -.328 1.000 Covariances DPS 14.484 -4740.556 NPM -4740.556 14420950.050 a. Dependent Variable: Harga_Saham
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 592.119 327.048 1.810 .075
NPM -346.990 3797.493 -.009 -.091 .927 .892 1.121 DPS 22.328 3.806 .600 5.867 .000 .892 1.121 a. Dependent Variable: Harga_Saham
Sumber: Output SPSS
tidak ada korelasi antara variabel independen. Hasil perhitungan nilai Variance Inflation Factor (VIF) juga menunjukkan hal yang sama tidak ada satu variabel independen yang memiliki nilai VIF lebih dari 10. Jadi dapat disimpulkan bahwa tidak ada multikolinearitas antar variabel independen dalam model regresi.
4.3.3 Uji Heterokedastisitas
Menurut Ghozalli (2011), uji heterokedastisistas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Jika variance dari residual satu pengamatan yang lain tetap, maka disebut Homokedastisitas dan jika berbeda disebut Heterokedastisitas. Model regresi yang baik adalah yang Homokedastisitas atau tidak terjadi Heterokedastisitas. Kebanyakan data cross section mengandung situasi heterokedastisitas karena data ini menghimpun data yang mewakili berbagai ukuran.
Cara untuk mendeteksi ada atau tidaknya heterokedastisitas adalah dengan melakukan Uji Park. Park mengemukakan metode bahwa variance (S2) merupakan fungsi dari variabel-variabel independen yang dinyatakan dalam persamaan sebagai berikut:
σ2i = α Xiβ
persamaan ini dijadikan linier dalam bentuk persamaan logaritma sehingga menjadi :
Ln σ2i = α + β LnXi + vi
Karena S2i umumnya tidak diketahui, maka dapat ditaksir dengan menggunakan residual Ut sebagai Proksi, sehingga persamaan menjadi :
LnU2i = α + β LnXi + vi
Uji Park dilakukan dengan melakukan regresi variabel logaritma natural dari kuadrat residual (LnU2i) dengan variabel logaritma natural NPM dan variabel logaritma natural variabel DPS, sehingga persamaan regresi menjadi :
LnU2i = b0 + b1 LnNPM + b2 LnDPS
Apabila koefisien parameter beta dari persamaan regresi tersebut signifikan secara statistik, hal ini menunjukkan bahwa dalam data model empiris yang diestimasi terdapat heterokedastisitas, dan sebaliknya jika parameter beta tidak signifikan secara statistik, maka asumsi homokedastisitas pada data model empiris tersebut tidak dapat ditolak.
Tabel 4.5 Hasil Uji Park
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) 12.753 .414 30.828 .000 NPM -4.800 4.804 -.120 -.999 .321 DPS .014 .005 .355 2.957 .004
a. Dependent Variable: LnU2i
Sumber: Output SPSS
Hasil tampilan Tabel 4.5 diatas menunjukkan koefisien untuk variabel independen tidak ada yang signifikan secara statistik, maka dapat disimpulkan bahwa model regresi tidak terdapat heterokedastisitas.