1055,9640 dan standar deviasi sebesar 1492,15207 yang berarti variasi data sangat besar, yaitu 141 dari rata-rata.
Secara keseluruhan, data yang digunakan dalam penelitian ini terlihat tidak baik, karena seluruh standar deviasi yang dimiliki kelima
variabel tersebut berada diatas 50 dari nilai rata-ratanya. Hal ini berarti data yang ada tersebar jauh dari angka rata-rata yang dimiliki, untuk itu
dalam pengujian berikutnya akan dibutuhkan transformasi masing-masing data, sehingga karakteristik data menjadi lebih baik untuk digunakan dalam
penelitian.
4.1.2. Uji Asumsi Klasik Hipotesis Pertama Sebelum Transformasi
4.1.2.1.Uji Normalitas Sebelum Transformasi
Tujuan uji normalitas adalah untuk mengetahui apakah dalam suatu model regresi, variabel pengganggu atau residual memiliki
distribusi normal. Terdapat dua cara untuk menguji apakah residual berdistribusi
normal atau tidak, yaitu dengan analisis grafik dan analisis statistik. Uji normalitas dengan analisis grafik dapat dilakukan dengan melihat grafik
histogram dan normal probability plot. Sedangkan analisis statistik dilakukan dengan uji non-parametrik One Sample kolmogorov-Smirnov
K-S dengan membuat hipotesis: Ho : data residual berdistribusi normal
Ha : data residual tidak berdistribusi normal
Universitas Sumatera Utara
Apabila nilai signifikansinya lebih dari 0,05 maka Ho diterima sedangkan jika nilai signifikansinya lebih kecil dari 0,05 maka Ho
ditolak.
Gambar 4.1 Grafik Histogram sebelum data di transformasi
Sumber: hasil olah data SPSS, 2015
Gambar 4.2 Grafik Normal P-P Plot sebelum data di transformasi
Sumber: hasil olah data SPSS, 2015
Universitas Sumatera Utara
Dari gambar 4.1, terlihat bahwa grafik histogram tidak menunjukkan pola distribusi normal, karena menceng ke sebelah kiri
positive skewness. Pada gambar 4.2, titik-titik grafik normal p-plot menyebar di sekitar garis diagonal tetapi penyebarannya jauh dari garis
diagonal sehingga dapat disimpulkan data model regresi tidak normal.
Tabel 4.2 Hasil Uji Kolmogorov-Smirnov Test
sebelum data di transformasi
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 111
Normal Parameters
a,b
Mean 0E-7
Std. Deviation 1355.18037914
Most Extreme Differences Absolute
.227 Positive
.227 Negative
-.147 Kolmogorov-Smirnov Z
2.390 Asymp. Sig. 2-tailed
.000 a. Test distribution is Normal.
b. Calculated from data.
Sumber: hasil oleh data SPSS, 2015 Data yang tidak terdistribusi secara normal juga ditunjukkan oleh
hasil uji Kolmogorov-Smirnov pada Tabel 4.2. Hasil pengujian memiliki nilai signifikansi 0,000 atau 0,05, sehingga data secara positif dapat
dikategorikan tidak normal.
4.1.2.2.Uji Multikolonieritas Sebelum Transformasi
Tujuan uji multikolonieritas yaitu untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas. Secara umum,
Universitas Sumatera Utara
ada dua cara untuk mendeteksi adanya multikolinearitas, yakni dengan melihat nilai tolerance dan variance inflation factor VIF. Nilai cutoff
yang umum dipakai untuk menunjukkan adanya multikolineritas adalah jika tolerance 0,1 dan nilai VIF 10.
Tabel 4.3 Hasil Uji Multikolonieritas Sebelum Data di Transformasi
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity Statistics
B Std. Error
Beta Tolerance
VIF
1 Constant
-26.138 297.863
-.088 .930
NPM 10.009
5.941 .151
1.685 .095
.962 1.040
PER -5.509
3.385 -.151
-1.628 .107
.900 1.111
PBV 576.157
132.573 .395
4.346 .000
.934 1.070
a. Dependent Variable: HS
Sumber: hasil olah data SPSS, 2015 Berdasarkan data olahan pada tabel 4.3, maka dapat dilihat bahwa
semua variabel independen memiliki nilai VIF 10 dan nilai tolerance 0,1. Dengan demikian, maka dapat disimpulkan bahwa tidak terjadi
korelasi di antara variabel-variabel independen yang diuji dalam penelitian ini.
4.1.2.3.Uji Heterokedastisitas Sebelum Transformasi
Tujuan uji heterokedastisitas yaitu untuk menguji apakah dalam model terjadi ketidaksamaan variance dari residual satu pengamatan ke
pengamatan yang lain. Cara untuk menentukan ada atau tidaknya heterokedastisitas adalah dengan melihat grafik scatterplot.
Universitas Sumatera Utara
Gambar 4.3 Grafik
Scatterplot sebelum data di transformasi Sumber: hasil olah data SPSS, 2015
Dari gambar 4.3 terlihat bahwa titik-titik tidak menyebar secara acak baik di atas maupun di bawah angka 0 pada sumbu Y. Hal ini dapat
disumpulkan bahwa terjadi heterokedastisitas pada model regresi, sehingga model regresi tidak layak dipakai untuk memprediksi harga
saham.
4.1.2.4.Uji Autokorelasi Sebelum Transformasi
Pengujian autokorelasi dilakukan untuk melihat apakah dalam suatu model regresi linear terdapat korelasi antar kesalahan pengganggu
pada periode t dengan kesalahan pada periode t-1 periode sebelumnya. Uji autokorelasi dilakukan dengan melihat nilai Durbin-Watson DW.
Bila nilai Durbin-Watson DW terletak diantara terletak antara batas atas
Universitas Sumatera Utara
atau Upper Bound DU dan 4
_
DU, maka dapat disimpulkan tidak ada autokorelasi, positif atau negatif.
Tabel 4.4 Hasil Uji Autokorelasi Sebelum Data di Transformasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .419
a
.175 .152
1374.04691 2.217
a. Predictors: Constant, PBV, NPM, PER b. Dependent Variable: HS
Sumber: hasil data olah SPSS, 2015 Berdasarkan data yang ada pada tabel 4.4, dapat dilihat bahwa
nilai Durbin-Watson adalah sebesar 2,217. Nilai ini akan dibandingkan dengan nilai tabel yang mempunyai nilai signifikansi α = 5, jumlah
sampel n =111 dan jumlah variabel independen k = 3. Berdasarkan tabel Durbin-Watson, maka diperoleh nilai batas atas DU = 1,746 dan
nilai batas bawah DL =1,636 serta nilai 4
_
DU = 2,254. Dengan demikian, maka dapat disimpulkan bahwa tidak terjadi autokorelasi,
sebab nilai DW terletak antara batas atas DU dan 4
_
DU. 1,7462,2172,254.
4.1.3. Uji Asumsi Klasik Hipotesis Pertama Setelah Transformasi