Tabel 4.5 Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .430
a
.185 .145
.70877 1.668
a. Predictors: Constant, ln_der, ln_size b. Dependent Variable: ln_return
Sumber: Output SPSS data diolah
Tabel 4.5 menunjukkan bahwa nilai D-W sebesar 1.668. Nilai ini lebih besar dari nilai du sebesar 1,600 dan lebih kecil dari 4-du. Dengan demikian nilai ini
terletak pada du d 4-du, yaitu 1,600 1,668 2,400. Maka dapat disimpulkan, bahwa model regresi ini bebas dari masalah autokorelasi, baik positif maupun negatif.
4.2.2.4. Uji Heterokedastisitas
Uji heterokedastisitas bertujuan untuk menguji apakah terjadi ketidaksamaan varians dari residual satu pengamatan kepada pengamtan yang lain
dalam model regresi. Dalam penelitian ini, gejala heterokedastisitas dideteksi dengan menggunakan grafik scatterplot dan uji glejser.
a. Grafik Scatterplot Pada grafik ini jika tidak ada pola yang jelas, serta titik-titik menyebar di
atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heterokedastisitas sebaliknya jika ada pola tertentu, maka terjadi heterokedastisitas Ghozali,
2013:139.
Hasil uji heterokedastisitas melalui grafik scatterplot ini dapat dilihat pada gambar 4.3 berikut ini:
Gambar 4.3 Scatterplot
Gambar 4.3 menunjukkan bahwa penyebaran plot tidak teratur, beberapa plot berpencar dan tidak membentuk pola tertentu. Berdasarkan plot tersebut,
titik-titik menyebar secara acak serta tersebar baik diatas maupun di bawah angka 0. Maka dapat disimpulkan bahwa tidak terdapat gejala heterokedastisitas.
b. Uji Glejser Dalam uji glejser, diusulkan untuk meregres nilai absolut residual terhadap
variabel independen. Kriteria pengambilan keputusannya adalah jika nilai signifikansi 0,05 maka tidak terdapat gejala heterokedastisitas. Jika nilai
signifikansi 0,05 maka terdapat gejala heterokedastisitas.
Hasil uji heterokedastisitas melalui uji glejser dapat dilihat pada tabel 4.6 berikut ini:
Tabel 4.6 Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity
Statistics B
Std. Error
Beta Tolerance
VIF 1
Constant -.114
1.355 -.084
.933 ln_size
.023 .048
.075 .476
.637 .989
1.011 ln_der
.016 .096
.026 .169
.867 .989
1.011 a. Dependent Variable: abs_ut
Sumber: Output SPSS data diolah
Tabel 4.6 menunjukkan bahwa tidak ada satupun variabel independen yang signifikan secara statistik mempengaruhi variabel dependen nilai absolut
abs_ut. Hal ini dapat dilihat dari nilai signifikansi variabel debt to equity ratio dan size masing-masing lebih besar dari nilai signifikansi 0,05 atau 5. Dengan
demikian dapat disimpulkan bahwa tidak terdapat gejala heterokedastisitas.
4.2.3 Analisis Regresi berganda
Suatu persamaan regresi harus memilki data yang telah lulus uji asumsi klasik. Dari uji asumsi klasik yang dilakukan bahwa data dalam penelitian ini
telah lulus uji asumsi klasik sehingga memenuhi persyaratan untuk melakukan analisis regresi berganda. Persamaan regresi berganda yang digunakan adalah:
Y= a + b
1
X
1
+ b
2
X
2
+ e
Dimana: Y = Return saham
A = Konstanta X
1
= Debt to Equity Ratio DER X
2
= Size B
1,2
= Koefisien regresi variabel 1, 2 e = Kesalahan pengganggu Standard error
Maka dalam penelitian ini
didapatkan hasil regresi pada tabel 4.7 berikut ini:
Tabel 4.7 Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity
Statistics B
Std. Error
Beta Tolerance VIF
1 Constant
5.823 2.130
2.734 .009
ln_size -.225
.075 -.425 -2.996
.005 .989 1.011
ln_der -.135
.150 -.127
-.899 .374
.989 1.011 a. Dependent Variable: ln_return
Sumber: Output SPSS data diolah
Berdasarkan tabel 4.7 tersebut, maka persamaan regresi untuk penelitian ini adalah sebagai berikut:
RETURN = 5,823 – 0,225 DER – 0,135 Size + e Hasil persamaan regresi tersebut menunjukkan bahwa:
a. Nilai konstanta adalah sebesar 5,823. Hal ini menjelaskan bahwa jika tidak terdapat variabel bebas debt to equity ratio DER dan size maka return saham
adalah sebesar 5,823.
