Uji Normalitas Uji Autokorelasi

Untuk mendapatkan nilai pemeriksa yang tidak bias dan efisien Best, Linear, Unbiased, EstimatorBLUE, maka penulis perlu melakukan pengujian asumsi klasik sebagai berikut:

1. Uji Normalitas

Uji normalitas dilakukan untuk mengetahui apakah distribusi sebuah data mempunyai distribusi normal atau tidak. Model regresi yang baik adalah model yang berdistribusi normal atau mendekati normal. Setelah dilakukan uji yang pertama, ternyata data tidak normal. Kemudian, penulis menggunakan metode transformasi data untuk menormalkan data penelitian. Salah satu transformasi data yang dapat dilakukan adalah dengan mentransformasikan data ke logaritma natural Ln. Jumlah n pada awalnya adalah 230 berkurang menjadi 178. Adapun metode yang digunakan untuk menguji normalitas adalah dengan menggunakan pendekatan histogram, pendekatan grafik, dan pendekatan Kolmogorov-Smirnov. Sumber: Data diolah, 2013 Universitas Sumatera Utara Gambar 4.1 Histogram Pada Gambar 4.1 terlihat bahwa variabel berdistribusi normal. Hal ini ditunjukkan oleh distribusi data tersebut tidak miring ke kiri atau miring ke kanan, melainkan ke tengah dengan bentuk lonceng. Sumber: Data diolah, 2013 Gambar 4.2 Normal P-P Plot of Regression Standardized Residual Pada Gambar 4.2 dapat dilihat bahwa titik-titik pada scatter plot mengikuti data disepanjang garis diagonal. Hal ini menunjukkan bahwa data berdistribusi normal. Universitas Sumatera Utara Tabel 4.5 One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 178 Normal Parameters a,,b Mean .0000000 Std. Deviation .89636445 Most Extreme Differences Absolute .053 Positive .051 Negative -.053 Kolmogorov-Smirnov Z .703 Asymp. Sig. 2-tailed .706 a. Test distribution is Normal. b. Calculated from data. Sumber: Data diolah, 2013 Berdasarkan uji Kolmogorov-Smirnov terlihat bahwa nilai Asymp.Sig. 2- tailed adalah 0,706 yang lebih besar dari nilai signifikan 0,05. Hal ini berarti variabel residual berdistribusi normal.

2. Uji Autokorelasi

Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode sebelumnya. Model regresi yang baik adalah bebas dari autokerelasi. Uji autokorelasi ini menggunakan Durbin-Watson DW Test. Kriteria pengambilan keputusan pada uji autokolerasi antara lain: a. Jika 0 d dl, berarti tidak ada autokorelasi positif b. Jika dl ≤ d ≤ du, berarti tidak dapat disimpulkan c. Jika 4-dl d 4, berarti tidak ada korelasi negatif Universitas Sumatera Utara d. Jika 4-du ≤ d ≤ 4-dl, berarti tidak dapat disimpulkan e. Jika du d 4-du, berarti tidak terjadi autokorelasi positif atau negatif Tabel 4.6 Hasil Uji Durbin-Watson Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .754 a .568 .560 .904059 2.132 a. Predictors: Constant, LN_DER, LN_EPS, LN_FS b. Dependent Variable: LN_HargaSaham Sumber: Data diolah, 2013 Berdasarkan uji autokolerasi pada Tabel 4.6 diperoleh nilai Durbin-Watson D-W sebesar 2,132. Nilai d dibandingkan dengan nilai dl dan du pada n = 178 dan k = 3 sehingga diperoleh nilai du sebesar 1,7891 dan dl sebesar 1,7206. Hal ini sesuai dengan ketentuan du d 4-du, yaitu 1,7891 2,132 4-1,7891 yang menunjukkan bahwa tidak terjadi autokolerasi positif maupun negatif. 3. Uji Heterokedastisitas Uji heterokedastisitas digunakan untuk menguji apakah sebuah grup mempunyai varians yang sama diantara anggota grup tersebut Situmorang, et. al, 2007. Jika varians sama maka terjadi homoskedastisitas. Sedangkan, jika varians tidak sama, inilah yang disebut dengan heterokedastisitas. Model regresi yang baik adalah yang tidak terjadi heterokedastisitas. Untuk mengetahui ada tidaknya heteroskedastisitas dalam model regresi dapat dilihat pada grafik Scatterplot. Jika titik-titik dalam grafik menyebar dan tidak membentuk pola tertentu, maka tidak terjadi heteroskedastisitas. Universitas Sumatera Utara Sumber: Data diolah, 2013 Gambar 4.3 Scatterplot Berdasarkan gambar scatterplot dapat dilihat bahwa tidak ada pola yang jelas serta titik-titik yang menyebar diatas dan dibawah angka nol pada sumbu Y. Hal ini berarti tidak terjadi heterokedastisitas pada model regresi. Tabel 4.7 Hasil Uji Glejser Coefficients a Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 Constant .732 .204 3.584 .000 LN_EPS .016 .020 .062 .806 .421 LN_FS -.036 .104 -.027 -.351 .726 LN_DER -.014 .040 -.027 -.356 .723 a. Dependent Variable: absut Sumber : Data diolah, 2013 Universitas Sumatera Utara Pada tabel 4.7 diperoleh nilai signifikansi variabel earning per share, debt to equity ratio, dan firm size lebih besar dari tingkat kepercayaan α = 5 . Jadi, dapat disimpulkan bahwa tidak terjadi gejala heteroskedastisitas dalam model regresi ini. 4. Uji Multikolinearitas Uji ini digunakan untuk mengetahui apakah dalam sebuah model regresi terdapat korelasi hubungan diantara variabel bebas dalam model regresi Situmorang, et. al, 2010. Apabila terdapat korelasi antara variabel bebas, maka terjadi multikolinearitas. Sedangkan, apabila tidak terdapat korelasi antara variabel bebas, maka tidak terjadi multikolinearitas. Nilai cutoff yang umum dipakai untuk menunjukkan adanya multikolinearitas adalah tolerance 0.1 sedangkan variance inflation factor VIF 5. Tabel 4.8 Collinearity Statistics Coefficients a Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics B Std. Error Beta Tolerance VIF 1 Constant 4.151 .355 11.680 .000 LN_EPS .528 .035 .749 14.891 .000 .982 1.018 LN_FS .092 .181 .026 .510 .611 .958 1.044 LN_DER -.037 .070 -.027 -.533 .595 .972 1.029 a. Dependent Variable: LN_HargaSaham Sumber: Data diolah, 2013 Uji multikolinearitas menunjukkan bahwa tidak terdapat multikolinearitas pada semua variabel independen, dimana VIF 5 dan nilai tolerance 0,1. Universitas Sumatera Utara

4.2.2.2 Analisis Regresi Linear Berganda