Data Penelitian Pengujian Asumsi Klasik

BAB IV ANALISIS HASIL PENELITIAN

4.1 Data Penelitian

Populasi dalam penelitian ini adalah perusahaan yang terdaftar di Bursa Efek Indonesia BEI. Periode pengamatan dalam penelitian ini adalah tahun 2008 -2010. Jumlah sampel yang digunakan dalam penelitian ini adalah 10 perusahaan dengan total pengamatan yang digunakan 30 amatan. Berikut ini merupakan statistic secara umum dari seluruh data yang digunakan. Tabel 4.1 Statistik Deskriptif Descriptive Statistics N Minimum Maximum Mean Std. Deviation ROA 30 ,06 56,76 13,4807 16,34246 ROE 30 ,75 114,74 40,5883 29,12431 EPS 30 -,82 1147,48 326,8160 263,01633 EVA 30 -1083808,00 4062859,00 666687,0000 1109926,6876 2 HS 30 -88,00 282,00 23,8667 82,09949 Valid N listwise 30 Sumber : lampiran iii Variabel return on assets ROA memiliki nilai minimum 0.06, nilai maksimum 56.76, nilai mean nilai rata – rata 13.4807 dan standar Universitas Sumatera Utara deviation simpangan baku variabel ini adalah 16,34246. Variabel return on equity ROE memiliki nilai minimum 0.75, nilai maksimum 114.74, nilai mean nilai rata – rata 40.5883 dan standar deviation simpangan baku variabel ini adalah 29.12431. Variabel earning per share EPS memiliki nilai minimum -0.82, nilai maksimum 1147.48, nilai mean nilai rata – rata 326.8160 dan standar deviation simpangan baku variabel ini adalah 263.01633. Variabel economic value added EVA memiliki nilai minimum -1083808, nilai maksimum 4062859, nilai mean nilai rata – rata 666687 dan standar deviation simpangan baku variabel ini adalah 1109926,68762. Variabel perubahan harga saham memiliki nilai minimum -88, nilai maksimum 282, nilai mean nilai rata – rata 23,8667 dan standar deviation simpangan baku variabel ini adalah 82.09949.

4.2 Pengujian Asumsi Klasik

Analisa dilakukan dengan metode analisa regresi berganda. Sebelum dilakukan uji hipotesis, peneliti akan melakukan uji asumsi klasik. Pengujian ini perlu dilakukan untuk mengetahui apakah distribusi data yang digunakan dalam penelitian ini sudah normal, serta bebas dari gejala multikolinearitas, heteroskedastisitas serta autokorelasi. Menurut Ghozali 2005 : 123 asumsi klasik yang harus dipenuhi adalah Universitas Sumatera Utara • Berdistribusi normal • Non-multikolinearitas, artinya antara variabel independen dalam model regresi tidak memiliki korelasi atau hubungan secara sempurna ataupun mendekati sempurna. • Non-autokorelasi, artinya kesalahan pengganggu dalam model regresi tidak saling korelasi. • Homoskedastisitas, artinya variance variabel independen dari satu pengamatan kepengamatan yang lain adalah konstan atau sama. 4.2.1 Hasil Uji Normalitas Pengujian ini dimaksudkan untuk mengetahui apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal. Adapun uji normalitas dapat dilakukan dengan dua cara yaitu analisis grafik dan statistik. a. Analisis Grafik Analisis Grafik dapat digunakan dengan dua alat, yaitu grafik histogram dan grafik P-P Plot. Data yang baik adalah data yang memiliki pola distribusi normal. Pada grafik histogram, data yang mengikuti atau mendekati dsitribusi normal adalah distribusi data dengan bentuk lonceng. Pada grafik P-P Plot, sebuah data dikatakan berdistribusi normal apabila titik titik datanya tidak berbelok ke kiri atau ke kanan, melainkan menyebar disekitar garis diagonal. Berikut hasil uji normalitas dengan menggunakan analisis grafik. Universitas Sumatera Utara Gambar 4.1 Histogram Gambar 4.2 Grafik Normal P-P Plot Universitas Sumatera Utara Dengan melihat tampilan grafik histogram, kita dapat melihat bahwa gambarnya telah berbentuk lonceng dan tidak berbelok ke kiri atau ke kanan yang menunjukkan bahwa data terdistribusi secara normal. Pada grafik P-P Plot titik- titik terlihat menyebar disepanjang garis diagonal. Kedua grafik tersebut menunjukkan bahwa model regresi menyalahi asumsi normalitas. b. Analisis Statistik Pengujian normalitas data dengan hanya melihat grafik dapat menyesatkan kalau tidak melihat dengan seksama, sehingga kita perlu melakukan uji normalitas data dengan menggunakan statistik agar lebih menyakinkan. Untuk memastikan apakah data disepanjang garis diagonal berdistribusi normal, maka dilakukan uji Kolmogorov-Smirnov 1 sample KS dengan melihat data residualnya apakah berdistribusi normal atau tidak. Jika nilai signifikansinya lebih besar dari 0,05 maka data tersebut terdistribusi normal. Jika nilai signifikansinya lebih kecil dari 0,05 maka distribusi data adalah tidak normal. Hasil uji Kolmogorov-Smirnov dapat dilihat pada table 4.2. Universitas Sumatera Utara Table 4.2 One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 30 Normal Parameters a,b Mean ,0000000 Std. Deviation 71,02027619 Most Extreme Differences Absolute ,122 Positive ,122 Negative -,079 Kolmogorov-Smirnov Z ,669 Asymp. Sig. 2-tailed ,762 a. Test distribution is Normal. Hasil uji kolmogrov-smirnov pada penelitian ini menunjukkan probabilitas = 0.762. Dengan demikian, data pada penelitian ini berdistribusi normal dan dapat digunakan untuk melakukan uji hipotesis karena 0.762 0,05. 4.2.2 Hasil Uji Heteroskedastisitas Uji Heteroskedastisitas bertujuan untuk menguji terjadinya perbedaan variance residual suatu periode pengamatan ke periode yang lain. Ghozali 2005 : 105 Uji Heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu Universitas Sumatera Utara pengamatan ke pengamatan yang lain. Model regresi yang baik adalah tidak terjadi heteroskedastisitas. Cara mendeteksi ada tidaknya gejala heteroskedastisitas adalah dengan melihat grafik scatterplot yang dihasilkan dari pengolahan data menggunakan SPSS 19. Dasar pengambilan keputusannya menurut Ghozali 2005:105 adalah sebagai berikut: a. Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur maka mengindikasikan telah terjadi heteroskedastisitas. b. Jika tidak ada pola yang jelas, serta titik menyebar dibawah angka 0 dan y, maka tidak heteroskedastisitas. Uji ini dilakukan dengan melakukan pengamatan tertentu pada grafik scatterplot, dimana bila ada titik – titik yang menyebar diatas dan dibawah angka 0 pada sumbu Y serta tidak membentuk pola maka tidak terjadi heteroskedastisitas. Universitas Sumatera Utara Gambar 4.3 Grafik scatterplot Pada Gambar 4.3 tentang grafik scatterplot diatas terlihat titik – titik menyebar secara acak tidak membentuk sebuah pola tertentu yang jelas serta tersebar baik diatas maupun dibawah angka 0 nol pada sumbu Y. hal ini berarti tidak terjadi heteroskedastisitas pada model regresi sehingga model regresi layak dipakai untuk melihat pengaruh variabel independen terhadap variabel dependen. 4.2.3 Hasil Uji Autokorelasi Uji ini bertujuan untuk melihat apakah dalam suatu model linear ada korelasi antar kesalahan pengganggu pada periode t dengan kesalahan periode t-1 sebelumnya. Model regresi yang baik adalah yang bebas dari autokorelasi. Masalah autokorelasi umumnya terjadi pada regresi yang datanya time series. Untuk mendeteksi masalah autokorelasi dapat dilakukan dengan menggunakan uji Durbin Watson. Mengacu kepada Universitas Sumatera Utara pendapat sunyoto 2009:91, pengambilan keputusan ada tidaknya autokorelasi adalah sebagai berikut: a. Angka D-W dibawah -2 berarti ada autokorelasi positif. b. Angka D-W diantara -2 sampai +2 berarti tidak ada autokorelasi. c. Angka D-W diatas +2 berarti ada autokorelasi negatif. Tabel 4.3 Uji Autokorelasi Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 ,502 a ,252 ,132 76,49118 1,771 a. Predictors: Constant, EVA, ROA, EPS, ROE b. Dependent Variable: HS Tabel 4.3 memperlihatkan nilai statistic D-W sebesar 1.771. Angka ini terletak diantara -2 sampai +2, dari pengamatan ini dapat disimpulkan bahwa tidak terjadi autokorelasi dalam penelitian ini. 4.2.4 Hasil Uji Multikolinearitas Pengujian ini bertujuan mengetahui ada tidaknya multikolinearitas antar variabel – variabel independen. Model regresi yang baik seharusnya tidak terjadi korelasi antar variabel independen. Deteksi dilakukan dengan melihat nilai VIF Variable Inflation Factor dan toleransi. Menurut Ghozali 2005 ; 91 untuk melihat ada atau tidaknya multikolinearitas dalam model regresi dapat dilihat dari : Universitas Sumatera Utara a. Nilai tolerance dan lawannya, b. Variance influence factor VIF Kedua ukuran ini menunjukkan setiap variabel independen manakah yang dijelaskan oleh variabel independen lainnya. Tolerance mengukur variabilitas variabel independen yang terpilih yang tidak dijelaskan oleh variabel independen lainnya. Jadi, nilai tolerance yang rendah sama dengan nilai VIF yang tinggi karena VIF=1tolerance. Nilai cutoff yang umum dipakai untuk menunjukkan adanya multikolinearitas adalah nilai tolerance 0,01 atau sama dengan VIF 10. Tabel 4.4 Uji Multikolinearitas Coefficients a Model Unstandardized Coefficients Standardize d Coefficients t Sig. Collinearity Statistics B Std. Error Beta Toleranc e VIF 1 Constant -2,350 36,456 -,064 ,949 ROA ,238 2,918 ,047 ,082 ,936 ,089 11,271 ROE -,022 1,668 -,008 -,013 ,989 ,086 11,691 EPS ,142 ,061 ,455 2,340 ,028 ,790 1,265 EVA -3,380E-5 ,000 -,457 -2,312 ,029 ,766 1,305 a. Dependent Variable: HS Universitas Sumatera Utara Berdasarkan table 4.4 diatas dapat dilihat bahwa tidak ada satupun variabel bebas yang memiliki nilai VIF lebih dari 10 dan tidak ada yang memiliki tolerance value lebih kecil dari 0,1. Jadi dapat disimpulkan bahwa penelitian ini bebas dari adanya multikolinearitas. Dari hasil uji ini maka dapat disimpulkan bahwa semua variabel bebas yang dipakai dalam penelitian ini lulus uji gejala multikolineritas.

4.3 Pengujian Hipotesis