lxxxvi d. Lembaga bursa yang berwibawa, transparan, memiliki integritas tinggi
sebagai Centre of Competence and Exellence di pasar modal. e. Meningkatkan kualitas produk dan layanan jasa terbaik melalui
pemberdayaan SDM.
B. HASIL DAN PEMBAHASAN
1. Pengujian Asumsi Klasik
Uji asumsi klasik diperlukan agar model regresi yang diperoleh memenuhi kriteria BLUE best linier unbiased estimator. Adapun uji asumsi
klasik meliputi normalitas, multikolinearitas, heteroskedastisitas, dan autokorelasi.
1.1 Uji Asumsi Klasik Model Regresi Linear Persamaan 1
• Variabel Dependen: Return Saham
Variabel Independen: Karakteristik Perusahaan, Industri dan Ekonomi Makro
a. Uji Normalitas Data Uji normalitas data bertujuan untuk mengetahui apakah dalam model
regresi, variabel dependen dan variabel independen keduanya mempunyai distribusi normal ataukah tidak. Untuk mendeteksi normalitas data suatu
model regresi dapat diidentifikasikan dari grafik scatter plot. Model regresi yang baik adalah yang memiliki distribusi normal atau mendekati normal.
lxxxvii Hasil pengujian penelitian ini, berdasarkan pengaruh karakteristik perusahaan,
industri, dan ekonomi makro terhadap return saham syariah adalah sebagai
berikut: Gambar 4.1
Hasil Uji Normalitas Pada Saat Masih Ada Outlier
Observed Cum Prob
1.0 0.8
0.6 0.4
0.2 0.0
E x
p e
c te
d C
u m
P ro
b
1.0 0.8
0.6 0.4
0.2 0.0
Normal P-P Plot of Regression Standardized Residual Dependent Variable: Return
Sumber : Output SPSS
Dari hasil scatter plot di atas dapat diketahui bahwa data tersebut tidak terdistribusi normal karena titik-titik yang menyebar tidak berada di sekitar
garis diagonal. Agar dapat memenuhi asumsi normalitas data, dimana nilai-nilai outlier
telah dikeluarkan sehingga mendapatkan observasi sebanyak 138. Outlier adalah nilai yang terpisah dari kumpulan observasi yang dapat bernilai sangat
lxxxviii besar atau sangat kecil. Tujuannya adalah untuk menentukan atau
mengevaluasi kesahihan suatu model, baik untuk melihat pelanggaran terhdapa asumsi maupun untuk melihat penyimpangan nilai prediksi terhadap
nilai sesungguhnya Nachrawi dan Usman, 2006:135. Hasil dari uji normalitas data setelah dilakukan pembuangan terhadap
outlier dapat dilihat pada tabel di bawah ini:
Gambar 4.2 Hasil Uji Normalitas Setelah Tidak Ada Outlier
Observed Cum Prob
1.0 0.8
0.6 0.4
0.2 0.0
E x
p e
c te
d C
u m
P ro
b
1.0 0.8
0.6 0.4
0.2 0.0
Normal P-P Plot of Regression Standardized Residual
Dependent Variable: Return
Sumber : Output SPSS
Dari hasil scatter plot di atas dapat diketahui bahwa data tersebut telah terdistribusi normal karena titik-titik yang menyebar berada di sekitar garis
lxxxix diagonal. Sehingga penelitian ini dapat dikatakan telah memenuh asumsi
normalitas data.
b. Uji Multikolinieritas Pengujian terhadap gejala multikolenieritas berguna untuk mengetahui
apakah ada hubungan linear sempurna antara beberapa atau semua variabel independen yang dipergunakan dalam model regresi penelitian ini. Untuk
mengetahui apakah antara variabel independent mempunyai kolinieritas yang kuat atau tidak, digunakan Variance Inflation Factor VIF dan Tolerance
TOL. Jika tolerance value di bawah 0,10 dan nilai VIF di atas 10 maka terjadi multikolenieritas.
Tabel 4.1 Hasil Uji Multikolinieritas
Independen Tolerance
VIF Keterangan
EPS
0,849 1,178
Tidak terjadi Multikolinieritas
DER
0,673 1,487
Tidak terjadi Multikolinieritas
ROE
0,598 1,673
Tidak terjadi Multikolinieritas
Jenis Industri
0,909 1,100
Tidak terjadi Multikolinieritas
Ukuran Industri
0,926 1,080
Tidak terjadi Multikolinieritas
Inflasi
0,721 1,387
Tidak terjadi Multikolinieritas
Kurs
0,607 1,648
Tidak terjadi Multikolinieritas
PDB
0,750 1,333
Tidak terjadi Multikolinieritas
a Dependent Variable: Return
Sumber : Output SPSS
xc Tabel di atas memperlihatkan hasil pengujian multikolinieritas. Hasil
pengujian tersebut menunjukkan bahwa dalam model regresi tidak terjadi multikolinieritas. Hal ini ditunjukkan dengan tolerance value masing-masing
variabel berada di atas 0,10 dan nilai VIF berada di bawah 10. Dengan demikian model regresi dalam penelitian ini terbebas dari gelaja
multikolinieritas.
c. Uji Autokorelasi Uji autokorelasi ini dilakukan untuk mengetahui apakah ada korelasi
antara anggota seperangkat data observasi yang diurutkan waktu time series. Untuk mengetahui ada tidaknya gejala autokorelasi digunakan metode Durbin
Watson Test D-W Test. Kriteria pengujian adalah apabila nilai D-W terletak
antara 1,5 – 2,5 maka tidak terjadi gejala autokorelasi.
Tabel 4.2 Hasil Autokorelasi
Model Summaryb
Model R
R Square Adjusted R Square
Std. Error of the Estimate
Durbin- Watson
1 ,405a
,164 ,113
,10769 1,895
a Predictors: Constant, EPS, DER, ROE, Jenis Industri, Ukuran Industri, Inflasi, Kurs, PDB b Dependent Variable: Return
Sumber : Output SPSS
Dengan melihat tabel 4.2 diperoleh perhitungan D-W adalah 1,895 sedangkan dari kriteia uji, nilai D-W yang terletak antara 1,5 – 2,5 maka
terbebas dari gejala autokorelasi. Oleh karena hasil perhitungan D-W sebesar
xci 1,895 maka model tersebut tidak mengandung autokorelasi baik positif
maupun negatif.
d. Uji Heteroskedastisitas Heteroskedastisitas adalah variabel pengganggu e1 memiliki varian
yang berbeda dari observasi lainnya. Padahal diharapkan variabel penjelas mempunyai variabel yang konstan untuk mendeteksi ada beberapa metode
seperti metode grafik, glejser, rank spearman, dan Barlett. Program SPSS 15 menyediakan metode grafik menu scatterplot pada menu analyze.
Gambar 4.3 Hasil Uji Heteroskedastisitas Pada Saat Masih Ada Outlier
Regression Standardized Predicted Value
7.5 5.0
2.5 0.0
-2.5
R e
g re
s s
io n
S tu
d e
n ti
ze d
R e
s id
u a
l
8 6
4 2
-2
Scatterplot Dependent Variable: Return
Sumber : Output SPSS
xcii Pada gambar tersebut, terlihat titik-titik menyebar tidak secara acak dan
membentuk suatu pola tertentu, serta tidak tersebar baik diatas maupun di bawah angka nol pada sumby Y. Hal ini mengindikasikan bahwa model
regresi diatas terdapat gejala hetoskedastisitas. Untuk mengatasi permasalahan tersebut, sama halnya dengan pengujian sebelumnya, penulis mengeluarkan
atau tidak mengikutsertakan observasi yang outlier ke dalam model yang akan dibentuk. Sehingga didapatkan hasil sebagai berikut :
Gambar 4.4 Hasil Uji Heteroskedastisitas Setelah Tidak Ada Outlier
Regression Standardized Predicted Value
8 6
4 2
-2
R e
g re
s s
io n
S tu
d e
n ti
z e
d R
e s
id u
a l
4
2
-2
Scatterplot
Dependent Variable: Return
Sumber : Output SPSS
xciii Pada gambar di atas terlihat titik-titik sudah menyebar secara acak dan
tidak membentuk pola tertentu. Hal ini mengindikasikan bahwa tidak terdapat gejala heteroskedastisitas pada model regresi tersebut.
1.2 Uji Asumsi Klasik Model Regresi Linear Persamaan 2
• Variabel Dependen: Beta saham
Variabel Independent: Karakteristik Perusahaan, Industri dan Ekonomi Makro
a. Uji Normalitas Data Uji normalitas data bertujuan untuk mengetahui apakah dalam model
regresi, variabel dependen dan variabel independen keduanya mempunyai distribusi normal ataukah tidak. Untuk mendeteksi normalitas data suatu
model regresi dapat diidentifikasikan dari grafik scatter plot. Model regresi yang baik adalah yang memiliki distribusi normal atau mendekati normal.
Hasil pengujian penelitian ini, berdasarkan pengaruh karakteristik perusahaan, industri, dan ekonomi makro terhadap beta saham syariah adalah sebagai
berikut:
xciv
Gambar 4.5 Hasil Uji Normalitas
Observed Cum Prob
1.0 0.8
0.6 0.4
0.2 0.0
E x
p e
c te
d C
u m
P ro
b
1.0 0.8
0.6 0.4
0.2 0.0
Normal P-P Plot of Regression Standardized Residual
Dependent Variable: Beta
Sumber : Output SPSS
Dari hasil scatter plot di atas dapat diketahui bahwa data tersebut telah terdistribusi normal karena titik-titik yang menyebar berada di sekitar garis
diagonal. Sehingga penelitian ini dapat dikatakan telah memenuh asumsi normalitas data.
b. Uji Multikolinieritas Pengujian terhadap gejala multikolenieritas berguna untuk mengetahui
apakah ada hubungan linear sempurna antara beberapa atau semua variable independen yang dipergunakan dalam model regresi penelitian ini. Untuk
xcv mengetahui apakah antara variabel independent mempunyai kolinieritas yang
kuat atau tidak, digunakan Variance Inflation Factor VIF dan Tolerance TOL. Jika tolerance value di bawah 0,10 dan nilai VIF di atas 10 maka
terjadi multikolenieritas.
Tabel 4.3 Hasil Uji Multikolinieritas
Independen Tolerance
VIF Keterangan
EPS
0,849 1,178
Tidak terjadi Multikolinieritas
DER
0,673 1,487
Tidak terjadi Multikolinieritas
ROE
0,598 1,673
Tidak terjadi Multikolinieritas
Jenis Industri
0,909 1,100
Tidak terjadi Multikolinieritas
Ukuran Industri
0,926 1,080
Tidak terjadi Multikolinieritas
Inflasi
0,721 1,387
Tidak terjadi Multikolinieritas
Kurs
0,607 1,648
Tidak terjadi Multikolinieritas
PDB
0,750 1,333
Tidak terjadi Multikolinieritas
a Dependent Variable: Beta
Sumber : Output SPSS
Tabel di atas memperlihatkan hasil pengujian multikolinieritas. Hasil pengujian tersebut menunjukkan bahwa dalam model regresi tidak terjadi
multikolinieritas. Hal ini ditunjukkan dengan tolerance value masing-masing variabel berada di atas 0,10 dan nilai VIF berada di bawah 10. Dengan
demikian model regresi dalam penelitian ini terbebas dari gelaja multikolinieritas.
xcvi c. Uji Autokorelasi
Uji autokorelasi ini dilakukan untuk mengetahui apakah ada korelasi antara anggota seperangkat data observasi yang diurutkan waktu time series.
Untuk mengetahui ada tidaknya gejala autokorelasi digunakan metode Durbin Watson Test
D-W Test. Kriteria pengujian adalah apabila nilai D-W terletak antara 1,5 – 2,5 maka tidak terjadi gejala autokorelasi.
Tabel 4.4 Hasil Uji Autokorelasi Pada Saat Masih Ada Outlier
Model Summaryb
Model R
R Square Adjusted R
Square Std. Error of
the Estimate Durbin-Watson
1 ,418a
,175 ,140
,3781676 1,482
a Predictors: Constant, PDB, Ukuran Industri, DER, EPS, Jenis Industri, Inflasi , Kurs, ROE b Dependent Variable: Beta
Sumber : Output SPSS
Dengan melihat tabel 4.4 diperoleh perhitungan D-W adalah 1,482 sedangkan dari kriteria uji, nilai D-W yang terletak antara 1,5 – 2,5 maka telah
terjadi gejala autokorelasi. Untuk mengatasi permasalahan tersebut, sama halnya dengan pengujian sebelumnya, penulis mengeluarkan atau tidak
mengikutsertakan observasi yang outlier ke dalam model yang akan dibentuk. Sehingga didapatkan hasil sebagai berikut :
xcvii
Tabel 4.5 Hasil Uji Autokorelasi Setelah Tidak Ada Outlier
Model Summaryb
Model R
R Square Adjusted R
Square Std. Error of
the Estimate Durbin-Watson
1 ,505a
,255 ,214
,22029 1,625
a Predictors: Constant, PDB, Ukuran Industri, DER, EPS, Jenis Industri, Inflasi , Kurs, ROE b Dependent Variable: Beta
Sumber : Output SPSS
Dengan melihat tabel 4.5 diperoleh perhitungan D-W adalah 1,625 sedangkan dari kriteia uji, nilai D-W yang terletak antara 1,5 – 2,5 maka
terbebas dari gejala autokorelasi. Oleh karena hasil perhitungan D-W sebesar 1,625 maka model tersebut tidak mengandung autokorelasi baik positif
maupun negatif.
d. Uji Heteroskedastisitas Heteroskedastisitas adalah variabel pengganggu e1 memiliki varian
yang berbeda dari observasi lainnya. Padahal diharapkan variabel penjelas mempunyai variabel yang konstan untuk mendeteksi ada beberapa metode
seperti metode grafik, glejser, rank spearman, dan Barlett. Program SPSS 15 menyediakan metode grafik menu scatterplot pada menu analyze.
xcviii
Gambar 4.6 Hasil Uji Heteroskedastisitas Pada Saat Masih Ada Outlier
Regression Standardized Predicted Value
4 2
-2
R e
g re
s s
io n
S tu
d e
n ti
z e
d R
e s
id u
a l
4 2
-2 -4
-6
Scatterplot
Dependent Variable: Beta
Sumber : Output SPSS
Pada gambar tersebut, terlihat titik-titik menyebar tidak secara acak dan membentuk suatu pola tertentu, serta tidak tersebar baik diatas maupun di
bawah angka nol pada sumby Y. Hal ini mengindikasikan bahwa model regresi diatas terdapat gejala hetoskedastisitas. Untuk mengatasi permasalahan
tersebut, sama halnya dengan pengujian sebelumnya, penulis mengeluarkan atau tidak mengikutsertakan observasi yang outlier ke dalam model yang akan
dibentuk. Sehingga didapatkan hasil sebagai berikut :
xcix
Gambar 4.7 Hasil Uji Heteroskedastisitas Setelah Tidak Ada Outlier
Regression Standardized Predicted Value
3 2
1 -1
-2 -3
R e
g re
s s
io n
S tu
d e
n ti
z e
d R
e s
id u
a l
2
-2
-4
Scatterplot
Dependent Variable: Beta
Sumber : Output SPSS
Pada gambar di atas terlihat titik-titik sudah menyebar secara acak dan tidak membentuk pola tertentu. Hal ini mengindikasikan bahwa tidak terdapat
gejala heteroskedastisitas pada model regresi tersebut.
2. Hasil Penelitian