1. Variabel Gross Profit Margin GPM memiliki jumlah sampel
sebanyak 30, nilai minimum 0,315, nilai maksimum 0,636, mean nilai rata-rata sebesar 0,47188, dan Standard Deviation sebesar 0,070493.
2. Variabel Return On Assets ROA memiliki jumlah sampel sebanyak
30, nilai minimum 0,02 nilai maksimum 0,930, mean nilai rata-rata sebesar 0,12559 dan Standart Deviation sebesar 0,175132.
3. Variabel Return on Equity ROE memiliki jumlah sampel sebanyak
30, nilai minimum -0,21, nilai maksimum 0,126, mean nilai rata-rata sebesar 0,03724, dan Standart Deviation sebesar 0,0306666.
4. Variabel Harga Saham memiliki jumlah sampel sebanyak 30, nilai
minimum 105, nilai maksimum 1790, mean nilai rata-rata sebesar 481.57, dan Standart Deviation sebesar 399.453.
5. Jumlah sampel yang digunakan adalah sebanyak 30 sampel.
4.3 Hasil Analisis
4.3.1 Uji Asumsi Klasik
Pengujian asumsi klasik dalam penelitian ini dilakukan dengan bantuan program statistik. Asumsi klasik yang harus dipenuhi adalah:
a. Berdistribusi normal,
b. Non-multikolinearitas, artinya dalam variable indipenden dalam model
regresi tidak memiliki korelasi atau hubugan secara sempurna atau mendekati sempura,
Universitas Sumatera Utara
c. Non-Autokorelasi, artinya kesalahpengganggu dalam model regresi tidak
saling berkorelasi, d.
Heteroskedastisitas, artinya variance variable dari satu independen dari satu pengamatan ke pengamatanlain adalah konstan atau sama-sama.
4.3.1.1 Uji Normalitas
Pengujian normalitas terhadap data dilakukan untuk mengetahui apakah data terdistribusi secara normal atau tidak. Pengujian normalitas data
dalampenelitian ini menggunakan uji statistik non parametric Kolmogorov- Smirnov K-S dengan membuat hipotesis:
H0 : data residual berdistribusi normal, H1 : data residual tidak berdistribusi normal.
Apabila nilai signifikansinya lebih besar dari 0,05 maka H0 diterima,sedangkan jika nilai signifikansinya lebih kecil dari 0,05 maka H0 ditolak.
Hasil uji normalitas dengan menggunakan model Kolmogorov – Smirnov, grafik histogram dan normal probability plot adalah seperti yang ditampilkan
pada gambar 4.1 dan gambar 4.2 :
Universitas Sumatera Utara
Gambar 4.1
Uji Normalitas Data
Sumber : Data sekunder yang telah diolah,2013
Gambar diatas dikatakan normal karena pada kurva tidak terjadi penyebaran ke kanan maupun ke kiri, sehingga dapat disimpulkan residual
memenuhi asumsi normalitas.
Universitas Sumatera Utara
Gambar 4.2 Uji Normalitas Data
Sumber : Data sekunder yang telah diolah,2013
Pendeteksian normalitas dapat dilakukan dengan melihat penyebaran data titik pada sumbu diagonal dari grafik, yaitu jika data titik menyebar disekitar
garis diagonal dan mengikuti arah garis diagonal, hal ini menunjukkan data yang telah terdistribusi normal Ghozali,2005. Pada gambar tersebut terlihat bahwa
penyebaran data titik menyebar di sekitar garis diagonal dan mengikuti arahgaris diagonal, oleh sebab itu dapat dikatakan bahwa data telah terdistribusi dengan
normal.
Universitas Sumatera Utara
Tabel 4.3 Hasil Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardiz ed Residual
N 30
Normal Parameters
a,b
Mean .0000000
Std. Deviation 319.9971844
7 Most Extreme
Differences Absolute
.115 Positive
.115 Negative
-.078 Kolmogorov-Smirnov Z
.628 Asymp. Sig. 2-tailed
.825 a. Test distribution is Normal.
b. Calculated from data.
Kriteria pengujian: Pada uji Kolmogorov-Smirnov dengan menggunakan SPSS, data dinyatakan normal apabila Asymp. Sig. 2-tailed 5, sebaliknya,
jika Asymp. Sig. 2-tailed 5 maka data dinyatakan tidak normal. Dari tabel diatas, dapat dilihat nilai Asymp.Sig. 2-tailed adalah 0,825 5, maka data
tersebut dinyatakan berdistribusi normal.
4.3.1.2 Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah pada model regresi ditemukan korelasi antara variabel independent.Jika terjadi korelasi maka terdapat
masalah multikolinearitas sehingga model regresi tidak dapat digunakan.Mendeteksi ada tidaknya gejala multikolinearitas adalah dengan
melihat nilai tolerance dan variance inflation factor VIF, serta menganalisis matrik korelasi variabel-variabel independen. Besarnya tingkat multikolinearitas
yang masih dapat ditolerir, yaitu: Tolerance 0.10, dan nilai Variance Inflation
Universitas Sumatera Utara
Factor VIF 10. Berikut ini disajikan tabel 4.3 hasil pengujian multikolonearitas:
Table 4.4 Hasil Uji Multikolonieritas
Coefficients
a
Model Collinearity Statistics
Tolerance VIF
1 GPM
.967 1.034
ROA .984
1.017 ROE
.962 1.040
a. Dependent Variable: ABS_RES
Berdasarkan pada tabel 4.4 diatas, dapat disimpulkan bahwa tidak terjadi gejala multikolinearitas antara variabel independen yang diindikasikan dari nilai
tolerance setiap variabel lebih besar dari 0,1. Nilai tolerance GPM adalah 0,967, ROA adalah 0,984, dan ROE sebesar 0,962. Nilai VIF dari ketiga variabel
independen juga lebih kecil dari 10 yaitu untuk GPM sebesar 1,034, ROA sebesar 1,017, ROE sebesar 1,040.
Berdasarkan hasil uji korelasi diantara variabel independen dapat dilihat bahwa korelasi antara variabel tersebut relatif tidak tinggi.hal ini menunjukkan tidak
terjadi masalah multikolinearitas.
4.3.1.3 Uji Autokorelasi
Uji ini bertujuan untuk melihat apakah dalam suatu model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pada
periode t-1.Autokorelasi muncul karena observasi yang berurutan sepanjang tahun yang berkaitan satu dengan yang lainnya. Hal ini sering ditemukan pada data time
series. Cara yang dapat digunakan untuk mendeteksi masalah autokorelasi adalah
Universitas Sumatera Utara
dengan menggunakan nilai uji Durbin Watson. Untuk uji Durbin Watson memiliki ketentuan sebagai berikut:
Hipotesis Nol
Keputusan Jika
. Tidak ada autokorelasi positif. . Tidak ada autokorelasi positif.
. Tidak ada autokorelasi negatif. . Tidak ada autokorelasi negatif.
. Tidak ada autokorelasi, positif atau
negatif. Tolak
No decision Tolak
No decision Tidak ditolak
d dl dlddu
–dld –dud –
dl dud ‐du
Tabel 4.5 Hasil Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .599
a
.358 .284
337.955 1.651
a. Predictors: Constant, ROE, ROA, GPM b. Dependent Variable: HargaSaham
Dari tabel Durbin-Watson, dapat dilihat nilai nya = 1.651 5, sehingga Hipotesis Nol ditolak artinya tidak ada autokorelasi positif yang terjadi antara
variabel independent terhadap variabel dependent.
4.3.1.4 Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan
yang lain. Cara mendeteksi ada tidaknya gejala heterokedastisitas adalah dengan melihat grafik scatterplot yang dihasilkan dari pengolahan data menggunakan
program SPSS. Dasar pengambilan keputusan adalah sebagai berikut :
Universitas Sumatera Utara
1 jika ada pola tertentu, seperti titik-titik yang membentuk pola tertentu
yang teratur bergelombang, melebar kemudian menyempit, maka mengidikasikan telah terjadi heterokedastisitas,
2 jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di
bawah angka 0 pada sumbu Y, maka tidak terjadi heterokedastisitas Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi
gejala heteroskedastisitas atau tidak dengan cara mengamati penyebaran titik-titik pada gambar 4.3
Gambar 4.3 Uji Heteroskedastisitas
Sumber : data sekunder yang telah diolah,2013 Dari scatterplot terlihat bahwa titik-titik menyebar secara acak dengan
tidak adanya pola yang jelas serta tersebar baik diatas maupun dibawah angka 0
Universitas Sumatera Utara
pada sumbu Y. Dengan demikian, dapat disimpulkan bahwa tidak terjadi heteroskedastisitas sehingga model ini layak dipakai.
4.4 Pengujian Hipotesis
