Uji Asumsi Klasik HASIL DAN PEMBAHASAN

sebesar 108,11. Perusahaan yang paling tinggi dalam EPS adalah PT. Astra Internasional Tbk pada tahun 2011 yaitu sebesar 5273,25. Semakin besar Earning Per Share menandakan semakin besar pula kemampuan perusahaan dalam menghasilkan keuntungan bersih setiap lembar saham. Standart deviasi EPS sebesar 979,61848 lebih besar jika dibandingkan nilai mean sebesar 797,2815. Dengan tingginya simpangan data, menunjukkan tingginya fluktuasi data variabel Earning Per Share EPS. Net Income NI pendapatan yang diakui sebagai selisih dari total pendapatan dikurangi harga pokok penjualan dengan jumlah beban dan pajak. Apabila laba tinggi, maka deviden yang dibagikan kepada pemegang saham juga tinggi sehingga investor banyak yang tertarik untuk menanamkan investasi di perusahaan. Nilai rata-rata mean NI sebesar 7795,8250 selama tahun 2009 sampai dengan 2012, dengan nilai maximum sebesar 22460,00 oleh PT. Astra Internasional Tbk pada tahun 2012 dan minimum sebesar 828,00 pada PT. Semen Holcim Tbk pada tahun 2010. Standart deviasi Net Income sebesar 6048,51352 lebih kecil jika dibandingkan nilai mean sebesar 7795,8250.

4.2 Uji Asumsi Klasik

Penelitian ini menggunakan model regresi linier berganda. Dalam analisis regresi ini, selain mengukur kekuatan hubungan antara dua variabel atau lebih, juga menunjukkan arah hubungan antara variabel dependen dengan variabel independen Ghozali, 2011. Variabel dependen dalam penelitian ini adalah pergerakan harga saham sedangkan variabel independen meliputi Book Value per Share BVPS, Dividen Payout Ratio DPR, Return on Assets ROA, Earning Per Share EPS dan Net Income NI

4.2.1 Uji Normalitas

Uji normalitas dilakukan untuk menguji apakah variabel pengganggu atau residual telah terdistribusi secara normal Ghozali, 2010. Uji normalitas dilakukan dengan dua cara yaitu analisis grafik dan uji statistik one sample kolmogorov-Smirnov. Ghozali 2010, memberikan pedoman pengambilan Universitas Sumatera Utara keputusan rentang data mendekati atau merupakan distribusi normal berdasarkan uji Kolmogorov Smirnov yang dapat dilihat dari : 1. Nilai signifikan atau probabilitas 0,05 maka distribusi data adalah tidak normal. 2. Nilai signifikan atau probabilitas 0,05 maka distribusi data adalah normal. Apabila distribusi data tidak normal, maka perlu dilakukan transformasi data atau menambah maupun mengurangi data. Hasil uji normalitas untuk penelitian ini adalah: Tabel 4.3 Hasil Uji Normalitas One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 40 Normal Parameters a,b Mean ,0000000 Std. Deviation ,58478182 Most Extreme Differences Absolute ,157 Positive ,157 Negative -,101 Kolmogorov-Smirnov Z ,993 Asymp. Sig. 2-tailed ,278 a. Test distribution is Normal. b. Calculated from data. Sumber : Data Sekunder yang Diolah Berdasarkan Tabel 4.3, data sudah terdistribusi secara normal. Hal ini ditunjukkan dengan besarnya nilai Kolmogorov-Smirnov adalah 0,993 dan signifikansi pada 0,278 yang lebih besar dari 0,05. Hal ini berarti data residual terdistribusi secara normal, karena nilai signifikansinya lebih dari 0,05. Hal ini berarti bahwa data sudah terdistribusi normal pada data sebanyak 40 observasi. Universitas Sumatera Utara Hasil terakhir diatas juga didukung hasil analisis grafiknya, yaitu dari grafik histogram maupun grafik Normal Probability Plot‐nya seperti Gambar 4.1 dan 4.2 dibawah ini : Gambar 4.1 Grafik Histogram Pada tampilan grafik histogram terlihat bahwa grafik memberikan pola distribusi normal. Hal ini dapat dilihat dari bentuk kurva yang memiliki kemiringan yang cenderung seimbang, baik sisi kiri maupun kanan, serta berbentuk lonceng yang hampir sempurna. Universitas Sumatera Utara Gambar 4.2 Normal Probability Plot Jika dilihat pada grafik normal probability plot diatas terlihat titik‐titik sebaran mendekati garis normal.

4.2.2 Uji Multikoliniearitas

Uji multikoliniearitas dilakukan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas independen. Ada tidaknya gejala multikolonieritas dilihat dengan menganalisa koefisien Variance Inflation Factor VIF dan nilai Tolerance. Gangguan multikolinearitas tidak terjadi jika VIF di bawah 10 atau Tolerance di atas 0,1. Universitas Sumatera Utara Tabel 4.4 Hasil Uji Multikolinieritas Sumber : Data Sekunder yang Diolah Dari tabel diatas dapat dijelaskan bahwa tidak terjadi multikolinearitas pada seluruh variabel independen dalam model penelitian. Suatu model regresi dinyatakan bebas dari multikolinearitas adalah jika mempunyai nilai Tolerance lebih besar dari 0,1 dan nilai VIF lebih kecil dari 10. Hal ini dapat dillihat dari nilai tolerance semua variabel independen yang telah ditransformasi yang lebih besar dari 0,1 dan nilai Variance Inflation Factor VIF lebih kecil dari 10.

4.2.3 Uji Autokorelasi

Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan periode t-1 Ghozali, 2011. Untuk mengetahui ada tidaknya autokorelasi digunakan uji Durbin Watson. Berikut ini adalah hasil uji Durbin Watson. Tabel 4.5 Hasil Uji Durbin Watson DW Model Summary b Coefficients a Model Collinearity Statistics Tolerance VIF 1 BVPS ,528 1,893 DPR ,815 1,227 ROA ,487 2,054 EPS ,739 1,353 NI ,737 1,357 a. Dependent Variable: Perg. Harga Saham Universitas Sumatera Utara Model Durbin-Watson dimension0 1 1,660 a. Predictors: Constant, NI, BVPS, DPR, EPS, ROA b. Dependent Variable: Perg. Harga Saham Gambar 4.3 Pengujian Autokorelasi Autokorelasi keragu- tidak ada keragu- autokorelasi Positif raguan autokorelasi raguan negatif dL dU dW 4-dU 4-dL 1.2305 1.5859 1,660 2.4141 2,7695 4 Berdasarkan gambar di atas menunjukkan nilai durbin watson test sebesar 1,660 yang lebih besar dari batas atas du 1,7859 dan kurang dari 4-2,2141 4- du, sehingga di dalam model regresi ini dapat disimpulkan bahwa tidak terdapat problem autokorelasi atau tidak terdapat autokorelasi.

4.2.4 Uji Heterokedastisitas

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 kepengamatan yag lain tetap, maka disebut homoskedastisitas dan jika berbeda akan disebut heteroskedastisitas. Model regresi yang baik adalah model yang tidak terjadi heteroskedastisitas Ghozali, 2010. Pengujian heteroskedastisitas dengan menggunakan Uji Glejser. Hasil pengujian heteroskedastisitas ditunjukkan dalam Tabel 4.6 berikut ini : Tabel 4.6 Universitas Sumatera Utara Hasil Uji Glejser Coefficients a Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 Constant ,634 ,329 1,930 ,062 BVPS ,095 ,097 ,208 ,973 ,337 DPR -,009 ,006 -,241 -1,401 ,170 ROA ,000 ,015 -,005 -,023 ,982 EPS ,000 ,000 ,268 1,483 ,147 NI -4,265E-5 ,000 -,399 -2,208 ,034 a. Dependent Variable: Perg. Harga Saham Sumber : Data Sekunder yang Diolah Berdasarkan pada Tabel 4.6, menunjukkan bahwa koefisien parameter untuk semua variabel independen yang digunakan dalam penelitian tidak ada yang signifikan pada tingkat 0,05. Hal ini dapat disimpulkan bahwa dalam persamaan regresi yang digunakan tidak terjadi heteroskedastisitas. Gambar 4.4 Grafik Scatterplot Universitas Sumatera Utara Dari grafik scatterplots terlihat bahwa titik-titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y. hal ini dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi, sehingga model regresi layak dipakai untuk memprediksi pergerakan harga saham berdasarkan masukan variabel independen BVPS, DPR, ROE, EPS, dan NI. 4.3 Hasil Penelitian dan Pembahasan Penelitian 4.3.1 Hasil Penelitian