Langkah perbaikan yang dilakukan agar distribusi data menjadi normal, salah satunya adalah dengan melakukan transformasi Logaritma Natural Ln. Adapun
data setelah dilakukan tranformasi Logaritma Natural Ln dan pendeteksian outlier sebagai berikut :
Tabel 4.3 Statistik Deskriptif Setelah Transformasi Ln
4.2.2 Uji Asumsi Klasik
Untuk menghasilkan suatu model regresi yang baik, analisis regresi memerlukan pengujian asumsi klasik sebelum melakukan pengujian
hipotesis. Apabila terjadi penyimpangan dalam pengujian asumsi klasik perlu dilakukan perbaikan terlebih dahulu.
Descriptive Statistics
N Minimum Maximum
Mean Std. Deviation ln_HARGASAH
AM 33
1.61 10.83
7.4828 2.25142
ln_CR 33
-.07 2.38
.8943 .57815
ln_BEP 32
-4.56 -.43
-1.7184 .88374
ln_DPR 33
-1.94 -.05
-.7909 .45779
Valid N listwise 32
Universitas Sumatera Utara
4.2.2.1 Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam suatu model regresi, data residual berdistribusi secara normal atau tidak. Dalam penelitian
ini pengujian normalitas data dilakukan secara grafik dan statistik sehingga dapat diketahui secara pasti bagaimana distribusi data yang diperoleh. Data
yang tidak berdistribusi secara normal dalam persamaan regresi maka akan memberikan hasil yang bias. Awalnya, data penelitian ini tidak normal
sehingga perlu ditansformasi bentuk dalam logaritma natural LN. Oleh karena itu, masing-masing variabel penelitian yang digunakan telah
ditransformasi bentuk dalam penulisan ditambah kata LN. Uji statistik yang dapat digunakan untuk menentukan data residual
berdistribusi secara normal atau tidak adalah uji statistik non parametrik Kolmogorov–Smirnov K-S. Data yang berdistribusi normal ditunjukkan
dengan nilai signifikansi di atas 0,05 Ghozali, 2005:165. Berdasarkan tabel 4.4 dibawah, diperoleh besarnya nilai Kolmogorov-Smirnov sebesar 1,173 dan
signifikansi sebesar 0,126. Dari hasil tersebut terlihat bahwa nilai signifikansi 0,05 yaitu sebesar 0,126 sehingga dapat disimpulkan bahwa data
berdistribusi secara normal.
Universitas Sumatera Utara
Tabel 4.4 Uji Kolmogorov – Smirnov
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 32
Normal Parameters
a
Mean .0000000
Std. Deviation 2.23532638
Most Extreme Differences Absolute .207
Positive .107
Negative -.207
Kolmogorov-Smirnov Z 1.173
Asymp. Sig. 2-tailed .128
a. Test distribution is Normal.
Selain menggunakan data signifikansi pada uji Kolmogorov – Smirnov, uji normalitas juga dapat dilakukan dengan analisis grafik. Analisis
grafik yang handal untuk menguji normalitas data adalah dengan melihat normal probability plot dan histogram. Analisis grafik pertama yang
dilakukan adalah dengan menganalisis grafik histogram. Berdasarkan hasil yang ditunjukkan pada Grafik Histogram pada Gambar 4.1 menunjukkan pola
distribusi normal karena grafik tidak melenceng ke kiri maupun melenceng ke kanan. Hasil komputasi dengan bantuan aplikasi SPSS 16.0, menghasilkan
grafik historgram seperti terlihat pada gambar 4.1 dibawah ini:
Universitas Sumatera Utara
Gambar 4.1 Grafik Histogram
Sumber: Output SPSS Uji normalitas yang ketiga juga merupakan analisis grafik dengan
menggunakan grafik probability plot P-P Plot. Distribusi normal akan membentuk satu garis lurus diagonal, dan ploting data akan dibandingkan dengan dengan garis
diagonal. Jika distribusi data adalah normal, maka garis yang menghubungkan data sesungguhnya akan mengikuti garis diagonalnya. Grafik Normal P-P Plot di atas
menunjukkan bahwa data mengikuti dan mendekati garis diagonal, secara kasat mata data dapat dikatakan normal.
Universitas Sumatera Utara
Hasil uji normalitas dengan menggunakan grafik p-p plot dengan menggunakan aplikasi SPSS 16.0, meghasilkan grafik P-P Plot pada Gambar 4.2
dibawah ini:
Gambar 4.2 Grafik Normal P-P Plot
Sumber: Output SPSS
Pada grafik normal P-P Plot terlihat bahwa data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal, maka dapat disimpulkan bahwa
model regresi telah memenuhi asumsi normalitas. Secara keseluruhan, dengan menggunakan metode grafik normal probability plot dan histogram dan statistik
Universitas Sumatera Utara
Kolmogorov-Smirnov dapat dinyatakan bahwa asumsi normalitas dipenuhi dalam penelitian ini.
4.2.2.2 Uji Multikolinieritas Uji multikolinieritas bertujuan untuk menguji apakah terdapat
korelasi antar variabel independen dalam model regresi. Jika pada model regresi terjadi multikolinieritas, maka koefisien regresi tidak dapat ditaksir dan nilai
standard error menjadi tidak terhingga. Adanya Multikolonieritas dapat dilihat dari tolerance value atau nilai variance inflation factor VIF. Untuk mengetahui
ada tidaknya multikolinearitas dapat dilihat dari nilai Variance Imflation Factor VIF dan nilai Tolerance, apabila nilai VIF 10 dan nilai Tolerance 0,1 maka
terjadi multikolinearitas dan apabila nilai VIF 10 dan nilai Tolerance 0,1 maka tidak terjadi multikolineraritas.
Tabel 4.5 Hasil Uji Multikolinieritas
Sumber : Output SPSS
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity
Statistics B
Std. Error Beta
Tolerance VIF 1
Constan t
6.864 1.480
4.640 .000 ln_CR
.728 .789
.186 .923 .364 .840 1.191
ln_BEP .132
.560 .051 .235 .816
.727 1.375 ln_DPR
-.216 1.041
-.044 -.207 .838 .762 1.313
a. Dependent Variable: ln_HARGASAHAM
Universitas Sumatera Utara
Dari data pada tabel 4.5, dapat diketahui bahwa nilai VIF maksimum ketiga variabel independen adalah 1,375 yang berarti bahwa tidak ada satupun
variabel bebas yang memiliki nilai VIF lebih dari 10. Selain itu , nilai minimum tolerance dari kelima variabel independen adalah 0,727 yang berarti bahwa tidak ada
satupun variabel bebas yang memiliki tolerance value lebih kecil dari 0,10. Dengan demikian, dapat disimpulkan bahwa penelitian ini bebas dari adanya
multikolinearitas. 4.2.2.3 Uji Autokorelasi
Pengujian autokorelasi bertujuan untuk menguji apakah terdapat korelasi antara kesalahan pengganggu pada suatu periode dengan kesalahan
pengganggu periode sebelumnya dalam model regresi. Jika terjadi autokorelasi dalam model regresi berarti koefisien korelasi yang diperoleh menjadi tidak
akurat, sehingga model regresi yang baik adalah model regresi yang bebas dari autokorelasi. Cara yang dapat dilakukan untuk mendeteksi ada tidaknya
autokorelasi adalah dengan melakukan pengujian Durbin-Watson D-W. Kriteria untuk penilaian terjadinya autokorelasi yaitu:
1. nilai D-W lebih kecil dari -2 berarti ada korelasi positif,
2. nilai D-W di antara -2 sampai +2 berarti tidak ada autokorelasi,
3. nilai D-W lebih besar dari +2 berarti ada autokorelasi negatif.
Tabel 4.6 berikut menyajikan hasil uji Durbin-Watson dengan menggunakan program SPSS Versi 16.0
Universitas Sumatera Utara
Tabel 4.6 Hasil Uji Autokorelasi.
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .198
a
.039 -.064
2.35203 1.370
a. Predictors: Constant, ln_DPR, ln_CR, ln_BEP b. Dependent Variable: ln_HARGASAHAM
Sumber : Output SPSS Dari hasil tabel di atas diketahui bahwa nilai D-W yang didapat
sebesar 1,370 yang berarti nilai D-W berada diantara -2 dan +2 dan termasuk pada kriteria kedua, sehingga dari hasil uji Durbin-Watson diatas dapat disimpulkan
bahwa model regresi bebas dari masalah autokorelasi. 4.2.2.4
Uji Heteroskedastisitas Uji heteroskedastisitias bertujuan untuk melihat apakah dalam model
regresi terjadi ketidaksamaan variabel dari residual satu pengamatan ke pengamatan yang lain. Model regresi yang baik adalah tidak terjadi heteroskedastistas. Analisis
pada gambar Scatterplot yang menyatakan model regresi linier berganda tidak terdapat heteroskedastisitas jika:
1. titik-titik data menyebar di atas, di bawah atau di sekitar angka 0,
2. titik-titik data tidak mengumpul hanya di atas dan dibawah saja,
2. penyebaran titik-titik data tidak boleh membentuk pola bergelombang melebar
kemudian menyempit dan melebar kembali, 3.
penyebaran titik-titik data sebaiknya tidak berpola.
Universitas Sumatera Utara
Gambar 4.3 Hasil Uji Heteroskedastisitas
Grafik Scatterplot
Sumber : Output SPSS Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara acak
dan menyebar baik diatas maupun ditengah angka 0 pada sumbu Y. Hal ini dapat disimpulkan tidak terjadi heteroskedastisitas pada model regresi. Dengan demikian,
model ini layak dipakai untuk memprediksi harga saham perusahaan berdasarkan masukan variabel independen CR, BEP dan DPR.
Universitas Sumatera Utara
4.2.3 Metode Regresi Berganda