Variabel Earnings per Share X3 dalam penelitian ini diukur dengan laba bersih per lembar saham. Berdasarkan Tabel 5.1 terlihat bahwa rata-rata laba bersih
per lembar saham dalam kurun waktu 2005-2008 adalah sebesar Rp. 534,37.- dengan rata-rata laba bersih per lembar saham tertinggi dan terendah masing-masing
Rp. 41.514.- per lembar dan Rp. 230,76.- per lembar sahamnya. Variabel Price Earnings Ratio X4 dalam penelitian ini diukur dengan harga
saham dibagi dengan jumlah lembar saham yang dimiliki. Berdasarkan Tabel 5.1 terlihat bahwa rata-rata PER dalam kurun waktu 2005-2008 adalah sebesar
Rp. 364,27.- dengan rata-rata PER tertinggi dan terendah masing-masing Rp. 40.516.- per lembar dan Rp. 114,85.- per lembar sahamnya.
Variabel Investment Opportunity Set IOS Ratio X5 adalah set kesempatan investasi. Dalam penelitian ini diukur dengan nilai Total Assets Turnover yang
dimiliki. Berdasarkan Tabel 5.1 terlihat bahwa rata-rata IOS dalam kurun waktu 2005-2008 adalah sebesar 364,27 dengan rata-rata IOS tertinggi dan terendah
masing-masing 2876 dan -34,53.
5.1.2. Uji Asumsi Klasik
Untuk menghasilkan suatu analisis data yang akurat, suatu persamaan regresi sebaiknya terbebas dari asumsi-asumsi klasik yang harus dipenuhi antara lain uji
autokorelasi, normalitas, multikolinearitas dan heteroskedastisitas Ghozali, 2005. 5.1.2.1.
Uji normalitas Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel
terikat dan variabel bebas keduanya memiliki distribusi normal atau tidak. Model
Universitas Sumatera Utara
regresi yang baik adalah memiliki distribusi data normal atau mendekati normal. Untuk melihat normalitas data dapat dilakukan dengan melihat histogram atau normal
probabilitas plot. Berdasarkan hasil pengolahan data SPSS, uji normalitas data dalam penelitian
dapat dilakukan dengan berbagai model normalitas data diantaranya yang ditunjukkan pada Gambar 5.1 berikut:
Model Histogram
Gambar 5.1. Uji Normalitas Data dengan Histogram Sebelum Transformasi
Berdasarkan gambar tersebut, dapat disimpulkan bahwa data yang digunakan tidak terdistribusi normal dengan residualnya. Hal tersebut diketahui poligon
kecenderungan pada sentral garis distribusi normal sehingga dapat disimpulkan data tidak terdistribusi normal Ghozali, 2005.
Universitas Sumatera Utara
Model Grafik P-P Plot
Selain menggunakan model histogram, uji normalitas dapat juga dilakukan dengan menggunakan gambar Grafik P-P Plot. Berdasarkan pada Gambar 5.2
di bawah titik-titik tidak menyebar digaris titik diagonal dengan demikian data tidak
terdistribusi normal.
Gambar 5.2. Normal P-P Plot Sebelum Transformasi
Menurut Ghozali 2005, menyatakan bahwa jika data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal, berdasarkan gambar tersebut maka
model regresi tidak memenuhi asumsi normalitas. Menurut Erlina dan Mulyani 2007 ada beberapa cara merubah model regresi
menjadi normal yaitu dengan cara:
Universitas Sumatera Utara
1. Melakukan transformasi data ke bentuk lain.
2. Melakukan trimming yaitu membuang data outlier.
3. Melakukan winsorizing yaitu merubah nilai data outlier dalam bentuk tertentu.
Pada penelitian ini untuk data yang tidak normal dilakukan dengan melakukan transformasi kedalam bentuk logaritma natural. Adapun hasil setelah dilakukan
transformasi dengan cara melakukan logaritma terhadap data maka diperoleh hasil sebagai berikut:
Model Histogram
Gambar 5.3. Uji Normalitas Data dengan Histogram Sesudah Transformasi
Berdasarkan gambar tersebut, dapat disimpulkan bahwa data yang digunakan normal. Hal tersebut diketahui poligon kecenderungan tidak menceng ke kiri maupun
ke kanan.
Universitas Sumatera Utara
Model Grafik P-P Plot
Berdasarkan pada Gambar 5.2 di bawah titik-titik menyebar digaris titik
diagonal dengan demikian merupakan data normal.
Gambar 5.4. Normal P-P Plot Sesudah Transformasi
Ghozali 2005, menyatakan bahwa jika data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal, maka model regresi memenuhi asumsi
normalitas.
Model Statistik dengan Uji Kolmogorov Smirnov
Selain itu uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel terikat dan variabel bebas keduanya memiliki distribusi normal atau tidak.
Model regresi yang baik adalah memiliki distribusi data normal atau mendekati normal. Uji Normalitas bertujuan untuk melihat apakah model regresi, variabel
Universitas Sumatera Utara
pengganggu atau residual berdistribusi normal. Untuk itu dilakukan uji one sample Kolmogorov Smirnov Test. Adapun hasil pengujian terdapat pada Tabel 5.2 berikut:
Tabel 5.2. Hasil Pengujian One Sample Kolmogorov Smirnov Test Sebelum Transformasi
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 508
Normal Parameters
a,,b
Mean .0000000
Std. Deviation 1.59233396E4
Most Extreme Differences Absolute
.319 Positive
.295 Negative
-.319 Kolmogorov-Smirnov Z
7.196 Asymp. Sig. 2-tailed
.000 a. Test distribution is Normal.
b. Calculated from data.
Sumber: Output SPSS Lampiran 8b
Dari hasil pengujian terlihat pada Tabel 5.2 tersebut terlihat besarnya nilai Kolmogorov-Smirnov adalah 7.196 dan signifikan pada 0.000. Hal ini berarti H
diterima yang berarti data residual tidak terdistribusi normal. Setelah dilakukan transformasi dengan melakukan transformasi dalam bentuk
logaritma maka hasil yang diperoleh sebagai berikut:
Universitas Sumatera Utara
Tabel 5.3. Hasil Pengujian One Sample Kolmogorov Smirnov Test Sesudah Transformasi
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 366
Normal Parameters
a,,b
Mean .0000000
Std. Deviation 1.40513673
Most Extreme Differences Absolute
.063 Positive
.063 Negative
-.028 Kolmogorov-Smirnov Z
1.201 Asymp. Sig. 2-tailed
.112 a. Test distribution is Normal.
b. Calculated from data.
Sumber: Output SPSS Lampiran 8b
Dari hasil pengujian terlihat pada Tabel 5.3 tersebut terlihat besarnya nilai Kolmogorov-Smirnov adalah 1.201 dan signifikan pada 0.112. Hal ini berarti H
ditolak yang berarti data residual berdistribusi normal. 5.1.2.2.
Uji multikolinearitas Multikolinearitas merupakan fenomena adanya korelasi yang sempurna antara
satu variabel bebas dengan variabel bebas lain. Jika terjadi multikolinearitas, akan mengakibatkan timbulnya kesalahan standar penaksir dan probabilitas untuk
menerima hipotesis yang salah semakin besar. Menurut Ghozali 2005 salah satu cara untuk mengetahui adanya multikolinearitas adalah dengan melakukan uji VIF
Variance Inflation Factor yaitu jika VIF tidak lebih dari 10 dan nilai Tolerance tidak kurang dari 0,1 maka model dapat dikatakan terbebas dari multikolinearitas.
Universitas Sumatera Utara
Berdasarkan hasil pengolahan SPSS atas data yang diperoleh, dapat dilihat pada Tabel 5.4 berikut:
Tabel 5.4. Uji Multikolinearitas Sebelum Transformasi
Coefficients
a
Model Collinearity Statistics
Tolerance VIF
1 ROA_X1
.997 1.003
ROE_X2 1.000
1.000 EPS_X3
.089 11.277
PER_X4 .089
11.291 IOS_X5
.996 1.004
a. Dependent Variable: HS_Y
Sumber: Hasil Output SPSS Lampiran 8b
Dari tabel tersebut di atas dapat dilihat bahwa nilai VIF untuk variabel EPS_X3 dan PER_X4 adalah 10 dan Tolerance mendekati 0,1. Hal ini
membuktikan bahwa model regresi yang digunakan dalam penelitian ini terdapat gejala multikolinearitas homoskedastisitas. Setelah dilakukan proses transformasi
maka menghasilkan model berikut:
Tabel 5.5. Uji Multikolinearitas Sesudah Transformasi
Coefficients
a
Model Collinearity Statistics
Tolerance VIF
1 ln_ROA_X1
.885 1.129
ln_ROE_X2 .685
1.460 ln_EPS_X3
.553 1.809
ln_PER_X4 .416
2.402 ln_IOS_X5
.941 1.063
a. Dependent Variable: ln_HS_Y
Sumber: Hasil Output SPSS Lampiran 8b
Universitas Sumatera Utara
Dari tabel tersebut di atas dapat dilihat bahwa nilai VIF untuk masing-masing variabel adalah 10 dan Tolerance tidak kurang dari 0,1. Hal ini membuktikan
bahwa model regresi yang digunakan dalam penelitian ini tidak terdapat gejala multikolinearitas homoskedastisitas.
5.1.2.3. Uji autokorelasi
Gejala Autokorelasi diditeksi dengan menggunakan uji Durbin-Watson DW. Menurut Santoso 2005: 241, untuk mendeteksi ada tidaknya autokorelasi maka
dilakukan pengujian Durbin-Watson DW. Nilai d tersebut selanjutnya dibandingkan dengan nilai d
tabel
dengan tingkat signifikansi 5 dengan df = n-k-1. Dari hasil pengujian terlihat bahwa nilai DW sebesar 1,670, berarti data tidak terkena
autokorelasi.
Tabel 5.6. Nilai Durbin-Watson
Model R
Std. Error of the Estimate
Durbin-Watson 1
.584
a
1.41486 1.670
Sumber: Hasil Output SPSS Lampiran 8 b
Berdasarkan Tabel 5.6 di atas, untuk mengetahui adanya autokorelasi digunakan uji Durbin-Watson, dengan kriteria dari tabel Durbin-Watson terlihat Nilai
DW sebesar 1,670 Untuk mengetahui adanya autokorelasi digunakan uji Durbin- Watson, dengan kriteria menurut Santoso 2005: 219 dengan cara melihat besaran
Durbin-Watson sebagai berikut:
a. Predictors: Constant, ln_IOS_X5, ln_ROA_X1, ln_EPS_X3, ln_ROE_X2, ln_PER_X4 b. Dependent Variable: ln_HS_Y
Universitas Sumatera Utara
1. Angka D-W di bawah -2, berarti ada autokorelasi positif.
2. Angka D-W di antara -2 sampai +2, berarti tidak ada autokorelasi.
3. Angka D-W di atas +2, berarti ada autokorelasi negatif.
Hasil uji autokorelasi di atas menunjukkan nilai statistik Durbin-Watson D- W sebesar 1,550. Oleh karena itu, nilai DW dalam rentang nilai -2 dan lebih kecil
dari 2 -2 1,670 2 maka disimpulkan bahwa tidak terjadi autokorelasi baik positif maupun negatif.
5.1.2.4. Uji heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dari model regresi terjadi ketidaksamaan varians dari residual satu pengamatan ke pengamatan yang
lain. Model regresi yang baik adalah yang homoskedastisitas atau tidak terjadinya heteroskedastisitas. Salah satu cara untuk mendeteksi ada atau tidaknya
heteroskedastisitas adalah dengan melihat grafik plot antara nilai prediksi variabel terikat dengan residualnya. Jika ada pola tertentu, seperti titik-titik menyebar di atas
dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas. Berdasarkan hasil pengolahan data, uji heteroskedastisitas dalam penelitian ini
ditunjukkan pada Gambar 5.5:
Universitas Sumatera Utara
Sumber: Hasil Output SPSS Lampiran 8b.
Gambar 5.5. Uji Heteroskedastisitas
Berdasarkan gambar di atas tidak terlihat ada pola tertentu, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi
heteroskedastisitas. Selain itu permasalahan heteroskedastisitas dapat diketahui dengan Uji Park
Ghozali, 2005: 107. Model regresi yang baik adalah model yang homoskesdastisitas atau tidak terjadi heteroskedastisitas. Untuk mendeteksi ada atau tidaknya
heteroskedastisitas dapat dilakukan dengan dengan Uji Park. Asumsi utama Uji Park yaitu dengan melakukan transformasi logaritma terhadap residual Ghozali, 2005:
107. Adapun hasil pengujian Uji Park terdapat pada Tabel 5.7 berikut:
Universitas Sumatera Utara
Tabel 5.7. Uji Park
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error
Beta 1
Constant 7.317
.682 10.725
.000 ln_ROA_X1
-.093 .115
-.090 -.806
.423 ln_ROE_X2
.205 .148
.204 1.385
.170 ln_EPS_X3
.120 .101
.188 1.179
.242 ln_PER_X4
.163 .115
.261 1.418
.160 ln_IOS_X5
-.026 .144
-.020 -.178
.859 a. Dependent Variable: ln_Res
Sumber: Hasil Olah Data SPSS Lampiran 8b.
Jika koefisien parameter beta dari persamaan regresi tersebut tidak signifikan secara statistik, hal ini menunjukkan bahwa dalam data model empiris yang
diestimasi tidak terdapat heteroskedastisitas dan sebaliknya jika parameter beta tidak signifikan secara statistik, maka asumsi homoskedastisitas pada data model tersebut
tidak dapat ditolak. Hasil yang terlihat pada Tabel 5.7 menunjukkan koefisien parameter untuk variabel independen tidak ada yang signifikan ln_ROA_X1 dengan
tingkat signifikansi 0.423, ln_ROE dengan tingkat signifikansi 0.170, ln_EPS dengan tingkat signifikansi 0.242, ln_PER_X4 dengan signifikansi 0.160 dan ln_IOS dengan
tingkat signifikansi 0.859. Maka dapat disimpulkan model regresi tidak terdapat heteroskedastisitas.
Universitas Sumatera Utara
5.2. Pembahasan Hasil Penelitian
