Statistik Deskriptif Pengujian Asumsi Klasik

35 INDF 5.14 6.89 0.90 1.35 575 MYOR 5.78 7.89 0.89 0.54 750 MLBI 5.89 5.90 0.89 0.34 550 SKLT 6.53 6.89 0.73 0.31 750 SMAR 7.33 6.90 0.90 0.55 600 STTP 7.49 5.90 0.36 0.08 370 ULTJ 3.53 5.13 0.57 0.12 650 Sumber : Diolah Peneliti2013

4.2 Statistik Deskriptif

Statistik deskriptif ini memberikan gambaran mengenai nilai minimum, nilai maksimum, serta standar deviasi dalam bentuk tabulasi sehingga mudah dipahami. Tabel 4.5 Statistik Deskriptif Descriptive Statistics N Minimum Maximum Mean Std. Deviation ROI 33 1.99 8.71 4.9264 1.84782 ROE 33 3.65 8.82 6.0894 1.09372 DER 33 2.65 6.78 5.0330 1.02210 LTDtER 33 1.02 1.90 1.7539 .17302 HARGA 33 370.00 800.00 626.8182 125.54144 Valid N listwise 33 Sumber : Output SPSS, 2013 Tabel 4.5 di atas menunjukkan bahwa variabel ROI, ROE, DER, dan LTDtER memiliki nilai minimum positif. Berikut ini perincian data deskriptif yang telah diolah : Universitas Sumatera Utara 36 1. Rata-rata Return On Investment ROI adalah sebesar 4.9264 dengan standar deviasi 1.84782 dan jumlah data observasi sebanyak 33. Nilai ROI tertinggi adalah 8.71 dan ROI terendah adalah 1.99 2. Rata-rata Return On Equity ROE sebesar 6.0894 dengan standar deviasi 1.09372 dan jumlah data observasi sebanyak 33. Nilai ROE tertinggi sebesar 8.82 dan yang terendah adalah 3.65. 3. Rata-rata Debt Equity Ratio DER sebesar 5.0330 dengan standar deviasi 1.02210 dengan data observasi sebanyak 33. Nilai DER tertinggi sebesar 6.78 dan yang terendah sebesar 2.65 4. Rata-rata Long Term Debt Equity Ratio LTDtER sebesar 1.7539 dengan standar deviasi 0.17302 dengan data observasi sebanyak 33. Nilai LTDtER tertinggi adalah 1.90 dan nilai terendahnya 1.02 Serta dari tabel di atas, dapat diketahui bahwa rata-rata harga saham pada penelitian ini sebesar 626.8182 dengan standar deviasi sebesar 125.54144 dan mampu menyentuh hingga harga paling maksimal sebesar 800 atau sebaliknya dapat turun ke harga terendah sebesar 370.

4.3 Pengujian Asumsi Klasik

Pengujian asumsi klasik dalam penelitian ini dilakukan dengan bantuan program statistik. Menurut Ghozali 2006:123 asumsi klasik yang harus dipenuhi adalah : 1. Berdistribusi normal, 2. Non-multikolinearitas, artinya antara variabel independen dalam model regresi tidak memiliki korelasi atau hubungan secara sempurna ataupun mendekati sempurna ataupun mendekati sempurna, Universitas Sumatera Utara 37 3. Non-autokorelasi, artinya kesalahan pengganggu dalam model regresi tidak saling berkorelasi, 4. Homokedastisitas, artinya variance variabel independen dari satu pengamatan ke pengamatan lain adalah konstan atau sama. 4.3.1 Uji Normalitas a. Analisis Grafik Analisis Grafik dapat digunakan dengan dua alat, yaitu grafik histogram dan grafik P-P Plot. Data yang baik adalah data yang memiliki pola distribusi normal. Pada grafik histogram, data yang mengikuti atau mendekati distribusi normal adalah distribusi data dengan bentuk lonceng. Berikut hasil uji normalitas dengan menggunakan analisis grafik berupa kurva histogram yang berbentuk lonceng dengan kemiringan yang cenderung seimbang antara sisi kanan dan kiri, hal ini menunjukkan bahwa data terdistribusi dengan normal. Gambar 4.1 Histogram Dependent Variabel Universitas Sumatera Utara 38 Dan pada grafik P-P Plot di bawah ini, titik-titik terlihat menyebar di sepanjang garis diagonal dan ini menunjukkan data dalam model regresi berdistribusi normal. Gambar 4.2 Grafik Normal P-Plot b. Analisis Statistik Pengujian normalitas data dengan hanya melihat grafik dapat menyesatkan kalau tidak melihat dengan seksama, sehingga kita perlu melakukan uji normalitas data dengan menggunakan statistik agar lebih Universitas Sumatera Utara 39 menyakinkan. Uji normalitas bertujuan untuk mengetahui varians pengganggu atau residual berdistribusi secara normal serta untuk menghindari adanya bias dalam model regresi. Pengujian normalitas data dalam penelitian ini menggunakan uji statistik non-parametrik Kolmogorov-Smirnov K-S, dengan membuat hipotesis: H0 : Data residual berdistribusi normal Ha : Data residual tidak berdistribusi normal Apabila nilai signifikansi lebih besar dari 0.05 maka H0 diterima, sedangkan jika nilai signifikansi lebih kecil dari 0.05 maka H0 ditolak. Tabel 4.6 Hasil Uji Normalitas One-Sample Kolmogorov-Smirnov Test ROI ROE DER LTDtER HARGA N 33 33 33 33 33 Normal Parameters a,,b Mean 4.9264 6.0894 5.0330 1.7539 626.8182 Std. Deviation 1.84782 1.09372 1.02210 .17302 125.54144 Most Extreme Differences Absolute .102 .177 .188 .199 .200 Positive .083 .153 .188 .199 .130 Negative -.102 -.177 -.160 -.196 -.200 Kolmogorov-Smirnov Z .587 1.014 1.081 1.145 1.151 Asymp. Sig. 2-tailed .881 .255 .193 .145 .141 a. Test distribution is Normal. b. Calculated from data. Sumber : Output SPSS, 2013 Dari hasil pengolahan data tersebut, diperoleh bahwa data dalam penelitian ini terdistribusi secara normal, dimana variabel-variabel dalam penelitian ini memiliki hasil uji Normalitas lebih besar dari 0.05. ROI sebesar 0.587, ROE Universitas Sumatera Utara 40 sebesar 1.014, DER sebesar 1.081, dan LTDtER sebesar 1.145. Dengan demikian, H0 diterima. 4.3.2 Uji Heteroskedastisitas Uji Heteroskedastisitas bertujuan untuk menguji terjadinya perbedaan varians residual suatu periode pengamatan ke periode yang lain. Ghozali 2005 : 105 Uji Heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varians 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 scatterplot yang dihasilkan dari pengolahan data menggunakan SPSS 19. Dasar pengambilan keputusannya menurut Ghozali 2005:105 adalah sebagai berikut: a. Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur maka mengindikasikan telah terjadi heteroskedastisitas. b. Jika tidak ada pola yang jelas, serta titik menyebar dibawah angka 0 dan y, maka tidak heteroskedastisitas. Uji ini dilakukan dengan melakukan pengamatan tertentu pada grafik scatterplot , dimana bila ada titik – titik yang menyebar diatas dan dibawah angka 0 pada sumbu Y serta tidak membentuk pola maka tidak terjadi heteroskedastisitas. Universitas Sumatera Utara 41 Gambar 4.3 Grafik Scatterplot Pada Gambar 4.3 tentang grafik scatterplot diatas terlihat titik – titik menyebar secara acak tidak membentuk sebuah pola tertentu yang jelas serta tersebar baik diatas maupun dibawah angka 0 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. 4.3.3 Hasil 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 Universitas Sumatera Utara 42 datanya time series. Untuk mendeteksi masalah autokorelasi dapat dilakukan dengan menggunakan uji Durbin Watson. Mengacu kepada kriteria menurut Triton 2006:158, dengan cara melihat besaran Durbin-Watson sebagai berikut: a. Angka D-W dU, berarti tidak ada autokorelasi. b. Angka D-W dU, berarti ada autokorelasi. c. Jika dLD-WdU, maka tidak dapat dideteksi apakah terjadi autokorelasi atau tidak. Tabel 4.7 Uji Autokorelasi Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .379 a .143 .021 124.21648 2.561 a. Predictors: Constant, LTDtER, ROE, DER, ROI b. Dependent Variable: HARGA Sumber : Output SPSS, 2013 Berdasarkan uji di atas memperlihatkan nilai statistik D-W sebesar 2.561. dengan jumlah variabel bebas k = 4 dan jumlah sampel n = 33, maka dL = 1.25756 dan dU = 1.65110. Oleh karena itu, D-W dU, 2.561 1.65110, yang artinya tidak terjadi autokorelasi dalam penelitian ini. 4.3.4 Hasil Uji Multikolinearitas Pengujian ini bertujuan mengetahui ada tidaknya multikolinearitas antar variabel – variabel independen. Model regresi yang baik seharusnya Universitas Sumatera Utara 43 tidak terjadi korelasi antar variabel independen. Deteksi dilakukan dengan melihat nilai VIF Variable Inflation Factor dan toleransi. Menurut Ghozali 2005 ; 91 untuk melihat ada atau tidaknya multikolinearitas dalam model regresi dapat dilihat dari : a. Nilai tolerance dan lawannya, b. Variance influence factor VIF Kedua ukuran ini menunjukkan setiap variabel independen manakah yang dijelaskan oleh variabel independen lainnya. Tolerance mengukur variabilitas variabel independen yang terpilih yang tidak dijelaskan oleh variabel independen lainnya. Jadi, nilai tolerance yang rendah sama dengan nilai VIF yang tinggi karena VIF=1tolerance. Nilai cutoff yang umum dipakai untuk menunjukkan adanya multikolinearitas adalah nilai tolerance 0,01 atau sama dengan VIF 10. Tabel 4.8 Uji Multikolinearitas Coefficients a Model Collinearity Statistics Tolerance VIF 1 ROI .821 1.218 ROE .928 1.078 DER .875 1.143 LTDtER .943 1.060 a. Dependent Variable: HARGA Sumber : Output SPSS, 2013 Universitas Sumatera Utara 44 Berdasarkan tabel 4.8 diatas dapat dilihat bahwa tidak ada satupun variabel bebas yang memiliki nilai VIF lebih dari 10 dan tidak ada yang memiliki tolerance value lebih kecil dari 0,1. Jadi dapat disimpulkan bahwa penelitian ini bebas dari adanya multikolinearitas. Dari hasil uji ini maka dapat disimpulkan bahwa semua variabel bebas yang dipakai dalam penelitian ini lulus uji gejala multikolineritas.

4.4 Pengujian Hipotesis