49
4.2 Hasil 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 maka perlu dilakukan perbaikan terlebih dahulu. Pengujian asumsi klasik ini terdiri dari uji
normalitas, uji multikolonearitas, uji heteroskedastisitas, dan uji autokorelasi.
4.2.1 Hasil Uji Normalitas Data
Uji normalitas bertujuan untuk menguji apakah variabel residual berdistribusi normal. Pengujian normalitas data dalam penelitian ini menggunakan
uji statistik non parametrik Kolmogorov-Smirnov K-S, grafik histogram, dan grafik P-P Plot.
Dalam uji statistik non parametrik Kolmogorov-Smirnov K-S, pedoman yang digunakan dalam pengambilan keputusan adalah sebagai berikut:
a. Jika nilai signifikansi 0,05 maka distribusi data tidak normal
b. Jika nilai signifikansi 0,05 maka distribusi data normal
Hasil uji Kolmogorov-Smirnov dapat dilihat pada tabel di bawah ini:
Universitas Sumatera Utara
50
Tabel 4.2 Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 54
Normal Parameters
a,,b
Mean .0000000
Std. Deviation 4.09303330E2
Most Extreme Differences Absolute
.174 Positive
.174 Negative
-.130 Kolmogorov-Smirnov Z
1.278 Asymp. Sig. 2-tailed
.076 a. Test distribution is Normal.
b. Calculated from data.
Sumber: data diolah oleh penulis, 2013
Dari hasil pengolahan data tersebut dapat diketahui bahwa nilai Kolmogorov-Smirnov sebesar 1,278 dan nilai signifikansi sebesar 0,076.
Berdasarkan hasil tersebut maka dapat disimpulkan bahwa data terdistribusi secara normal karena nilai signifikansi sebesar 0,076 0,05.
Data yang terdistribusi secara normal tersebut juga dapat dinilai melalui grafik histogram berikut ini:
Universitas Sumatera Utara
51
Gambar 4.1 Grafik Histogram
Berdasarkan grafik diatas dapat disimpulkan bahwa data berdistribusi normal karena grafik histogram menunjukkan distribusi data mengikuti garis
diagonal yang tidak menceng ke kiri maupun ke kanan. Demikan pula dengan hasil uji normalitas dengan menggunakan grafik P-P
Plot di bawah ini. Pada grafik P-P Plot terlihat titik-titik menyebar disekitar garis diagonal serta penyebarannya mengikuti garis diagonal sehingga dapat
disimpulkan bahwa data dalam model regresi terdistribusi secara normal.
Universitas Sumatera Utara
52
Gambar 4.2 Grafik P-P Plot
4.2.2 Hasil Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah pada model regresi ditemukan adanya korelasi antara variabel independen. Jika terjadi korelasi maka
terdapat masalah multikolinearitas sehingga model regresi tidak dapat digunakan. Adanya multikolinearitas dapat dilihat dari nilai tolerance dan nilai Variance
Inflation Factor VIF dengan kriteria pengambilan keputusan sebagai berikut:
Universitas Sumatera Utara
53
a. Tolerance value 0,1 atau VIF 5 = terjadi multikolinearitas
b. Tolerance value 0,1 atau VIF 5 = tidak terjadi multikolinearitas
Berikut ini merupakan tabel hasil pengujian multikolinearitas:
Tabel 4.3 Pengujian Multikolinearitas
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity Statistics
B Std. Error
Beta Tolerance
VIF 1 Constant
223.839 122.421
1.828 .074
EPS .194
1.607 .025
.121 .904
.351 2.849
PER -.629
.584 -.145 -1.078
.286 .841
1.189 BVS
.405 .353
.245 1.147
.257 .335
2.990 PBV
49.057 14.134
.495 3.471
.001 .746
1.340 a. Dependent Variable: HARGA_SAHAM
Sumber: data diolah oleh penulis, 2013
Berdasarkan tabel 4.3 diatas dapat disimpulkan bahwa tidak terjadi gejala multikolinearitas antara variabel independen. Hal ini dikarenakan nilai tolerance
dari setiap variabel lebih besar dari 0,1 dan nilai VIF lebih kecil dari 5. Nilai tolerance dari EPS sebesar 0,351, PER sebesar 0,841, BVS sebesar 0,335, dan
PBV sebesar 0,746. Sementara nilai VIF dari EPS sebesar 2,849, PER sebesar 1,189, BVS sebesar 2,990, dan PBV sebesar 1,340.
Berdasarkan hasil uji korelasi diantara variabel independen dapat dilihat bahwa korelasi antara variabel tersebut relatif tidak tinggi. Korelasi antara
Universitas Sumatera Utara
54
variabel dibawah 0,9 hal ini berarti tidak terjadi masalah multikolinearitas. Hasil pengujian korelasi dapat dilihat pada tabel 4.4 berikut ini:
Tabel 4.4 Korelasi Variabel Independen
Coefficient Correlations
a
Model PBV
EPS PER
BVS 1 Correlations
PBV 1.000
-.399 -.245
.437 EPS
-.399 1.000
.183 -.782
PER -.245
.183 1.000
.014 BVS
.437 -.782
.014 1.000
Covariances PBV
199.776 -9.066
-2.018 2.182
EPS -9.066
2.581 .172
-.444 PER
-2.018 .172
.341 .003
BVS 2.182
-.444 .003
.125 a. Dependent Variable: HARGA_SAHAM
Sumber: data diolah oleh penulis, 2013 4.2.3 Hasil Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk melihat apakah dalam model regresi terjadi ketidaksamaan varians dari residual satu pengamatan ke
pengamatan yang lain. Dalam penelitian ini untuk mendeteksi ada tidaknya gejala heteroskedastisitas adalah dengan melihat grafik scatterplot dengan dasar
pengambilan keputusan sebagai berikut:
Universitas Sumatera Utara
55
a. Jika ada pola tertentu seperti titik-titik yang membentuk pola tertentu yang
teratur bergelombang, melebar, atau menyempit, maka mengindikasikan telah terjadi heteroskedastisitas.
b. Jika tidak ada pola yang jelas seperti titik-titik menyebar diatas dan
dibawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas atau terjadi homokedastisitas.
Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi heteroskedastisitas atau homoskedastisitas dengan mengamati penyebaran
titik-titik pada gambar.
Gambar 4.3 Grafik Scatterplot
Universitas Sumatera Utara
56
Dari grafik scatterplot diatas terlihat bahwa titik-titik menyebar secara acak dan tidak membentuk suatu pola tertentu serta tersebar baik diatas maupun
dibawah angka 0 pada sumbu Y. Dengan demikian dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi, sehingga model regresi layak
dipakai untuk melihat pengaruh variabel independen terhadap variabel dependen.
4.2.4 Hasil Uji Autokorelasi