Pengujian Dasar Asumsi Klasik

58 Atau dapat melihat kepada nilai probabilitas cross section random, dengan ketentuan Nachrowi dan Usman, 2006: - Jika probabilitas 0,05, maka tolak H , dan terima H 1 - Jika Probabilitas 0,05, maka terima H

3. Pengujian Dasar Asumsi Klasik

Setelah mendapatkan model yang tepat untuk penelitian ini, hasil regresi atas data panel kemudian diuji untuk mengetahui apakah ada permasalahan multicollinearity dan heteroscedasticity, sehingga hasil estimasi memenuhi teorema Gauss-Markov Best Linear Unbiase Estimator BLUE Gujarati, 2004 yaitu:  Best adalah β estimator yang memiliki varians minimum;  Linear artinya estimator α dan β memiliki nilai estimator;  Unbiased berarti nilai actual dari α dan β harus sama dengan nilai sebenarnya;  Estimator artinya β sampel adalah estimator β dari populasi. Hal ini juga sesuai dengan teori yang dikemukan oleh Gauss-Markov bahwa estimator yang bersifat BLUE adalah : 1. Bersifat linear, merupakan sebuah fungsi linear atas sebuah variabel random, seperti variabel dependen Y dalam suatu model regresi. 2. Bersifat tidak bias, artinya hasil nilai estimasi sesuai dengan nilai sesungguhnya. 3. Bersifat efisien, artinya model yang linear dan tidak bias harus memiliki varians yang minimum. 59

a. Uji Normalitas

Uji normalitas dimaksudkan untuk menguji apakah nilai residual yang telah distandarisasi pada model regresi berdistribusi normal atau tidak. Nilai residual dikatakan berdistribusi normal jika nilai residual terstandarisasi tersebut sebagian besar mendekati nilai rata-ratanya. Uji normalitas pada dasarnya tidak merupakan syarat BLUE Best Linier Unbias Estimator dan uji normalitas sering dilakukan pada ukuran sampel yang kecil Dedi Rosadi, 2012. Menurut Suliyanto 2011, tidak terpenuhinya normalitas pada umumnya disebabkan karena distribusi data yang dianalisis tidak normal, karena terdapat nilai ekstrem pada data yang diambil. Salah satu mengatasi pelanggaran normalitas yaitu dengan menambahkan jumlah data. Dengan menambahkan jumlah data maka akibat yang ditimbulkan dari adanya nilai residual yang memiliki nilai ekstrem akan semakin berkurang. Hal ini karena dengan semakin banyaknya jumlah data maka pembagian nilai ekstrem akan semakin besar sehingga nilai rata-ratanya akan mendekati nilai tengah. Dikarenakan dalam penelitian ini menggunakan data panel, maka uji normalitas tidak perlu diuji kembali. Karena data panel merupakan gabungan dua data time series dan cross section yang memberikan jumlah data yang banyak atau memiliki data yang lebih dari 30 data, sehingga data diasumsikan sudah berdistribusi normal. Menurut Doddy Ariefien 2012, data panel memiliki keunggulan karena bersifat 60 robust kebal terhadap beberapa tipe pelanggaran asumsi Gauss Markov, yakni asumsi normalitas.

b. Uji Multikolinieritas

Uji multikolinieritas bertujuan untuk menguji apakah dalam model regresi yang terbentuk ada korelasi yang tinggi atau sempurna diantara variabel bebas atau tidak. Jika dalam model regresi yang terbentuk terdapat korelasi yang tinggi atau sempurna diantara variabel bebas maka model regresi tersebut dinyatakan mengandung gejala multikolinier Suliyanto, 2011:81. Model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel bebas. Multikolinearitas merupakan kondisi adanya hubungan linier antar variabel independen. Karena melibatkan beberapa variabel independen, maka multikolinearitas tidak akan terjadi pada persamaan regresi sederhana yang terdiri atas satu variabel dependen dan satu variabel independen. Winarno, 2011. Untuk mendeteksi ada atau tidaknya multikolinieritas di dalam model regresi dapat dilihat dari nilai Tolerance dan Variance Inflation Factor VIF. Kedua ukuran ini menunjukkan setiap variabel bebas manakah yang dijelaskan oleh variabel bebas lainnya. Dalam pengertian sederhana setiap variabel bebas menjadi variabel terikat dan diregres terhadap variabel bebas lainnya. Tolerance mengukur variabilitas variabel bebas yang terpilih yang tidak dijelaskan oleh variabel bebas lainnya. Jadi, nilai tolerance yang rendah sama dengan nilai VIF tinggi karena VIF = 1Tolerance. Nilai cut off yang umum 61 dipakai untuk menunjukkan adanya multikolinieritas adalah nilai Tolerance 0,10 atau sama dengan VIF 10, maka model dinyatakan tidak terdapat gejala multikolinieritas Imam Ghozali, 2012.

c. Uji Heteroskedastisitas

Uji heteroskedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan varian dari residual satu pengamatan ke pengamatan yang lain. Jika varian dari residual satu pengamatan ke pengamatan lain tetap, maka disebut Homoskedastisitas dan jika berbeda disebut Heteroskedastisitas. Model regresi yang baik adalah yang Homoskedastisitas atau tidak terjadi Heteroskedastisitas. Heteroskedastisitas sering terjadi pada data panel, karena data panel memiliki jumlah data yang banyak dengan begitu akan memiliki tingkat heterogenitas yang lebih tinggi Suliyanto, 2011. Ada beberapa cara untuk mendeteksi ada atau tidaknya heteroskedastisitas, salah satunya yaitu dengan menggunakan metode Park yang dikembangkan oleh Park. Uji Park dilakukan dengan melakukan regresi fungsi-fungsi residual. Jika variabel independen tidak signifikan secara statistik dimana nilai probabilitinya lebih besar dari nilai alphanya atau Prob. α, maka dapat disimpulkan bahwa model yang terbentuk dalam persamaan regresi tidak mengandung masalah heteroskedastisitas Suliyanto, 2011:107.

d. Uji Autokorelasi

Autokorelasi adalah adanya korelasi antara variabel itu sendiri, pada pengamatan yang berbeda waktu dan individunya. Pada umumya 62 autokorelasi lebih sering terjadi pada data time series Nachrowi dan Usman, 2006. Menurut Winarno 2011, autokorelasi adalah hubungan antara residual satu observasi dengan residual observasi lainnya. Autokorelasi lebih mudah timbuh pada data yang bersifat runtut waktu, karena berdasarkan sifatnya, data masa sekarang dipengaruhi oleh data pada masa sebelumnya. Dikarenakan dalam penelitian ini menggunakan data panel, maka uji autokorelasi juga tidak perlu di uji kembali. Karena data panel sifatnya lebih kepada cross section maka bisa dikatakan tidak ada autokorelasi.

4. Pengujian Statistik

Dokumen yang terkait

Analisis Faktor Fundamental Keuangan Dan Resiko Sistematik Terhadap Harga Saham Perusahaan Consumer Goods Yang Terdaftar Di Bursa Efek Indonesia

2 43 146

Analisis Harga Saham Perusahaan Pertambangan di Bursa Efek Indonesia Dengan Analisis Fundamental Dan Teknikal

6 36 224

PENGARUH VARIABEL MAKROEKONOMI TERHADAP INDEKS SAHAM SYARIAH INDONESIA (ISSI) DI BURSA EFEK INDONESIA PERIODE Pengaruh Variabel Makroekonomi Terhadap Indeks Saham Syariah Indonesia (Issi) Di Bursa Efek Indonesia Periode Januari 2014 – Juli 2016.

0 4 14

PENGARUH VARIABEL MAKROEKONOMI TERHADAP INDEKS SAHAM SYARIAH INDONESIA (ISSI) DI BURSA Pengaruh Variabel Makroekonomi Terhadap Indeks Saham Syariah Indonesia (Issi) Di Bursa Efek Indonesia Periode Januari 2014 – Juli 2016.

0 3 18

PENGARUH VARIABEL-VARIABEL FUNDAMENTAL DAN TEKNIKAL TERHADAP HARGA SAHAM PADA PERUSAHAAN MANUFAKTUR Pengaruh Variabel-Variabel Fundamental Dan Teknikal Terhadap Harga Saham Pada Perusahaan Manufaktur Yang Terdaftar Di Bursa Efek Indonesia.

0 1 13

PENDAHULUAN Pengaruh Variabel-Variabel Fundamental Dan Teknikal Terhadap Harga Saham Pada Perusahaan Manufaktur Yang Terdaftar Di Bursa Efek Indonesia.

0 0 6

PENGARUH VARIABEL-VARIABEL FUNDAMENTAL DAN TEKNIKAL TERHADAP HARGA SAHAM PADA PERUSAHAAN MANUFAKTUR Pengaruh Variabel-Variabel Fundamental Dan Teknikal Terhadap Harga Saham Pada Perusahaan Manufaktur Yang Terdaftar Di Bursa Efek Indonesia.

0 0 14

PENGARUH FAKTOR FUNDAMENTAL DAN FAKTOR TEKNIKAL TERHADAP RETURN SAHAM (Studi pada Perusahaan Manufaktur yang Terdaftar di Bursa Efek Indonesia).

2 16 121

ANALISIS EFISIENSI PERBANKAN DI INDONESIA (STUDI PADA BANK YANG TERDAFTAR DI BURSA EFEK INDONESIA PADA PERIODE 2007-2011)

0 0 93

ANALISIS FUNDAMENTAL DAN ANALISIS TEKNIKAL DALAM MENILAI INVESTASI SAHAM SYARIAH YANG TERCATAT DI BURSA EFEK INDONESIA PERIODE 2011-2015

0 0 16