Uji Asumsi Klasik .1 Uji Normalitas

61 Dari tabel 4-1 diatas dapat dijelaskan bahwa: 1. Jumlah sampel N sebanyak 48 2. Rata-rata dari ROE di atas adalah 0,2629 dengan standar deviasi 0,7767. ROE tertinggi adalah 4,5 yaitu oleh Prasidha Aneka Niaga Tbk. ROE terkecil adalah -2,07 yaitu Davomas Abadi Tbk. 3. Rata-rata PER adalah 12.8567 x dengan standar deviasi 11.9935. PER tertinggi adalah 40,8 x yaitu Siantar Top Tbk. PER terkecil adalah -34.66 yaitu Davomas Abadi Tbk. 4. Rata-rata PBV adalah 3.4215 dengan standar deviasi 6.05598. PBV tertinggi adalah 35.45 yaitu Multi Bintang Indonesia Tbk. PBV terendah adalah 0.54 yaitu Siantar Top Tbk. 5. Rata-rata Total Asset adalah Rp 5.643.084.250.000. Total Asset terbesar adalah Rp 53.585.933.000.000 yaitu Indofood Sukse Makmur Tbk. Total Asset terkecil adalah Rp 178.287.000.000 yaitu Akasha Wira Internasional Tbk. 6. Rata-rata abnormal return adalah 0.1045. Abnormal return tertinggi adalah 1.93 yaitu Mayora Indah Tbk. Abnormal Return terendah adalah -1.143 yaitu Mayora Indah. 4.3 Uji Asumsi Klasik 4.3.1 Uji Normalitas Ujinormalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi 62 normal Erlina,2011.Datayang baikadalahdatayang mempunyaipola sepertidistribusinormal,yaknidistribusidatatersebuttidakmelencengke kiri ataumelencengke kanan. Namun demikian, dengan hanya melihat tabel histogram belum tentu bisa memastikan bahwa data memiliki distribusi normal. Metode yang lebih handal adalah dengan melihat normal probability plot yang membandingkan distribusi kumulatif dari data yang sesungguhnya dengan distribusi kumulatif dari distribusi normal. Gambar 4.1 Histogram Sumber: Data Diolah 2012 Dari gambar 4.1 terlihat bahwa data terdistribusi dengan normal karena data menyebar dengan tidak melenceng ke kiri atau ke kanan. 63 Gambar 4.2 Normal P Plot Sumber: Data Diolah 2012 Dari gambar 4.2 diatas dapat dilihat bahwa persebaran titik mengikuti data di sepanjang garis diagonal. Dalam hal ini berarti data terdistribusi dengan normal Untuk memastikan apakah data di sepanjang garis diagonal memang terdistribusi dengan normal maka dilakukan uji Kolmogorov-Smirnov One-Sampel K-S 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. 64 Tabel 4.2 Uji One-Sample Kolmogorov-Smirnov Test Hasil uji Kolmogorov-Smirnov ditunjukan pada tabel 4.2 di atas. Hasil pengujian menunjukkan bahwa nilai Asymp Sig 2 tailed adalah 0,211, di atas nilai signifikan 0,05 atau dengan kata lain variabel residual terdistribusi dengan normal. Terkait dengan ditemukannya masalah heterokesdastisitas maka beberapa sampel yang terkena heterokesdastisitas dihilangkan. Sampel variabel yang terkena heteroskesdastisitas ada 5, sehingga dengan menghilangkan kelima sampel variabel tersebut maka akan One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 48 Normal Parameters a,,b Mean .0000000 Std. Deviation .46535735 Most Extreme Differences Absolute .153 Positive .153 Negative -.139 Kolmogorov-Smirnov Z 1.060 Asymp. Sig. 2-tailed .211 a. Test distribution is Normal. b. Calculated from data. 65 didapat jumlah sampel terbaru sebanyak 43 sampel. Hal ini menyebabkan dilakukan kembali uji normalitas untuk kedua kalinya dengan sampel terbaru yang berjumlah 43 yang disajikan sebagai berikut Gambar 4.3 Histogram dengan 43 sampel Sumber: Data diolah 2012 66 Gambar 4.4 Normal P Plot dengan 43 sampel Sumber: Data diolah 2012 Pada gambar 4.4 terlihat jelas persebaran data lebih merapat ke garis diagonal jika dibandingkan dengan gambar 4.2. Ini menunjukan data dengan jumlah sampel terbaru lebih baik dalam menampilkan normalitas. Maka model regresi terbaru lebih layak untuk untuk dipakai karena menampilkan tingkat normalitas yang lebih baik.

4.3.2 Uji Heterokesdastisitas

Pengujian gejala heterokesdastisitas bertujuan untuk melihat apakah dalam model regresi terjadi ketidaksamaan variabel dari residual satu pengamaan ke pengamatan yang lain Erlina, 2011. Jika varian dari residual satu pengamatan ke pengamatan yang lain tetap, maka disebut homokesdastisitas, dan jika berbeda disebut heterokesdastisitas. 67 Gambar 4.5 Grafik Scatterplot Sumber: Data Diolah 2012 Gambar 4.5 menampilkan hasil uji heterokesdastisitas. Dalam gambar tersebut terlihat bahwa persebaran titik tidak terjadi secara acak melainkan terkumpul dan merapat di tengah. Pola titik yang terkumpul dan merapat tersebut mengindikasikan terjadinya heterokesdastisitas. Menurut Situmorang 2011 ada beberapa cara dalam melakukan perbaikan heterokesdastisitas. 1. Transformasi Logaritma Natural. Trasnformasi dalam bentuk logaritma akan memperkecil skala dari observasi dan kemungkinan besar varians juga akan semakin mengecil dan ada kemungkinan homokesdastisitas terpenuhi 68 2. Membagi persamaan regresi tersebut dengan variabel bebas yang mengandung heterokesdastisitas. 3. Menghilangkan variabel yang terkena heteroskesdastisitas Dalam hal ini peneliti akan melakukan perbaikan dengan langkah terakhir yaitu dengan menghilangkan beberapa sampel variabel yang mengandung heterokesdastisitas. Sampel variabel yang mengandung heterokesdastisitas ada 5, jadi setelah sampel tersebut dihilangkan maka jumlah sampel variabel terbaru menjadi 43. Sehingga diperoleh uji heterokesdastisitas terbaru sebagai berikut: Gambar 4.6 Grafik Scatterplot dengan 43 sampel Sumber: Data diolah 2012 69 Dari gambar 4.4, terlihat titik-titik menyebar secara acak serta tersebar di atas maupun di bawah angka 0 pada sumbu Y. Berarti tidak terjadi heteroskedasitas pada model regresi, sehingga model regresi layak dipakai untuk memprediksi.

4.3.3 Uji Multikolinieritas

Uji multikolinearitas adalah pengujian untuk menentukan adanya hubungan linear yang sempurna atau eksak di antara variabel bebas dalam model regresi Situmorang, 2011. Untuk melihat adanya gejala multikolinieritas dengan melihat besaran korelasi antar variabel independen dan besarnya tingkat kolinearitas yang masih dapat ditolerir, yaitu: Tol 0.10 dan Variance Inflation Factor VIF 10. Berikut disajikan tabel hasil pengujian: Tabel 4.3 Hasil Uji Multikolinieritas Coefficients a Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics B Std. Error Beta Tolerance VIF 1 Constant -.195 .069 -2.824 .008 ROE .184 .091 .415 2.022 .050 .326 3.066 PER .009 .004 .319 2.685 .011 .975 1.026 PBV .008 .012 .142 .694 .492 .326 3.063 Total Asset 6.300E-9 .000 .238 2.000 .053 .971 1.030 a. Dependent Variable: Abnormal Return 70 Dari tabel 4.3, dapat dilihat hasil tolerance 0,1 dan nilai VIF 5 atau dengan kata lain, data tidak mengalami masalah multikolinearitas.

4.3.4 Uji Autokorelasi

Uji autokorelasi bertujuan untukmenguji apakah dalam model regresi linier ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1. Uji autokorelasi dilakukan dengan Runs Test untuk menguji apakah antar residual terdapat korelasi yang tinggi Ghozali, 2005. Tabel 4.4 Hasil Uji Autokorelasi Dari hasil uji autokorelasi yang di tampilkan di tabel 4.4 di atas, terlihat nilai DW sebesar 2,221 dengan jumlah pengamatan sebanyak 43 setelah gugur 5 setelah proses penyesuaian data di uji heterokesdastisitas dan kasus 4, maka nilai du sebesar 1,7200. Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .692 a .478 .423 .27598 2.221 a. Predictors: Constant, Total Asset, ROE, PER, PBV b. Dependent Variable: Abnormal return Sumber: Data diolah 2012 71 Du d 4-du 1,724 2,221 2,280 Dari tabel 4.4 dan penjelasan di atas dapat diambil kesimpulan bahwa model regresi bebas dari masalah autokorelasi. 4.4 Uji Hipotesis 4.4.1 Uji Koefisien Determinasi