lxvi effect
di mana terjadi pengurangan laba untuk setiap lembar saham setelah dilaksanakan hak opsi option right karena jumlah saham yang beredar
semakin bertambah dan program ESOP yang dilakukan dalam bentuk stock option plan
akan mengaitkan imbalan dimasa mendatang yang memiliki risiko. Selain itu faktor di luar kontrol perusahaan yang mempengaruhi harga saham
seperti kondisi politik, ekonomi, sosial, dan keamanan di Indonesia, serta harga saham yang ditentukan oleh pasar sering kurang rasional dimana cenderung
bereaksi berlebihan. Saham bisa overpriced pada kondisi bullish dan under priced
pada kondisi bearish Christian Herdinata, 2007:6.
Gambar 4.1 Pergerakan Reaksi Pasar
Pada gambar di atas dapat dijelaskan bahwa pergerakan reaksi pasar dari periode -3 menuju periode -2 terjadi kenaikan rata-rata abnormal return
sebesar 0.01. Setelah itu AAR dari periode -2 ke periode -1 terjadi penurunan yang sangat besar dengan AAR mencapai -0.0262421. Pada periode ke 0 reaksi
pasar bergerak naik kembali mencapai nilai AAR sebesar -0.0026912. Setelah periode ke nol sampai periode ke tiga reaksi pasar mengalami kenaikan dan
penurunan yang tidak signifikan.
2. Pengujian Perilaku Oportunistik Eksekutif terhadap ESOP
lxvii Data yang digunakan menggunakan data outlier, dikarenakan hasil
datanya tidak menunjukkan signifikan. Ada empat penyebab timbulnya data outlier
: 1. Kesalahan dalam meng-entri data, 2. Gagal menspesifikasi adanya
missing value dalam program komputer, 3. outlier bukan merupakan anggota populasi yang kita ambil sebagai sampel, dan 4. Outlier berasal dari populasi
yang kita ambil sebagai sampel, tetapi distribusi dari variabel dalam populasi tersebut memiliki nilai ekstrim dan tidak terdistribusi secara normal. Tujuannya
adalah untuk menentukan atau mengevaluasi kesahihan suatu model, baik untuk melihat pelanggaran terhadap asumsi maupun untuk melihat penyimpangan nilai
prediksi terhadap nilai sesungguhnya Ghozali, 2005:36.
Cara meng-outlier datanya: 1. Masukkan 37 Data POS dan AD ke SPSS 13.0, 2. Masukkan variabel
POS dan AD, 3. Keluar data Z dari masing-masing variabel, 4. Setelah itu, data tersebut di seleksi satu per satu, lihat data Z nya dari masing-masing
variabel, apabila hasil datanya tersebut diatas 1.96 dan dibawah -1.96 maka data itu di outlier.
Uji Asumsi Klasik 2.1
Uji Linearitas
lxviii Uji linearitas digunakan untuk mengetahui apakah model regresi
berbentuk linear atau tidak, karena salah satu syarat penggunaan regresi linear adalah data harus bersifat linear. Berdasarkan hasil pengolahan yang
dilakukan melalui program SPSS versi 13, melalui diagram pencar scatter plot
dengan sub menu Curve Estimation diperoleh hasil sebagai berikut:
Gambar 4.2 Hasil Uji Linearitas Sebelum Outlier
Uji linearitas antara AD Y dengan POS X :
Dari gambar di atas, menunjukkan hubungan antara variabel Independen AD dengan variabel dependen POS, tampak bahwa tidak terdapat hubungan
linear antara variabel Independen dengan variabel dependen karena tampak data tidak mengikuti garis linier.
Untuk lebih memperkuat pernyataan tersebut, maka dilakukan pengujian linearitas menggunakan uji signifikansi F :
Hipotesis yang digunakan adalah sebagai berikut : H
: Asumsi linearitas tidak terpenuhi
Model Summary and Parameter Estimates
Dependent Variable: AD .001
.050 1
36 .825
1.034 -.002
Equation Linear
R Square F
df1 df2
Sig. Model Summary
Constant b1
Parameter Estimates The independent variable is POS.
lxix H
1
: Asumsi linearitas terpenuhi Jika nilai signifikansi maka H
di tolak sehingga asumsi linearitas terpenuhi Bambang Ruswandi, 2009:44. Berdasarkan output di atas,
diketahui bahwa nilai sig 0.825 0.05 maka H di terima sehingga data tidak
linear. Agar memenuhi asumsi Linearitas, maka digunakan data yang outliernya
telah dibuang, sehingga jumlah data yang digunakan menjadi 30. Dengan demikian, hasil uji linearitas terlihat pada gambar berikut:
Gambar 4.3 Hasil Uji Linearitas Setelah Outlier
Uji linearitas antara AD Y dengan POS X :
Dari gambar di atas, menunjukkan hubungan antara variabel Independen AD dengan variabel dependen POS, tampak bahwa tidak terdapat
hubungan linear antara variabel Independen dengan variabel dependen karena tampak data tidak mengikuti garis linier.
lxx Untuk lebih memperkuat pernyataan tersebut, maka dilakukan pengujian
linearitas menggunakan uji signifikansi F :
Model Summary and Parameter Estimates
Dependent Variable: AD .138
4.488 1
28 .043
1.035 .221
Equation Linear
R Square F
df1 df2
Sig. Model Summary
Constant b1
Parameter Estimates The independent variable is POS.
Hipotesis yang digunakan adalah sebagai berikut : H
: Asumsi linearitas tidak terpenuhi H
1
: Asumsi linearitas terpenuhi Jika nilai signifikansi maka H
di tolak sehingga asumsi linearitas terpenuhi Bambang Ruswandi, 2009:44. Berdasarkan output di atas,
diketahui bahwa nilai sig 0.043 0.05 maka H tidak di terima sehingga
asumsi linearitas terpenuhi.
2.2 Uji Normalitas
Model regresi yang baik adalah distribusi data normal atau mendekati normal. Deteksi normalitas dengan melihat penyebaran data titik pada
sumbu diagonal dari grafik. Dasar pengambilan keputusan, yaitu jika data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal, maka
model regresi mengikuti asumsi normalitas, sedangkan jika data menyebar jauh dari garis diagonal dan atau tidak mengikuti arah garis diagonal maka
model regresi tidak mengikuti asumsi normalitas. Data- data bertipe skala sebagai pada umumnya mengikuti asumi distribusi normal. Namun, tidak
lxxi mustahil suatu data tidak mengikuti asumsi normalitas. Untuk mengetahui
kepastian sebaran data yang diperoleh harus dilakukan uji normalitas terhadap data yang bersangkutan Dengan demikian, analisis statistika yang
pertama harus digunakan dalam rangka analisis data adalah analisis statistik berupa uji normalitas Santoso, 2002: 212.
Gambar 4.4 Hasil Uji Normalitas Sebelum Outlier
Gambar 4.5 Histogram
lxxii Jika di lihat dari histogram, terlihat bahwa sebaran data residul secara
umum tidak berada di dalam kurva yang berbentuk lonceng. Sehingga dapat disimpulkan bahwa residual tidak berdistribusi normal.
Berikut adalah hipotesisnya: H
: Fx = F x, dengan Fx adalah fungsi distribusi frekuensi hasil
pengamatan, dan F x adalah distribusi frekuensi harapan teoritis dalam
artian residual berdistribusi normal. H
1
: Fx F x atau distribusi residual tidak normal
Pengambilan keputusan berdasarkan nilai probabilitas dengan = 0,05 : Jika probabilitas 0,05 , maka H
diterima Jika probabilitas 0,05 , maka H
1
ditolak
One-Sample Kolmogorov-Smirnov Test
37 37
.9718934 28.57247
9.516442 162.4566
.513 .475
.513 .475
-.364 -.430
3.160 2.927
.000 .000
N Mean
Std. Deviation Normal Parameters
a,b
Absolute Positive
Negative Most Extreme
Differences Kolmogorov-Smirnov Z
Asymp. Sig. 2-tailed AD
POS
Test distribution is Normal. a.
Calculated from data. b.
lxxiii Hasil uji normalitas pada data residual, berdasarkan uji kolmogorov-
Smirnov diperoleh angka probabilitas sebesar 0.000 dengan menggunakan
taraf signifikansi alpha 5 atau 0.05, maka diketahui nilai probabilitas 0.000 0.05, maka H
ditolak, sehingga dapat disimpulkan bahwa data tidak berdistribusi normal. Kesimpulan tersebut sama seperti pengujian pada
Normal Probability Plot of Residual dan histogram.
Dari gambar tersebut terlihat bahwa titik-titik observasi sedikit menjauh dari garis diagonal. Dengan demikian maka dapat dikatakan bahwa observasi
yang dimiliki tidak memenuhi asumsi normalitas. Oleh karena itu maka dilakukan pembuangan atas data yang outlier dalam model yang akan
dibentuk. Menurut Ghazali 2005:36 outlier adalah kasus atau data yang memiliki karakteristik unik yang terlihat sangat berbeda jauh dari observasi-
observasi lainnya dan muncul dalam bentuk nilai ekstrim baik untuk sebuah variabel tunggal atau variabel kombinasi.
lxxiv Agar memenuhi asumsi normalitas, maka digunakan data yang
outlier nya telah dibuang, sehingga jumlah observasi menjadi 30. Dengan
demikian, hasil uji normalitas terlihat pada gambar berikut:
Gambar 4.6 Hasil Uji Normalitas Setelah Outlier
Dari gambar di atas, terlihat bahwa titik-titik observasi menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal. Oleh karena itu,
maka dapat diindikasikan bahwa data ini memenuhi asumsi normalitas. Berdasarkan Normal Probability Plot of Residual, diketahui bahwa residual
membentuk suatu pola garis lurus, sehingga bisa disimpulkan bahwa residual berdistribusi normal.
Gambar 4.7 Histogram
lxxv Jika di lihat dari histogram, terlihat bahwa sebaran data residul secara
umum berada di dalam kurva yang berbentuk lonceng. Sehingga dapat disimpulkan bahwa residual berdistribusi normal.
Adapun uji normalitas yang digunakan dalam penelitian ini menggunakan uji Kolmogorov-Smirnov untuk menguji sesuai goodness of
fit. Dalam hal ini yang diperhatikan adalah tingkat kesesuaian antara
distribusi nilai sampel observasi dengan distribusi teoritis tertentu normal, uniform, eksponensial atau poisson. Jadi hipotesis statistiknya adalah bahwa
distribusi frekuensi hasil pengamatan bersesuaian dengan distribusi frekuensi harapan teoritis Trihendradi, 2007:243. Berikut ini adalah hasil uji
Kolmogorov-smirnov terhadap data residual menggunakan software SPSS13:
lxxvi
One-Sample Kolmogorov-Smirnov Test
30 .0000000
.36279256 .131
.106 -.131
.717 .683
N Mean
Std. Deviation Normal Parameters
a,b
Absolute Positive
Negative Most Extreme
Differences Kolmogorov-Smirnov Z
Asymp. Sig. 2-tailed Unstandardiz
ed Residual
Test distribution is Normal. a.
Calculated from data. b.
Berikut adalah hipotesisnya : H
: Fx = F x, dengan Fx adalah fungsi distribusi frekuensi hasil
pengamatan, dan F x adalah distribusi frekuensi harapan teoritis dalam
artian residual berdistribusi normal. H
1
: Fx F x atau distribusi residual tidak normal
Pengambilan keputusan berdasarkan nilai probabilitas dengan = 0,05 : Jika probabilitas 0,05 , maka H
diterima Jika probabilitas 0,05 , maka H
1
ditolak Hasil uji normalitas pada data residual, berdasarkan uji Kolmogorov-
smirnov diperoleh angka probabilitas sebesar 0.683 dengan menggunakan
taraf signifikansi alpha 5 atau 0.05, maka diketahui nilai probabilitas 0.05, maka H
diterima, sehingga dapat disimpulkan bahwa data berdistribusi normal. Kesimpulan tersebut sama seperti pengujian pada
Normal Probability Plot of Residual dan histogram.
2.3 Uji Heteroskedastisitas
lxxvii Uji Heteroskedastisitas bertujuan menguji apakah dalam model regresi
terjadi ketidaksamaan varians dari residual satu pengamatan ke pengamatan yang lain. Jika varians dari residual satu pengamatan ke pengamatan yang
lain tetap, maka disebut Homoskedastisitas dan jika berbeda disebut Heteroskedastisitas. Model yang baik adalah yang Homoskesdatisitas atau
tidak terjadi Heteroskesdatisitas. Kebanyakan data crossection mengandung situasi Heteroskesdatisitas karena data ini menghimpun data yang mewakili
berbagai ukuran kecil, sedang, dan besar Ghazali, 2005:105. Dalam penelitian ini, alat yang digunakan untuk pengujian
Heteroskedastisitas dengan menggunakan Scatterplot, dengan dasar pengambilan keputusan jika titik-titik menyebar maka tidak terjadi
Heteroskedastisitas dan jika titik-titik tidak menyebar maka terjadi Heteroskedastisitas.
Adapun hasil uji Heteroskedastisitas terlihat pada gambar berikut:
Gambar 4.8 Hasil Uji Heteroskedastisitas Sebelum Outlier
lxxviii Sumber: Data yang diolah
Dari gambar scatterplot terlihat bahwa titik-titik dari data tidak menyebar secara acak serta tidak tersebar secara baik di atas maupun di bawah angka
nol pada sumbu Y dan membentuk suatu pola tertentu. Hal ini dapat disimpulkan bahwa terjadi heteroskedastisitas pada model regresi atau data
tidak bersifat homoskedastisitas. dalam artian bahwa terjadi ketidaksamaan varians dari residual satu pengamatan ke pengamatan yang lain. Oleh karena
itu maka dilakukan Outlier. Adapun hasil dari uji Heteroskedastisitas setelah outlier
adalah sebagai berikut:
Gambar 4.9 Hasil Uji Heteroskedastisitas Setelah Outlier
lxxix Dari gambar scatterplot terlihat bahwa titik-titik dari data menyebar
secara acak serta tersebar secara baik di atas maupun di bawah angka nol pada sumbu Y dan tidak membentuk suatu pola tertentu.
Hal ini dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi atau data bersifat homoskedastisitas, sehingga model regresi
layak digunakan untuk menganalisis AD yang di ukur dari POS. Analisis dengan gambar scatterplot memiliki kelemahan yang cukup
signifikan oleh karena jumlah pengamatan mempengaruhi hasil ploting. Semakin sedikit jumlah pengamatan semakin sulit menginterpretasikan hasil
gambar scatterplot.
2.4 Uji Autokorelasi
Uji autokorelasi bertujuan menguji apakah dalam regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan
lxxx penggganggu pada periode t-1 sebelumnya. Autokorelasi muncul karena
observasi yang berurutan sepanjang waktu berkaitan satu sama lainnya. Masalah ini timbul karena residual kesalahan pengganggu tidak bebas dari
satu observasi ke observasi lainnya Ghazali, 2005:95. Adapun hasil pengujian terlihat pada tabel berikut:
Tabel 7 Hasil Uji Autokorelasi Sebelum Outlier
Model Summary
b
.372
a
.138 .107
.36921 1.673
Model 1
R R Square
Adjusted R Square
Std. Error of the Estimate
Durbin- Watson
Predictors: Constant, POS a.
Dependent Variable: AD b.
Dari tabel di atas terlihat bahwa DW sebesar +1.673, nilai ini berada pada interval 1.65 DW 2.35. Dengan demikian dapat diindikasikan bahwa
model ini tidak terjadi Autokorelasi. Semakin sedikit penyimpangan dalam suatu model, maka hasil regresi
yang dihasilkan semakin baik. Dengan demikian maka dilakukan outlier. Adapun hasil dari Uji Autokorelasi setelah dilakukan outlier adalah sebagai
berikut:
Tabel 8 Hasil Uji Autokorelasi Setelah Outlier
lxxxi Dari hasil pengujian Autokolerasi di dapat nilai D-W Durbin-Watson
sebesar 1.123. hal ini berarti model regresi berganda ini tidak terdapat masalah autokolerasi karena nilai D-W nya terletak diantara batas atas dan batas bawah
atau terletak di antara DW 1.21.
3. Goodness of Fit