Price Earning Ratio PER memiliki nilai minimum sebesar 2,62 kali x dimiliki oleh PT. Elnusa Tbk pada tahun 2011 dan nilai maksimum sebesar 138,19x
dimiliki oleh PT. Bayan Resources Tbk pada tahun 2009. Sementara nilai standar deviasi standard deviation sebesar 22,38744x dengan nilai rata-rata mean 20,1448x.
Debt to Equity Ratio DER memiliki nilai minimum sebesar 0,21 dimiliki oleh PT. Aneka Tambang Persero Tbk pada tahun 2009 dan nilai maksimum sebesar 3,93
dimiliki oleh PT. Radiant Utama Interinsco Tbk pada tahun 2012. Sementara nilai standar deviasi standard deviation sebesar 0,77745 dengan nilai rata-rata mean
0,9669. Suku bunga SBI SBI memiliki nilai minimum sebesar 5,77 sebagai rata-rata
suku bunga SBI pada tahun 2012 dan nilai maksimum sebesar 7,15 sebagai rata-rata suku bunga SBI pada tahun 2009. Sementara nilai standar deviasi standard deviation
sebesar 0,49555 dengan nilai rata-rata mean 6,5000.
4.2.2 Uji Asumsi Klasik
Uji asumsi klasik adalah persyaratan statistik yang harus dipenuhi pada analisis regresi linier berganda yang berbasis Ordinary Least Square OSL. Pengujian asumsi
klasik dilakukan agar hasil regresi memenuhi kriteria Best, Linier, Unbiased, Estimator BLUE. Uji asumsi klasik yang digunakan yaitu: uji normalitas, uji multikolinieritas, uji
heteroskedastisitas, dan uji autokorelasi.
4.2.2.1 Uji Normalitas
Universitas Sumatera Utara
Uji normalitas data digunakan untuk menguji apakah model regresi dalam penelitian antara variabel dependen dengan variabel independen keduanya memiliki
distribusi normal atau tidak. Uji normalitas dilakukan dengan menggunakan pendekatan histogram, pendekatan grafik dengan menggunakan normal probability plot, dan
pendekatan statistik One-Sample Kolmogorov-Smirnov Uji K-S pada uji non parametrik non parametric test. Hasil analisis menggunakan pendekatan histogram dan
grafik ditunjukkan pada Gambar 4.1 dan 4.2 berikut ini.
Sumber: Hasil Penelitian, 2014 data diolah
Gambar 4.1 Hasil Uji Normalitas Histogram
Histogram pada Gambar 4.1 terlihat bahwa variabel berdistribusi normal, hal ini ditunjukkan oleh distribusi data yang tidak menceng ke kiri atau menceng ke kanan
kurvanya berbentuk lonceng.
Universitas Sumatera Utara
Sumber: Hasil Penelitian, 2014 data diolah
Gambar 4.2 Hasil Uji Normalitas P-P Plot
Grafik normal probability plot pada Gambar 4.2 terlihat titik-titik yang mengikuti data disepanjang garis diagonal. Hal ini berarti data berdistribusi normal.
Pengujian dengan metode grafik sering menimbulkan perbedaan persepsi diantara beberapa pengamat, oleh karena itu untuk memastikan apakah data disepanjang garis
diagonal berdistribusi normal, maka dilakukan uji Kolmogorov-Smirnov 1-Sample K-S yang hasilnya tampak pada Tabel 4.2 berikut ini.
Tabel 4.2
Hasil Uji Normalitas Sebelum Transformasi Data One-Sample Kolmogorov-Smirnov
Unstandardized Residual
N 48
Normal Parameters
a,b
Mean .0000000
Std. Deviation 6.37292592E3
Most Extreme Differences Absolute
.230 Positive
.230 Negative
-.161 Kolmogorov-Smirnov Z
1.595
Universitas Sumatera Utara
Asymp. Sig. 2-tailed .012
a. Test distribution is Normal. b. Calculated from data.
Sumber: Hasil Penelitian, 2014 data diolah
Pada Tabel 4.2, hasil analisis menunjukkan nilai Asymp. Sig. 2-tailed sebesar 0,012 berarti mempunyai nilai di bawah 0,05 sehingga dapat dikatakan variabel residual
tidak berdistribusi normal. Oleh karena itu, dilakukan perbaikan data yang tidak normal dengan cara melakukan trnasformasi data dengan mengubah data menjadi natural Ln,
data yang diubah natural Ln adalah Harga Saham, karena perbedaan angka yang terlalu besar antara nilai variabel Harga Saham dengan nilai variabel ROE, EPS, PER, DER,
dan SBI. Setelah data Harga Saham diubah natural Ln dilakukan analisis data yang kedua, hasil analisis One Sample Kolmogorov-Smirnov tampak pada Tabel 4.3 berikut
ini.
Tabel 4.3 Hasil Uji Normalitas Setelah Transformasi Data
One-Sample Kolmogorov-Smirnov
Unstandardized Residual
N 48
Normal Parameters
a,b
Mean .0000000
Std. Deviation 1.08002648
Most Extreme Differences Absolute
.102 Positive
.102 Negative
-.049 Kolmogorov-Smirnov Z
.709 Asymp. Sig. 2-tailed
.695
Universitas Sumatera Utara
a. Test distribution is Normal. b. Calculated from data.
Sumber: Hasil Penelitian, 2014 data diolah
Berdasarkan uji One-Sample Kolmogorov-Smirnov pada Tabel 4.4, menunjukkan besarnya nilai Asymp. Sig. 2-tailed adalah 0,695 berada diatas nilai signifikan 0,05. Hal
ini berarti data residual terdistribusi normal, sehingga dari uji ini diperoleh model regresi memenuhi asumsi normalitas.
4.2.2.2 Uji Multikolinieritas
Uji multikolinieritas bertujuan untuk mengetahui apakah dalam model regresi ditemukan adanya korelasi antar variabel independen. Model regresi yang baik
seharusnya tidak terjadi korelasi diantara variabel independen. Untuk mendeteksi ada atau tidaknya multikolinieritas dapat dilakukan dengan melihat nilai Tolerance dan nilai
Variance Inflation Factor VIF. Dengan ketentuan jika nilai Tolerance 0,1 dan VIF 5, maka tidak terdapat gejala multikolinieritas. Hasil pengujian statistik multikolinieritas
terlihat pada Tabel 4.4 berikut ini.
Tabel 4.4 Hasil Uji Multikolinieritas
Model Collinearity Statistics
Tolerance VIF
1 Constant
ROE 0.799
1.252 EPS
0.839 1.191
PER 0.878
1.138 DER
0.893 1.120
SBI 0.953
1.049 a. Dependent Variable: Saham
Universitas Sumatera Utara
Sumber: Hasil Penelitian, 2014 data diolah
Pada Tabel 4.5 diketahui bahwa nilai tolerance dari masing-masing variabel independen ROE, EPS, PER, DER, dan SBI lebih besar dari 0,1 dan nilai VIF lebih
kecil dari 5, karena nilai VIF tertinggi sebesar 1,252. Sehingga disimpulkan bahwa pada model regresi ini tidak terdapat multikolinieritas antar variabel independen.
4.2.2.3 Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terdapat ketidaksamaan varians dari residual satu pengamatan ke pengamatan lainnya.
Jika varians dari residual satu pengamatan ke pengamatan lain tetap, maka terjadi homoskedastisitas dan jika berbeda maka disebut heteroskedastisitas. Model regresi
yang baik adalah tidak terjadi heteroskedastisitas. Cara untuk melihat apakah heteroskedastisitas atau tidak, dapat dilakukan dengan dua cara yaitu melalui pendekatan
grafik dan pendekatan statistik.
a. Pendekatan Grafik Titik data harus tidak mencerminkan suatu pola yang tidak sistematis atau dapat
dikatakan acak. Gambar grafik pada pengujian heteroskedastisitas tampak seperti berikut ini.
Universitas Sumatera Utara
Sumber: Hasil Penelitian, 2014 data diolah
Gambar 4.3 Hasil Uji Heteroskedastisitas Grafik Scatterplot
Pada Gambar 4.3 terlihat penyebaran titik-titik secara acak dan tidak membentuk suatu pola tertentu yang jelas serta tersebar baik di atas maupun di bawah angka nol 0
pada sumbu Y. Dengan demikian dapat disimpulkan tidak terdapat gejala heteroskedastisitas pada model regresi dalam penelitian ini.
b. Pendekatan Statistik Pendekatan statistik yang digunakan untuk melihat apakah terjadi
heteroskedastisitas atau tidak, dilakukan dengan menggunakan uji Glejser. Berikut ini ditampilkan tabel uji Glejser.
Tabel 4.5 Hasil Uji Heteroskedastisitas Uji
Glejser
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
Universitas Sumatera Utara
B Std. Error
Beta 1
Constant 1.624
1.452 1.118
.270 ROE
.001 .006
.035 .210
.835 EPS
-6.463E-5 .000
-.109 -.666
.509 PER
-.003 .005
-.097 -.608
.547 DER
.163 .144
.179 1.132
.264 SBI
-.139 .219
-.097 -.637
.528 a. Dependent Variable: absut
Sumber: Hasil Penelitian, 2014 data diolah
Pada Tabel 4.5 memperlihatkan bahwa tidak satupun variabel independen ROE, EPS, PER, DER, dan SBI yang signifikan secara statistik mempengaruhi variabel
dependen absolute Ut absut. Hal ini terlihat dari probabilitas signifikansinya di atas tingkat kepercayaan 5, dengan demikian model regresi tidak mengarah adanya
heteroskedastisitas.
4.2.2.4 Uji Autokorelasi
Uji autokorelasi bertujuan menguji apakah dalam sebuah model regresi ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu
pada periode t-
1
periode sebelumnya. Gejala autokorelasi dideteksi dengan menggunakan Durbin Watson test. Hasil pengujian autokorelasi tampak pada tabel
berikut ini.
Tabel 4.6 Hasil Uji Autokorelasi
Durbin Watson
Mo d e l S u m m a ryb
Universitas Sumatera Utara
Model R
R Square
Adjusted R
Square Std.
Error of the
Estimate Durbin-
Watson 1
.755 .570
.518 1.14251
1.957 a. Predictors: Constant, SBI, EPS, DER, PER, ROE
b. Dependent Variable: LN_Saham
Sumber: Hasil Penelitian, 2014 data diolah
Pada Tabel 4.4 menunjukkan nilai statistik Durbin Watson d sebesar 1,957. Nilai tersebut akan dibandingkan dengan nilai tabel dengan menggunakan signifikansi
α
= 5, jumlah sampel n = 48, dan jumlah variabel independen k = 5, maka berdasarkan tabel Durbin Watson diperoleh nilai batas atas du sebesar 1,7725.
Dengan ketentuan kriteria du d 4 – du, maka hasil pengujian 1,7725 1,957 2,2275. Dari hasil tersebut, maka pengujian autokorelasi memenuhi kriteria yang
berarti tidak terjadi autokorelasi positif atau negatif pada model regresi penelitian ini.
4.2.3 Analisis Regresi Linier Berganda