52
a. Variabel EPS X
1
memiliki sampel N sebanyak 60, dengan nilai minimum 0.36 nilai maksimum 483.00 dan mean nilai rata-rata
53.3622. Standar deviation variabel ini adalah 87.55221. b.
Variabel PER X
2
memiliki sampel N sebanyak 60, dengan nilai minimum 0,61 nilai maksimum 371.05 dan mean nilai rata-rata
32.0070. Standar deviation variabel ini adalah 65.51868. c.
Variabel DER X
3
memiliki sampel N sebanyak 60, dengan nilai minimum 0,05 nilai maksimum 3.83 dan mean nilai rata-rata
1.0015. Standar deviation variabel ini adalah 0.71921. d.
Variabel NPM X
4
memiliki sampel N sebanyak 60, dengan nilai minimum 0.01 nilai maksimum 3.58 dan mean nilai rata-rata
0.2637. Standar deviation variabel ini adalah 0.46605. e.
Varibel Harga Saham Y memiliki sampel N sebanyak 60, dengan nilai minimum 67.00 dan nilai maksimum 2200.00 serta
mean nilai rata – rata515.0833. Standar Deviation variabel ini adalah 493.17719.
4.2.2 Uji Asumsi Klasik 4.2.2.1 Uji Normalitas
Uji normalitas akan dideteksi melalui dua cara, yaitu analisis grafik histogram dan Normal P-Plots dan analisis statisik Non-Parametrik
Kolmogorov-Smirnov. Uji ini bertujuan untuk menguji apakah dalam model regresi variabel terikat dan variabel bebas, keduanya
mempunyai distribusi normal atau tidak. Model regresi yang baik
Universitas Sumatera Utara
53
adalah memiliki distribusi data normal atau mendekati normal. Untuk mengetahui normalitas adalah dengan menggunakan metode sebagai
berikut : 1.
Analisis Grafik Analisis grafik dilakukan dengan melihat grafik histogram
dan grafik normal probability plot Normal P-Plots berikut ini :
Sumber : Output SPSS, diolah peneliti, 2013
Grafik 4.1 Hasil Uji Normalitas melalui Hitogram
Bila dilihat dari tampilan grafik histogram, distribusi data membentuk lonceng bell-shaped, tidak condong ke kiri maupun
Universitas Sumatera Utara
54
condong ke kanan, sehingga data dengan pola seperti ini memiliki distribusi normal. Akan tetapi jika kesimpulan normal atau
tidaknya data hanya dilihat dari grafik histogram, maka hal ini dapat menyesatkan khususnya untuk jumlah sampel yang kecil.
Metode lain yang digunakan dalam analisis grafik adalah dengan melihat normal probability plot. Jika distribusi data residual
normal, maka garis yang akan menggambarkan data sesungguhnya akan mengikuti garis diagonalnya. Uji normalitas dengan melihat
Normal Probability Plot dapat dilihat pada gambar berikut :
Sumber : Output SPSS, diolah peneliti, 2013
Grafik 4.2 Hasil Uji Normalitas melalui Normal P-Plots
Universitas Sumatera Utara
55
Grafik probabilitas pada gambar di atas menunjukkan data terdistribusi secara normal karena distribusi data residualnya
terlihat mendekati garis normalnya. Tampilan grafik Normal P-Plot menunjukkan bahwa data menyebar di sekitar garis diagonal dan
mengikuti garis arah diagonal, maka persyaratan normalitas telah terpenuhi.
2. Analisis Statistik
Pengujian normalitas data secara analisis statistik dapat dilakukan dengan menggunakan uji kolmogorov – Smirnov. Data
yang berdistribusi normal ditunjukkan dengan nilai signifikansi di atas 0.05 Ghozali, 2006. Analisis statistik dilakukan dengan uji
Non-Parametrik Kolmogorov-Smirnov K-S sebagai berikut:
Tabel 4.3 Hasil Uji Normalitas melalui Kolmogorov-Smirnov
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual N
60 Normal Parameters
a,,b
Mean .0000000
Std. Deviation 7.29539028
Most Extreme Differences
Absolute .149
Positive .110
Negative -.149
Kolmogorov-Smirnov Z 1.154
Asymp. Sig. 2-tailed .139
a. Test distribution is Normal. b. Calculated from data.
Sumber : Output SPSS. Diolah peneliti, 2013.
Universitas Sumatera Utara
56
Berdasarkan tabel diatas menunjukkan bahwa data sudah terdistribusi secara normal. Hal ini ditunjukan nilai Kolmogorov-
SmirnovZ sebesar 1.154 dengan nilai Asymp. Sig 2-tailed sebesar 0.139 atau probabilitas di atas 0.05, maka dapat dinyatakan bahwa
data berdistribusi normal.
4.2.2.2 Uji Multikolinearitas
Menurut Ghozali 2005, pengujian ini dapat dilihat melalui nilai Tolerans dan Varians Inflation Factor VIF. Apabila nilai VIF 10
dan nilai Tolerance 0.1 maka terjadi multikolinearitas dan apabila nilai VIF 10 dan nilai Tolerance 0.1 maka tidak terjadi
multikolineraritas. Hasil uji mutikolinearitas dapat dilihat pada tabel berikut :
Tabel 4.4 Hasil Uji Multikolinearitas
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity Statistics
B Std. Error
Beta Tolerance
VIF 1
Constant 12.241
4.810 2.545
.014 SQRT EPS
1.712 .279
.767 6.135
.000 .688
1.453 SQRT PER
.833 .354
.290 2.355
.022 .711
1.406 SQRT DER
-3.010 3.090
-.116 -.974
.334 .764
1.309 SQRT NPM
-6.291 4.348
-.165 -1.447
.154 .831
1.204
Universitas Sumatera Utara
57
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity Statistics
B Std. Error
Beta Tolerance
VIF 1
Constant 12.241
4.810 2.545
.014 SQRT EPS
1.712 .279
.767 6.135
.000 .688
1.453 SQRT PER
.833 .354
.290 2.355
.022 .711
1.406 SQRT DER
-3.010 3.090
-.116 -.974
.334 .764
1.309 SQRT NPM
-6.291 4.348
-.165 -1.447
.154 .831
1.204 a.
Dependent Variable: SQRT CLOSE PRICE
Sumber : Output SPSS, diolah peneliti, 2013
Dari hasil analisis dan pengujian terhadap keempat variabel bebas tersebut, dapat disimpulkan bahwa tidak terdapat gejala
multikolinearitas. Hal ini dijelaskan oleh hasil perhitungan nilai tolerance tidak ada variabel bebas yang memiliki nilai kurang dari
0,10. Begitu juga dengan hasil perhitungan nilai VIF, diketahui bahwa keempat variabel tersebut memiliki nilai VIF 10, sehingga dapat
disimpulkan bahwa tidak ada multikolinearitas antar variabel bebas dalam model regresi ini.
4.2.2.3 Uji Heteroskedastisitas
Pengujian ini digunakan untuk melihat apakah dalam sebuah model regresi terjadi ketidaksamaan varian dari residual dalam rangkaian
suatu pengamatan ke pengamatan lain. Cara pengujian ini dilakukan dengan melihat grafik scatter plot, dengan analisis data sebagai berikut
Ghozali, 2005 :
Universitas Sumatera Utara
58
1. Jika ada pola tertentu, seperti titik yang ada membentuk pola yang
teratur, maka telah terjadi heterokedastisitas. 2.
Jika tidak ada pola yang jelas, atau titik menyebar di atas dan di bawah angka 0, maka tidak terjadi heterokedastisitas.
Sumber : Output SPSS, diolah peneliti, 2013
Grafik 4.3 Hasil Uji Heteroskedastisitas
Dari grafik scatter plot di atas terlihat bahwa titik-titik menyebar secara acak serta menyebar baik di atas maupun di bawah angka 0
pada sumbu Y. Hal ini berarti bahwa tidak terjadi heterokedastisitas pada model regresi. Dengan demikian, dapat disimpulkan bahwa tidak
terjadi heterokedastisitas sehingga model ini layak dipakai untuk mengetahui pengaruh terhadap Harga Saham pada perusahaan
Property dan Real estate yang terdaftar di Bursa Efek Indonesia BEI berdasarkan masukan variabel independen yaitu Earning Per Share
Universitas Sumatera Utara
59
EPS, Price Earnings Ratio PER, Debt to Equity Ratio DER, dan Net Profit Margin NPM.
4.2.2.4 Uji Autokorelasi
Menurut Ghozali 2005uji autokorelasi bertujuan untuk menguji apakah dalam model regresi linear ada korelasi antara kesalahan
pengganggu pada periode t dengan kesalahan pada periode t-1 atau sebelumnya.Ada beberapa cara yang dapat digunakan untuk
mendeteksi masalah dalam autokorelasi diantaranya adalah dengan uji Durbin-Watson. Namun secara umum dapat diambil patokan sebagai
berikut: 1.
Angka D-W dibawah -2 berarti ada autokorelasi positif 2.
Angka D-W diantara -2 sampai +2 berarti tidak ada autokorelasi 3.
Angka D-W diatas +2 berarti ada autokorelasi negative.
Tabel 4.5 Hasil Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .639
a
.409 .366
7.55602 1.971
a. Predictors: Constant, SQRT NPM, SQRT PER, SQRT DER, SQRT EPS b. Dependent Variable: SQRT CLOSE PRICE
Sumber : Output SPSS, diolah peneliti, 2013
Universitas Sumatera Utara
60
Tabel diatas menunjukkan hasil autokorelasi variabel penelitian. Berdasarkan hasil pengujian diperoleh bahwa tidak terjadi
autokorelasi antar kesalahan penganggu antar periode. Hal ini dilihat dari nilai Durbin-Watson D-W sebesar 1.971. Angka tersebut berada
diantara -2 dan +2, artinya bahwa angka DW lebih besar dari -2 dan lebih kecil dari +2 -2 1.971 +2. Jadi dapat disimpulkan bahwa
tidak ada autokorelasi positif maupun negatif.
4.3 Pengujian Hipotesis 4.3.1 Analisis Regresi