91 melihat pengaruh penambahan variabel bebas, apakah variabel tersebut
mampu memperkuat variasi penjelasan variabel terikat. Adapun perhitungan nilai Adjusted R
2
adalah sebagai berikut: Adjusted R
2
= k
N N
R 1
1 1
2
Dimana : N = banyak observasi
k = banyaknya variabel bebas
8. Pelanggaran Asumsi Dasar Statistik
Pengujian pelanggaran asumsi guna melihat apakah penduka model yang digunakan memenuhi syarat BLUE Best Linear Unbiased
Estimator yaitu yang tidak melanggar asumsi regresi multikolinearitas, heteroskedacity, dan auto korelasi.
a. Uji Heteroskedastisitas
Heterokedastisitas merupakan suatu pelanggaran asumsi dalam persamaan regresi berganda dimana varians dari setiap error dari
variabel bebas tidak konstan dari waktu kewaktu. Heteroskedastisitas menyebabkan hasil estimasi dengan OLS akan menghasilkan
parameter yang bias, tidak efisien meskipun konsisten. Artinya koefisien yang dihasilkan bukan dari varian error terkecil.
Dalam program eviews 7.1 tes untuk melihat apakah terdapat heteroskedastisitas
dalam suatu
persamaan adalah
dengan menggunakan White-test. Penguji ini untuk melihat nilai obsR-
square lebih besar daripada chi-square, maka dalam model tersebut
92 ada masalah heteroskedastisitas. Apabila terdapat masalah ini dalam
model maka dilakukan pengobatan dengan menggunakan model generilazed least square. Dengan menggunakan data panel maka
model diberi perlakuan cross section weight dan white
heteroskedasticity-consistent standart error dan covariance untuk mengantisipasi adanya data yang bersifat heteroskedasticity.
b. Uji Auto Korelasi
Autokorelasi biasanya timbul pada maslah data time series, dimana kesalahan error acak dari suatu observasi tidak hanya
berpengaruh untuk periode tersebut, namun juga yang terjadi pada periode yang akan datang. Masalah autokorelasi ini timbul jika error
term suatu observasi mempunyai korelasi dengan error observasi lain atau dengan kata lain adanya suatu data yang dipengaruhi oleh data
sebelumnya. Masalah autokorelasi dapat dideteksi dari angka durbin Watson
stat, dimana apabila nilai 4DW2 terdapat indikasi negatif serial auto correlation atau DW2 terdapat indikasi positive serial auto
correlations. Salah satu alternative yang dipakai untuk mengetahui masalah autokorelasi dapat digunakan breusch-godfrey serial
correlatin LM test, yang tersedia dalam program eviews.
93
Reject H0
Evidence of Positive
Auto- correlation
Zone of
Indecision Do not reject
H0 or H1 or both
Zone of Indecision
Reject H1 Evidence of
Negative Auto-
Correlation
0 di du
4-du 4-di
4 Sumber : Ghozali, 2012
c. Uji Multikolinearitas
Multikolinearitas adalah suatu gejala pada persamaan regresi dimana terdapat hubungan linier antar variabel bebas dalam
persamaan. Indikasi bahwa suatu model OLS mengalami masalah multikolinearitas ini adalah apabila nilai koefisien determinasi R-
squared yang besar serta uji-F model keseluruhan yang signifikan namun terdapat uji-t variabel bebas yang tidak signifikan. Untuk
mengetahui seberapa parahnya masalah multikolinearitas ini dapat digunkan correlation matrix yang terdapat pada program eviews.
Apabila nilai korelasi variabel independen dalam matriks korelasi melebihi 0,8 maka terdapat masalah multikolinearitas yang parah
dalam model. Untuk mengeliminasi masalah ini agak sulit dikarenakan kita tidak dapat begitu saja menghilangkan variabel
94 independen yang digunakan karena dapat menyebabkan hilangnya
esensi dari model dan menimbulkan bias pada hasil estimasi.
Pelanggaran asumsi klasik terhadap estimasi model fixed effect, hal ini perlu dilakukan agar hasil estimasi telah memenuhi kriteria
BLUE Best Linier Unbiased Estimator. Oleh karenanya, dapat dipastikan model ini terbebas dari multikolinier. Model yang
digunakan juga terbebas dari masalah autokorelasi, karena menurut Nachrowi dan Usman 2006 model data panel tidak membutuhkan
asumsi terbebasnya model dari serial korelasi autokorelasi. Sedangkan untuk masalah heteroskedastik, model telah diestimasi
menggunakan metode GLS White Heteroscedasticity Consistent Standard Error and Covariance sehingga diasumsikan model sudah
bersifat homoskedastik.
G. Operasionalisaisi Variabel Penelitian
Dalam bagian ini akan diuraikan definisi dari masing-masing variabel yang digunakan beserta operasional dan pengukurannya. Adapun operasionalisasi
variabel-variabel tersebut adalah sebagai berikut : 1.
Variabel Dependen a.
Return Saham Return
Return saham pada dasarnya adalah keuntungan yang dinikmati oleh investor atas investasi saham yang dilakukannya. Proksi return
95 saham pada penelitian ini yaitu subsequent return, yaitu merupakan
return bulanan selama satu tahun dimulai 6 bulan setelah tahun fiskal berakhir. Contoh: perusahaan dengan laporan keuangan tahun 2009
maka subsequent return perusahaan yang digunakan dari bulan Juli 2009 sampai dengan Juni 2010 Dhicev, 1998 dalam Utama dan
Lumondang, 2009. Secara matematis return saham dapat diformulasikan sebagai berikut
R
ti
=
1 ti
P 1
- ti
P -
ti P
Dimana : R
ti
= Return realisasi saham i pada periode t Pt
i
= Harga saham i pada akhir periode t
P
ti-1
= Harga saham i pada awal periode t
2. Variabel Independen
