c. Uji Autokorelasi
Pengujian autokorelasi bertujuan untuk menguji apakah terdapat korelasi antara kesalahan pengganggu pada suatu periode dengan
kesalahan pengganggu periode sebelumnya dalam model regresi. 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 dilakukan untuk mendeteksi ada tidaknya autokorelasi adalah dengan melakukan pengujian Durbin Watson
DW. Pengambilan keputusan ada tidaknya autokorelasi menurut Ghozali 2005 dapat dilihat dalam Tabel 4.7 berikut:
Tabel 4.7 Kriteria Pengambilan Keputusan Uji Durbin Watson
Hipotesis Nol Keputusan
Jika
Tidak ada autokorelasi positif Tolak
0 d dl Tidak ada autokorelasi positif
No Decision dl
≤ d ≤ du Tidak ada korelasi negatif
Tolak 4 – dl d 4
Tidak ada korelasi negatif No Decision
4 – du ≤ d ≤ 4
– dl Tidak ada autokorelasi positif
atau negatif Tidak
Ditolak du d 4 –
du
Tabel 4.8 berikut ini merupakan Hasil Uji Autokorelasi Durbin Watson dengan menggunakan program SPSS versi 18.0 :
Tabel 4.8 Hasil Uji Autokorelasi
Model Summary
b
Model R
R Square
Adjusted R Square
Std. Error of the Estimate
Durbin- Watson
1 .956
a
.915 .907
.66629 1.560
a. Predictors: Constant, LN_EPS, LN_DER, LN_ROA, LN_NPM, LN_ROE
b. Dependent Variable: LN_HS
Dari Hasil Uji Autokorelasi pada Tabel 4.8 di atas menunjukkan nilai statistik Durbin Watson Dw sebesar 1.560. Nilai ini akan kita
bandingkan dengan nilai tabel dengan menggunakan signifikansi 5, jumlah sampel n = 62, dan jumlah variabel independen k = 5, maka
berdasarkan tabel Durbin Watson didapat nilai batas atas du sebesar 1.8066 dan nilai batas bawah dl sebesar 1.3854. Oleh karena itu, nilai
Dw lebih besar dari 1.8066 dan lebih kecil dari 4 – 1.8066 atau dapat dinyatakan bahwa 1.8066 1.560 4 - 1.8066 du d 4 – du. Dengan
demikian dapat disimpulkan tidak terdapat autokorelasi baik positif maupun negatif.
d. Uji Heteroskedastisitas
Uji Heteroskedastisitas bertujuan untuk menguji apakah terjadi ketidaksamaan variabel dari residual satu pengamatan ke pengamatan lain
dalam model regresi. Model regresi yang baik adalah tidak terjadi heteroskedastisitas, menurut Ghozali 2005 dapat dilihat dari grafik
Scatterplot antara nilai prediksi variabel dependen yaitu ZPRED dengan residualnya SRESID. Jika ada pola tertentu seperti titik-titik yang ada
membentuk pola tertentu yang teratur, maka telah terjadi
heteroskedastisitas. Sebaliknya jika tidak ada pola yang jelas, serta titik- titik menyebar maka tidak terjadi heteroskedastisitas.
Hasil dari uji heteroskedastisitas dapat dilihat pada grafik scatterplot pada Gambar 4.3 berikut ini :
Gambar 4.3 Grafik Scatterplot
Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y,
sehingga dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi. Adanya titik-titik yang menyebar menjauh dari titik-titik
yang lain dikarenakan adanya data observasi yang sangat berbeda dengan
data observasi yang lain . Hasil tampilan output SPSS ini dengan jelas menunjukkan tidak ada indikasi terjadi heteroskedastisitas.
3. Analisis Regresi
Dari hasil pengujian asumsi klasik disimpulkan bahwa bahwa model regresi yang dipakai dalam penelitian ini telah memenuhi model estimasi
yaitu Best Linear Unbiased Estimator BLUE dan layak dilakukan analisis regresi. Untuk menguji hipotesis, peneliti menggunakan analisis regresi
berganda. Berdasarkan hasil pengolahan data dengan program SPSS 18, maka diperoleh hasil sebagai berikut:
a. Persamaan Regresi
Dalam pengolahan data dengan menggunakan regresi linear, dilakukan beberapa tahapan untuk mencari hubungan antara variabel
independen dan variabel dependen, melalui pengaruh LN_ROA, LN_ROE, LN_NPM, LN_DER, LN_EPS terhadap LN_HS. Hasil
regresi dapat dilihat pada tabel 4.10 berikut ini:
Tabel 4.9 Analisis Hasil Regresi
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity
Statistics B
Std. Error
Beta Tolerance VIF
1 Constant 2.380 .619
3.845 .000 LN_ROA
.100 .138
.046 .727 .470
.378 2.645 LN_ROE
-.090 .239
-.042 -.377 .708
.124 8.047 LN_NPM
-.225 .232
-.085 -.972 .335
.199 5.030 LN_DER
.127 .141
.071 .895 .375
.240 4.160 LN_EPS
.936 .056
.994 16.617 .000 .426 2.346
a. Dependent Variable: LN_HS Berdasarkan tabel di atas, didapatlah persamaan regresi sebagai
berikut:
LN_HS = 2,380+ 0,100 LN_ROA - 0,090 LN_NPM - 0,225 LN_NPM + 0,127 LN_DER + 0,936 LN_EPS + e
Atau,
Y = 2,380+ 0,100X
1
- 0,090X
2
- 0,225X
3
– 0,127X
4
Keterangan :
+ 0,936 LN_EPS + e
1 Konstanta sebesar 2,380 menunjukkan bahwa apabila tidak ada
variabel independen X1 = 0, X2 = 0, X3 = 0 dan X4 = 0 maka harga saham sebesar 2,380.
2 b
1
sebesar 0,100 menunjukkan bahwa setiap kenaikan dari Return on Assets sebesar 1 akan diikuti oleh kenaikan harga saham
sebesar 0,100 dengan asumsi variabel lain tetap. 3
b
2
sebesar 0,090 menunjukkan bahwa setiap kenaikan Return on Equity sebesar 1 akan diikuti oleh penurunan harga saham
sebesar 0,090 dengan asumsi variabel lain tetap.
4 b
3
sebesar 0,225 menunjukkan bahwa setiap kenaikan Net Profit Margin sebesar 1 akan diikuti oleh penurunan harga saham
sebesar 0,225 dengan asumsi variabel lain tetap. 5
b
4
sebesar 0,127 menunjukkan bahwa setiap kenaikan Debt to Equity Ratio sebesar 1 akan diikuti oleh kenaikan harga saham
sebesar 0,127 dengan asumsi variabel lain tetap. 6
b
5
sebesar 0,936 menunjukkan bahwa setiap kenaikan Earning Per Share sebesar 1 akan diikuti oleh kenaikan harga saham sebesar
0,936 dengan asumsi variabel lain tetap.
b. Analisis Koefisien Korelasi dan Koefisien Determinasi
Kategori