Evaluasi Model Statistik Hasil Penelitian dan Pembahasan

80

4. Uji Autokorelasi

Gejala autokorelasi dideteksi dengan menggunakan uji Durbin -Watson DW. Menurut Ghozali 2013:110 untuk mendeteksi ada tidaknya autokorelasi maka dilakukan pengujian Durbin -Watson DW. Tabel 4.4 Hasil Uji Autokorelasi Model Summary b Mode l R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .881 a .776 .766 .5110491 .712 a. Predictors: Constant, Age of firm, Money Raised, Size of Firm, Market Return, Initial Return b. Dependent Variable: Abnormal Return Sumber: Hasil Penelitian, 2015 Data Diolah Berdasarkan Tabel 4.4 dapat dilihat bahwa nilai DW sebesar 0,712 dimana dari tabel DW k=5 sesuai banyaknya variabel bebas, n=120 pada tingkat signifikasi α=5 maka nilai dl=1.6164, dan du=1.7896. Dikarenakan nilai d=0,712 berada dibawah dl ddl maka dapat disimpulkan terjadi autokorelasi positif.

4.2.3 Evaluasi Model Statistik

Penggunaan model analisis regresi haruslah mengikuti uji asumsi klasik sebagai uji kelayakan model. Setiap model regresi yang dibuat tidak boleh melanggar asumsi-asumsi yang dibuat. Dalam penelitian ini terdapat masalah pada saat uji asumsi autokorelasi. Masalah autokorelasi dapat mengganggu estimasi koefisien regresi yang berakibat tidak tepatnya model yang dibuat. Oleh karena itu pengobatan autokorelasi dilakukan dengan mentransformasikan data Universitas Sumatera Utara 81 kedalam bentuk logaritma natural ln. Sehingga dapat diperoleh model regresi sebagai berikut: LnY = a + b 1 LnX1 + b 2 LnX 2 + b 3 LnX3 + b 4 LnX4 + b 5 Ln X 5 + � Berdasarkan persamaan regresi tersebut maka dapat dilakukan regresi kembali dan menghasilkan output spss sebagai berikut: Tabel 4.5 Hasil Uji Autokorelasi Model Logaritma Natural Ln Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .910 a .828 .810 .44655 1.877 a. Predictors: Constant, LnAge, LnMarReturn, LnMonraised, LnSize, LnIR b. Dependent Variable: LnAbreturn Sumber: Hasil Penelitian, 2015 Data Diolah Tabel 4.5 menunjukkan nilai Durbin Watson dw menjadi 1.877 atau berada diatas du dwdu. Nilai dw tersebut terletak diantara du dw 4-du 1.7896 1.877 2.2104 yang artinya memenuhi kriteria dan tidak lagi terjadi autokorelasi positif maupun negatif. Demikian pula halnya dengan asumsi lainnya setelah melakukan transformasi data maka akan mempengaruhi asumsi-asumsi lainnya karena model regresi berubah menjadi bentuk logaritma natural. Sehingga berdasarkan model regresi logaritma natural Ln maka dapat diperoleh hasil output spss untuk uji asumsi klasik lainnya sebagai berikut: Universitas Sumatera Utara 82 Sumber: Hasil Penelitian, 2015 Data Diolah Gambar 4.4 Hasil Uji Normalitas dengan Model Logaritma Natural Histogram Sumber: Hasil Penelitian, 2015 Data Diolah Gambar 4.5 Hasil Uji Normalitas dengan Model Logaritma Natural Normal P-P Plot Universitas Sumatera Utara 83 Kedua gambar hasil uji normalitas baik histogram maupun normal p-p plot menunjukkan bahwa data dapat dikatakan terdistribusi normal ataupun mendekati normal, dimana bentuk kurva pada histogram masih berbentuk lonceng dan pada grafik normal probability plots, titik-titik menyebar disekitar garis diagonal ataupun mengikuti garis diagonal. Sehingga dapat dikatakan bahwa residual terdistribusi normal. Hal tersebut dibuktikan pula oleh Uji Kolmogorov-Smirnov yang tampak pada tabel berikut ini: Tabel 4.6 Hasil Uji Kolmogorov-Smirnov dengan Model Logaritma Natural Ln One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 56 Normal Parameters a,b Mean .0000000 Std. Deviation .42576649 Most Extreme Differences Absolute .165 Positive .099 Negative -.165 Kolmogorov-Smirnov Z 1.231 Asymp. Sig. 2-tailed .096 a. Test distribution is Normal. b. Calculated from data. Sumber: Hasil Penelitian, 2015 Data Diolah Nilai Kolmogorov-Smirnov sebesar 0.933 dan tidak signifikan pada 0.05 karena p = 0.096 dari 0.05. Jadi kita tidak dapat menolak H0 yang mengatakan bahwa residual terdistribusi secara normal atau dengan kata lain residual berdistribusi normal. Universitas Sumatera Utara 84 Selanjutnya hasil uji multikolinearitas dan uji heteroskedastisitas dapat dilihat melalui hasil output spss sebagai berikut: Sumber: Hasil Penelitian, 2015 Data Diolah Tabel 4.7 menampilkan hasil uji multikoloniearitas dengan model logaritma natural Ln yang mengindikasikan tidak terdapat multikoloniearitas yang serius. Nilai VIF tidak ada yang melebihii 10 VIF10 dan nilai Tolerance tidak ada yang kurang dari 0.10. Hal ini juga menegaskan kembali dari hasil korelasi antar variabel independen tidak ada korelasi yang cukup serius atau mengganggu. Uji asumsi klasik lainnya adalah uji heteroskedastisisas yang bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan variance dari satu residual pengamatan terhadap pengamatan lainnya. Hasil uji ini setelah menggunakan model regresi logaritma natural sedikit berbeda dengan model regresi yang sebenarnya. Hal ini dikarenakan jumlah N pengamatan berkurang seperti yang dapat dilihat pada Gambar 4.6 berikut: Tabel 4.7 Hasil Uji Multikoloniearitas dengan Model Logaritma Natural Ln Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics B Std. Error Beta Tolerance VIF 1 Constant -6.294 1.976 -3.186 .002 LnIR 1.597 .116 1.221 13.760 .000 .438 2.285 LnMonraised .205 .089 .209 2.313 .025 .424 2.358 LnMarReturn -.054 .063 -.052 -.854 .397 .915 1.093 LnSize .002 .022 .007 .085 .933 .449 2.227 LnAge .421 .075 .480 5.600 .000 .470 2.127 a. Dependent Variable: LnAbreturn Universitas Sumatera Utara 85 Sumber: Hasil Penelitian, 2015 Data Diolah Gambar 4.6 Hasil Uji Heteroskedastisitas Model Logaritma Natural Ln Dari grafik scatterplots terlihat titik-titik menyebar secara acak random baik diatas maupun dibawah angka 0 pada sumbu Y. Hal ini dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi. Jadi secara keseluruhan dapat disimpulkan bahwa model regresi yang memenuhi syarat uji asumsi klasik adalah dalam bentuk logaritma natural. Sehingga untuk selanjutnya analisis regresi dapat dilakukan.

4.2.4 Hasil Uji Regresi