Analisis Statistik .1 Uji Asumsi Klasik
Indonesia Tbk, Bank Pembangunan Jawa Barat dan Banten Tbk, Bank Bumi Arta Tbk, Bank Swadesi Tbk, Bank Mega Tbk, dan Bank Himpunan Saudara 1906
Tbk.
4.2.2 Analisis Statistik 4.2.2.1 Uji Asumsi Klasik
Uji asumsi klasik adalah persyaratan statistik yang harus dimiliki oleh analisis regresi linier berganda.
a Uji Normalitas
Uji normalitas dilakukan untuk menguji apakah dalam sebuah model regresi, variabel independen dan variabel dependen atau keduanya mempunyai
distribusi normal atau tidak. Model yang paling baik adalah distribusi data normal atau mendekati normal. Normalitas data dapat dideteksi dengan
melihat bentuk kurva histogram dengan kemiringan seimbang ke kiri dan ke kanan dan berbentuk seperti lonceng atau dengan melihat titik-titik data yang
menyebar disekitar garis diagonal dan searah mengikuti garis diagonal dari gambar normal P-Plot Nugroho, 2005:23
Universitas Sumatera Utara
Sumber: Hasil olahan SPSS 18.00, 2013 Gambar 4.1
Histogram Dependent Variabel Harga Saham
Gambar 4.1 ini menunjukkan kurva histogram yang memiliki kemiringan seimbang kekiri dan kekanan, atau tidak condong ke kiri maupun ke kanan,
melainkan ke tengah dengan bentuk seperti lonceng. Hal ini memenuhi salah satu syarat uji normalitas data bahwa data berdistribusi normal.
Universitas Sumatera Utara
Sumber: Hasil olahan SPSS 18.00, 2013
Gambar 4.2 Normal P-Plot of Regresion Standarized Residual
Gambar 4.2 ini merupakan kurva P-Plot yang menunjukkan penyebaran titik-titik data di sekitar garis diagonal dan mengikuti arah garis diagonal. Hal ini
berarti data pada variabel yang digunakan, yaitu variabel harga saham, berdistribusi normal.
Penelitian ini menggunakan Uji Statistik non-parametrik One sample Kolmogorov-Smirnov untuk mendapatkan tingkat uji normalitas yang lebih
signifikan. Pada Tabel 4.5 berikut ini, diperoleh nilai Asymp. Sig 2-tailed taraf nyata α, yaitu 0.646 0.05. Hal ini berarti bahwa H
diterima, yang berarti data
residual berasal dari distribusi normal.
Universitas Sumatera Utara
Tabel 4.5
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 51
Normal Parameters Mean
a,b
.0000000 Std. Deviation
1.46995578E3 Most Extreme Differences
Absolute .084
Positive .084
Negative -.082
Kolmogorov-Smirnov Z .598
Asymp. Sig. 2-tailed .867
a. Test distribution is Normal. b. Calculated from data.
Sumber: Hasil Olahan SPSS 18.00, 2013 b
Uji Heteroskedastisitas
Asumsi heteroskedastisitas adalah asumsi dalam regresi dimana varians dari residual tidak sama untuk satu pengamatan ke pengamatan lain. Jika varians
dari residual dari suatu pengamatan ke pengamatan lain tetap, maka disebut homoskedastisitas, dan jika berbeda disebut heteroskedastisitas. Salah satu uji
untuk mengetahui heteroskedastisitas ini adalah dengan melihat penyebaran dari varians residual pada diagram pencar scatter plot.
Universitas Sumatera Utara
Gambar 4.3 Scatterplot Standardized Predicted Value
Pada Gambar 4.3 di atas 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, maka
dianggap tidak terjadi masalah heteroskedastisitas, dan begitu juga sebaliknya.
Universitas Sumatera Utara
Tabel 4.6 Hasil Uji Glejser
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
T Sig.
B Std. Error
Beta 1
Constant 280.879
569.824 .493
.624 Dps
33.006 4.601
.722 7.174
.000 Roi
38983.941 25976.021
.151 1.501
.140 a. Dependent Variable: hrgshm
Berdasarkan Tabel 4.6 berikut ini diperoleh nilai signifikansi variabel tingkat return on investment lebih besar
dari taraf nyata α = 5 dan dividend per share lebih kecil
dari taraf nyata α = 5 . Dengan demikian dapat disimpulkan terjadi gejala heteroskedastisitas dalam model regresi ini sehingga
data ini tidak dapat digunakan untuk melakukan uji hipotesis. Pada penelitian ini penulis menggunakan transformasi data untuk menormalkan data penelitian.
Menurut Searle dan Greene penanggulangan kasus heterokedastisitas dapat dilakukan dengan penaksiran melalui pembobotan weighted Generalized Least
Square Situmorang 2012:119. Setelah dilakukan transformasi, penulis melakukan pengujian ulang terhadap uji normalitas untuk melihat kembali apakah
data penelitian ini telah berdistribusi normal atau tidak. Hasil pengujian normalitas setelah transformasi dapat dilihat sebagai berikut
Universitas Sumatera Utara