2.1.4 Uji Statistik
Tabel 4.3 Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 43
Normal Parameters
a
Mean .0000000
Std. Deviation 1.37485763
Most Extreme Differences Absolute
.101 Positive
.074 Negative
-.101 Kolmogorov-Smirnov Z
.664 Asymp. Sig. 2-tailed
.771 a. Test distribution is Normal.
Sumber: Lampiran vi
Hasil uji Kolmogorov-Smirnov pada penelitian ini menujukkan probabilitas = 0.661. Dengan demikian, data
pada penelitian ini berdistribusi normal dan dapat digunakan untuk melakukan uji hipotesis karena 0.771
0,05.
2.2 Hasil Uji Heteroskedastisitas
Uji Heteroskedastisitas bertujuan untuk menguji terjadinya perbedaan variance residual suatu periode
pengamatan ke periode yang lain. Uji Heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi
terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Model regresi yang
baik adalah tidak terjadi heteroskedastisitas. Cara mendeteksi ada tidaknya gejala heteroskedastisitas adalah
dengan melihat grafik scatterplott yang dihasilkan dari pengolahan data menggunakan program SPSS 16. Dasar
pengambilan keputusannya adalah sebagai berikut: 2.2.1
Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur maka
mengindikasikan telah terjadi heteroskedastisitas. 2.2.2
Jika tidak ada pola yang jelas, serta titik menyebar dibawah angka 0 dan y, maka tidak terjadi
heteroskedastisitas. Uji ini dilakukan dengan mengamati pola
tertentu pada grafik scatterplot, dimana bila ada titik – titik yang menyebar di atas dan dibawah
angka 0 pada sumbu Y serta tidak membentuk pola maka tidak terjadi heteroskedastisitas.
Gambar 4.5 Uji Heteroskedastisitas
scatterplot Sumber: Lampiran vii
Pada gambar 4.5 tentang grafik scatterplot diatas terlihat titik-titik menyebar secara acak tidak
membentuk sebuh pola tertentu yang jelas serta tersebar baik diatas maupun dibawah angka nol
pada sumbu y. Hal ini berarti tidak terjadi heteroskedastisitas pada model regresi sehingga
model regresi layak dipakai untuk melihat pengaruh variabel independen terhadap variabel dependen.
2.3 Uji Autokorelasi
Uji ini bertujuan untuk melihat apakah dalam suatu model linear ada korelasi antar kesalahan pengganggu pada
periode t dengan kesalahan periode t-1 sebelumnya. Model regresi yang baik adalah yang bebas dari autokorelasi. Masalah
autokorelasi umumnya terjadi pada regresi yang datanya time series. Untuk mendeteksi masalah autokorelasi dapat dilakukan
dengan menggunakan uji Durbin Watson. Mengacu kepada pendapat Sunyoto 2009:91, Pengambilan keputusan ada
tidaknya autokorelasi adalah sebagai berikut: 2.3.1
angka D-W dibawah -2 berarti ada autokorelasi positif,, 2.3.2
angka D-W diantara -2 sampai +2 berarti tidak ada autokorelasi,
2.3.3 angka D-W di atas +2 berarti ada autokorelasi negatif.
Tabel 4.4 Hasil Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of
the Estimate Durbin-Watson
1 .428
a
.183 .097
1.44541 1.130
a. Predictors: Constant, LN_MVBEBVE, LN_ROA, LN_CR, LN_ROE b. Dependent Variable: LN_Harga_Saham
Sumber: Lampiran viii
Tabel 4.4 memperlihatkan nilai statistik D-W sebesar 1.130 Angka ini terletak di antara -2 sampai +2, dari pengamatan ini
dapat disimpulkan bahwa tidak terjadi autokorelasi dalam penelitian ini.
2.4 Uji Multikolinearitas