d. Koefisien regresi FIRM SIZE β
3
= 0,001 Artinya jika FIRM SIZE X
3
mengalami kenaikan 1 maka Price Earning Ratio akan mengalami kenaikan sebesar 0,001 satu satuan rupiah dengan asumsi
variabel CURRENT RATIO X
1
, LEVERAGE X
2
serta FIRM SIZE X
3
tetap.
4.3.2. Koefisien Determinasi Berganda R
2
Analisis ini digunakan untuk mengetahui sampai sejauh mana variabel- variabel bebas mampu menjelaskan variabel terikat. Dari analisa perhitungan
komputer diperoleh hasil koefisien korelasi berganda R = 0.183 atau sebesar 18.3 yang menunjukkan bahwa hubungan antara variabel Current Ratio,
Leverage, Firm Size dengan Price Earning Ratio adalah sangat lemah. Koefisien determinasi R
2
= 0,033. Artinya bahwa 3,3 variasi dari variabel Price Earning Ratio Y mampu dijelaskan oleh variabel-variabel bebas yang terdiri dari
CURRENT RATIO, LEVERAGE serta FIRM SIZE. Sedangkan sisanya 97,7 variabel Price Earning Ratio akan dijelaskan oleh variabel selain CURRENT
RATIO, LEVERAGE serta FIRM SIZE yang tidak dibahas dalam penelitian ini. Dapat dilihat dalam tabel sebagai berikut :
Tabel 8 : Hasil R
2
Sumber : Lampiran 2
4.3.3. Analisis Asumsi Klasik
Pengujian asumsi klasik ini perlu dilakukan untuk mengetahui apakah hasil estimasi regresi yang dilakukan betul-betul terbebas dari adanya gejala
multikolinearitas, gejala autokorelasi dan gejala heteroskedastisitas. Hasil pengujian disajikan sebagai berikut :
1. Multikolinearitas
Adanya korelasi variabel independen dalam regresi berganda. Deteksi adanya Multikolinier :
a. Besarnya VIF Variance Inflation Factor dan Tolerance
Jika VIF melebihi angka 10, maka variabel tersebut mengindikasikan adanya multikolinieritas. Gujarati
b. Nilai Eigenvalue mendekati 0 Singgih Santoso
c. Condition Index melebihi angka 15 Singgih Santoso
Dalam pengujian asumsi klasik terhadap analisis regresi linier berganda ini menyatakan bahwa hasil analisis penelitian ini tidak menunjukkan adanya
gejala multikolinieritas dimana nilai VIF pada variabel tidak lebih besar dari 10 maka variabel ini disimpulkan tidak terdapat gejala multikolinieritas
dengan variabel independen lainnya. Dengan nilai VIF untuk Current Ratio X
1
= 1,237, Laverage X
2
= 1,524
,
dan Firm Size X
3
= 1,295
.
.
Tabel 9 : Hasil Uji Multikolinearitas Variabel Tolerance
VIF CURRENT RATIO X
1
,808 1,237 LEVERAGE X
2
,656 1,524
FIRM SIZE X
3
,772 1,295
Sumber: Lampiran 2
2. Heteroskedastisitas
Varian dari residual dari satu pengamatan ke pengamatan lain mempunyai varian yang berbeda. Jika sama namanya Homoskedastisitas. Model regresi
yang baik tidak mempunyai Heteroskedastisitas. Deteksi Adanya Heteroskedastisitas :
a. Dari Scatter Plot Residual: jika ada pola tertentu seperti titik-titik point-
point yang ada membentuk pola tertentu yang teratur bergelombang, menyebar kemudian menyempit
b. Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas 0 pada
sumbu Y, maka tidak terjadi Heteroskedastisitas. c.
Pada regresi linier nilai residual tidak boleh ada hubungan dengan variabel X. Hal ini bisa diidentifikasi dengan cara menghitung korelasi rank
Spearman antara residual dengan seluruh variabel bebas. Rumus rank Spearman adalah :
r
s
= 1 – 6
1 N
N d
2 2
i
Keterangan : d
i
= perbedaan dalam rank antara residual dengan variabel bebas ke-i N = banyaknya data
Pengujian Heteroskedastisitas di sini menggunakan korelasi rank Spearman antara residual dengan seluruh variabel bebas dengan hasil analisis
sbb:
Tabel 10 : Hasil Uji Heteroskedastisitas Nonparametric Correlations
Sumber : Lampiran 2 Hasil analisis menunjukkan bahwa pada variabel untuk Current Ratio X
1
, Laverage
X
2 ,
dan Firm Size X
3
tidak mempunyai korelasi yang signifikan antara residual dengan variabel bebasnya nilai Sig lebih besar dari 0.05,
maka hasil analisis ini dapat disimpulkan semua variabel penelitian tidak terjadi Heteroskedastisitas.
3. Auto Korelasi
Adanya korelasi antara kesalahan pengganggu pada periode t dengan
kesalahan pengganggu periode t-1 sebelumnya. Jika data di atas 15
Deteksi Autokorelasi: a.
Besarnya Angka Durbin Watson Patokan : Angka D-W di bawah –2 ada autokorelasi positif
Angka D-W di atas +2 ada autokorelasi negatif Angka Berada diantara –2 sampai +2 Tidak ada Autokorelasi
atau Membandingkan dengan Tabel Durbin Watson Identifikasi gejala autokorelasi dapat dilakukan dengan kurva di bawah ini :
Gambar 3. Hasil uji Statistik d Durbin – Watson
Menolak Ho Daerah Daerah Menolak
Bukti auto Keragu- Keragu- Ho Bukti
korelasi raguan raguan auto kore-
positif lasi negatif
Menerima Ho atau Ho
atau kedua-duanya dL dU
4-dU 4-dL 4
1,31 1,66 1,993
2,34 2,69
a. Koefisien determinasi berganda R square tinggi
b. Koefisien korelasi sederhananya tinggi.
c. Nilai F hitung tinggi signifikan
d. Tapi tak satupun atau sedikit sekali diantara variabel bebas yang
signifikan.
Untuk asumsi klasik yang mendeteksi adanya autokorelasi di sini dilihat dari hasil analisis yang menunjukkan hasil bahwa nilai Durbin Watson sebesar
1,993, hal ini menunjukkan tidak adanya gejala autokorelasi dari batas bawah atau lower bound dL yaitu 1,31 berarti tidak terdapat gejala auto korelasi.
4. Normalitas
Sebuah model regresi yang variabel Dependen dan Independen atau keduanya mempunyai distribusi normal atau tidak.
Menggunakan uji Kolmogorov-Smirnov dikatakan dengan menggunakan uji ini diperoleh hasil analisis bahwa tidak semua variabel yang diteliti
memiliki distribusi normal jika nilai signifikansinya lebih besar dari 0,05 5. Dengan menggunakan uji ini diperoleh hasil analisis bahwa semua
variabel Price Earning Ratio Y, Current Ratio X
1,
dan firm Size X
3,.
berasal dari populasi yang berdistribusi tidak normal hanya
,
Laverage X
2
yang berdistribusi normal, sehingga dapat disimpulkan Tidak semua data mempunyai distribusi yang normal. Seperti pada tabel normalitas data berikut:
Tabel 11 : Hasil Uji Normalitas
Sumber : Lampiran 2
Dari hasil perhitungan didapat nilai mahal distance sebesar 18.46683 dengan menggunakan uji ini dapat diperoleh hasil analisis bahwa terdapat
outlier karena nilai mahal. Ketidaknormalan dapat diatasi dengan pembuangan outlier pada data. Dari uji outlier pada lampiran, dihasilkan bahwa terdapat
outlier dalam data penelitian sehingga dilakukan eliminasi karena akan mempengaruhi kevalidan hasil penelitian. Dengan demikian dari 40 data 10
perusahaan x 4 tahun, terdapat outlier karena nilai mahal distance 18.46683, yaitu pada case no. 7,24 dan 34 = 22.165 sehingga dieliminasi.
Selanjutnya dilakukan uji outlie sebagai berikut :
Tabel 12 : Uji Outlier
Sumber : Lampiran 2 Setelah dilakukan uji outlier diperoleh hasil olah dat sebagai berikut :
s Sumber : Lampiran 2
Terdapat outlier apabila Mahal. Distance Maximum prob. Dan Jumlah variabel [=CNIINV0.001;5 : dicari melalui Excel] = 18.46683. tidak terdapat
nilai Mahal. Distance Maximum yang lebih kecil dari 18.46683. Berarti tidak terdapat outlier pada data tersebut, oleh karena itu data ini
mempunyai kualitas yang baik dan dapat dilanjutkan untuk diolah lebih lanjut.
4.3.4. Uji Hipotesis Dengan Uji t
