terendah dimiliki oleh PT Catur Sentosa Adiprana Tbk CSAP yaitu sebesar Rp. 180,-.
4.4 Hasil Pengujian
Model regresi linear berganda dapat disebut sebagai model yang baik jika model tersebut dapat memenuhi pengujian asumsi klasik yang terdiri dari uji
normalitas, uji multikolinearitas, uji autokorelasi dan uji heterokedastisitas. 1. Uji Normalitas
Tujuan dari uji normalitas ini adalah untuk mengetahui apakah distribusi sebuah data mengikuti atau mendekati distribusi normal.
a. Analisis Grafik Data yang baik adalah data yang mempunyai pola seperti distribusi
normal yakni tidak menceng ke kiri atau ke kanan.
Gambar 4.1 Histogram Dependent Variable Harga Saham
Sumber: Hasil Olahan SPSS 19.0 for windows
Universitas Sumatera Utara
Gambar 4.1 menunjukkan bahwa grafik histogram memberikan pola distribusi yang tidak menceng ke kiri atau ke kanan. Hal ini berarti
data residual mempunyai distribusi normal. Uji normalitas dapat juga dilakukan melalui grafik normal p-p plot of regression standardized
residual seperti yang disajikan pada Gambar 4.2 sebagai berikut:
Gambar 4.2 Hasil Uji Normalitas Sumber: Hasil Olahan SPSS 19.0
for windows
Gambar 4.2 menunjukkan bahwa titik-titik pada scatter plot sudah mengikuti data di sepanjang garis diagonal. Hal ini menunjukkan
bahwa data residual mempunyai distribusi normal.Uji normalitas dapat juga dilakukan dengan analisis statistik. Analisis statistik memberikan
hasil yang lebih akurat dibandingkan dengan analisis grafik.
Universitas Sumatera Utara
b. Analisis statistik Untuk memastikan data di sepanjang garis diagonal berdistribusi
normal, maka penulis melakukan statistik non-parametric kolmogorv- Smirnov denganmelihat data residualnya apakah berdistribusi normal
atau tidak. Data yang memiliki distribusi normal dapat dilihat pada Tabel 4.7 yang menunjukkan bahwa nilai unstandardized Residual
Asymp. Sig. 2-tailed sebesar 0.488 yang nilainya lebih besar dari taraf nyata α yaitu 0.05 yang artinya data memiliki distribusi normal.
Tabel 4.7 Tabel Hasil Uji Mormalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 42
Normal Parameters
a
Mean .0000000
Std. Deviation 2.32761532E2
Most Extreme Differences Absolute
.129 Positive
.129 Negative
-.077 Kolmogorov-Smirnov Z
.836 Asymp. Sig. 2-tailed
.488 a. Test distribution is Normal.
Sumber: Hasil Olahan SPSS 19.0 for windows
2. Uji Multikolinearitas
Universitas Sumatera Utara
Penelitian yang mengandung Multikolinearitas akan berpengaruh terhadap hasil penelitian sehingga penelitian tersebut menjadi tidak berfungsi. Cara
yang digunakan untuk mendeteksi ada tidaknya Multikolinearitas berdasarkan nilai Tolerence dan VIF. Nilai Tolerence untuk semua
variabel independen lebih besar dari 0.10. Rule of thumb yang digunakan untuk untuk menentukan bahwa nilai tolerance tidak berbahaya terhadap
gejala Multikolinearitas adalah 0.10. Dari nilai VIF diketahui bahwa VIF semua variabel independen kurang dari 5. Rule ofthumb yang digunakan
untuk menentukan bahwa nilai VIF tidak berbahaya adalah kurang dari 5.
Tabel 4.8 Tabel Uji Multikoleniaritas
Sumber: Hasil Olahan SPSS 19.0 for windows
Tabel 4.8 menunjukkan tidak adanya masalah multikolinearitas, dimana hasil uji Variance Inflation Factor VIF DER, EPS, ROA dan
Status Penanaman Modal masing-masing menunjukkan nilai kurang dari 5 VIF5 dan nilai tolerance yang lebih besar dari 0,10. Nilai VIF yang
lebih kecil dari 5 menyatakan bahwa tidak ada masalah multikolinearitas dalam penelitian.
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
Collinearity Statistics B
Std. Error Beta
Tolerance VIF
1Constant 370.431
90.566 4.090
.000 DER
20.412 20.230
.211 1.009
.320 .409
2.446 EPS
-2.007 .531
-.636 -3.782
.001 .631
1.585 ROA
13.147 5.897
.501 2.230
.032 .353
2.830 Status_P.Modal
-165.884 78.244
-.288 -2.120
.041 .969
1.032 a. Dependent Variable: Harga_saham
Universitas Sumatera Utara
3. Uji Autokorelasi Autokorelasi menunjukkan adanya kondisi yang berurutan antara
gangguan atau distribusi yang masuk dalam regresi. Uji autokorelasi bertujuan untuk menguji apakah pada model regresi ditemukan adanya
korelasi antar kesalahan pengganggu pada periode t dengan kesalahan periode t-1. Untuk mendiagnosis adanya gangguan autokorelasi dalam
model dapat dilakukan dengan menggunakan Durbin Watson DW test. Menurut Situmorang, et al. 2008:82 kriteria yang menunjukkan tidak
terjadi autokorelasi adalah sebagai berikut:
Tabel 4.9 Pengambilan Keputusan Durbin Watson
Hipotesis Nol Keputusan
Jika Tidak ada autokorelasi positif
Tolak d dl
Tidak ada autokorelasi positif No decision
dl ≤ d ≤ du
Tidak ada autokorelasi negatif Tolak
4 - dl d 4
Tidak ada autokorelasi negatif No decision
4 - du ≤ d ≤ 4 - dl
Tidak ada autokorelasi, positif atau negatif
Tidak ditolak du
d 4 - du
Sumber: Ghozali 2006:96
n jumlah sampel = 42 k jumlah variabel bebas = 4
Pada tingkat signifikansi 5 diperoleh du = 1,7202 dan dl = 1,3064 du
d 4 – du = 1,7202 1,7390 2,2798 memenuhi kriteria
Tabel 4.10 Tabel Uji Autokorelasi
Model Summary
b
Universitas Sumatera Utara
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .582
a
.339 .268
245.02042 1.739
a. Predictors: Constant, Status_P.Modal, DER, EPS, ROA b. Dependent Variable: Harga_saham
Sumber: Hasil Olahan SPSS 19.0 for windows
Berdasarkan Tabel 4.10 menunjukkan bahwa tidak ada autokorelasi positif atau negatif berarti hipotesis nol diterima sehingga dapat disimpulkan
bahwa tidak terjadi autokorelasi sehingga penelitian layak untuk dilanjutkan
4. Uji Heterokedastisitas
Dalam penelitian ini akan digunakan metode chart Diagram Scatterplot, dengan dasar pemikiran bahwa :
1. Jika ada pola tertentu seperti titik-titik poin-poin, yang ada membentuk suatu pola tertentu yang beraturan bergelombang, melebar, kemudian
menyempit, maka terjadi heteroskedastisitas. 2. Jika ada pola yang jelas, serta titik-titik menyebar keatas dan dibawah 0
pada sumbu Y, maka tidak terjadi heteroskedastisitas
Universitas Sumatera Utara
Gambar 4.3 Hasil Uji Heterodastisitas Sumber: Hasil Olahan SPSS 19.0
for windows
Gambar 4.3 menunjukkan bahwa penyebaran residual cenderung tidak teratur, terdapat beberapa plot yang berpencar dan tidak membentuk pola
tertentu. Maka dapat disimpulkan bahwa tidak terdapat gejala heteroskedastisitas dalam model regresi ini. Uji heteroskedastisitas dapat juga
dilakukan melalui uji glejser yang memberikan hasil yang lebih akurat.
Universitas Sumatera Utara
Tabel 4.11 Tabel Hasil Uji Glejser
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error
Beta 1
Constant 261.693
51.755 5.056
.000 DER
-3.667 11.561
-.075 -.317
.753 EPS
-.496 .303
-.312 -1.636
.110 ROA
-1.083 3.370
-.082 -.321
.750 Status_P.Modal
-76.410 44.714
-.263 -1.709
.096 a. Dependent variable: absut
Sumber: Hasil Olahan SPSS 19.0 for windows
Berdasarkan Tabel 4.11 Hasil tampilan output SPSS menunjukkan Rasio DER, EPS, ROA dan Status Penanaman Modal secara signifikan
mempengaruhi variabel dependen absolute absUt. Hal ini terlihat dari probabilitas signifikansinya di atas tingkat kepercayaan 5 jadi disimpulkan
model regresi tidak mengarah adanya heteroskedastisitas.
4.5 Analisis Data dan Pengujian Hipotesis