tahun 2007, dan nilai EPS tertinggi adalah 163.30 terjadi pada PT. Jakarta International Hotel And Development Tbk yang terjadi pada tahun 2009. Dapat
disimpulkan bahwa setiap emiten memiliki EPS yang berfluktuasi sepanjang tahun. Pada tahun tertentu memiliki nilai EPS yang tinggi namun pada periode
yang lain memiliki nilai EPS yang rendah.
B. METODE ANALISIS STATISTIK
Syarat untuk bisa melakukan uji analisis regresi linear berganda, model harus lulus uji asumsi klasik.
a. Uji Normalitas Uji normalitas dilakukan untuk mengetahui apakah distribusi sebuah data
mengikuti atau mendekati distribusi normal, yakni distribusi data dengan bentuk lonceng. Data yang baik adalah adalah yang mempunyai pola seperti distribusi
normal, yakni distribusi data tersebut tidak menceng ke kiri atau ke kanan. 1. Pendekatan Histogram
Gambar 4.1
Sumber : Hasil Olahan SPSS pada tanggal 23 Januari 2011 Gambar 4.1 Histogram
Berdasarkan Situmorang, dkk 2010:93 sebuah model dikatakan berdistribusi normal apabila grafik histogram berbentuk lonceng dan tidak
menceng ke kanan atau ke kiri. Pada grafik histogram terlihat bahwa variabel EPS berdistribusi normal hal ini ditunjukkan oleh distribusi data tersebut tidak
menceng ke kanan atau menceng ke kiri. 2. Pendekatan Grafik
Uji normalitas dilakukan dengan menggunakan Plot Probability Normal P-P Plot. PP plot akan membentuk plot antara nilai – nilai teoritis sumbu x
melawan nilai-nilai yang didapat dari sampel sumbu y. Apabila plot dari keduanya berbentuk linier dapat didekati garis lurus, maka hal ini akan
merupakan indikasi bahwa residual menyebar normal. Seringkali ditemui bahwa ujung-ujung plot agak menyimpang dari garis lurus. Bila pola-pola titik yang
terletak selain di ujung-ujung plot masih berbentuk linier, meskipun ujung-ujung plot agak menympang dari garis lurus, maka dapat disimpulkan bahwa sebaran
data adalah menyebar normal. Gambar 4.2
Sumber : Hasil Olahan SPSS pada tanggal 23 januari 2011 Gambar 4.2 Normality P-Plot
Pada scatter plot terlihat titik yang mengikuti data di sepanjang garis diagonal. Hal ini berarti data berdistribusi normal.
3. Pendekatan Kolmogorv Smirnov Data yang kelihatan normal belum tentu berdistribusi normal, untuk lebih
memastikan data di sepanjang garis diagonal berdistribusi normal maka dilakukan uji kolmogorv smirnov 1sample KS dengan melihat data residualnya apakah
berdistribusi normal atau tidak. Pedoman pengambilan keputusan adalah:
1. Nilai signifikansi atau probabilitas Sig. 0.05; maka data berdistribusi normal 2. Nilai atau probabilitas Sig. 0.05; maka data tidak berdistribusi normal
Tabel 4.4
One-Sample Kolmogorov-Smirnov Test
Unstandardiz ed Residual
N 72
Normal Parameters
a
Mean .0000000
Std. Deviation 47.93423869
Most Extreme Differences Absolute
.115 Positive
.115 Negative
-.098 Kolmogorov-Smirnov Z
.973 Asymp. Sig. 2-tailed
.300 a. Test distribution is Normal.
Sumber : Hasil Olahan SPSS pada tanggal 23 januari 2011 Tabel 4.4:
One-Sample Kolmogorov-Smirnov Test
Pada table 4.4 terlihat nilai Asymp.Sig. 2-tailed adalah 0.300 dan di atas nilai signifikan 0.05 maka dapat disimpulkan variabel residual berdistribusi
normal. b. Uji Multikolinearitas
Multikolinearitas digunakan untuk melihat ada atau tidaknya hubungan antara variabel bebas dalam model regresi. Untuk melihat ada atau tidaknya
multikolinearitas dapat dilakukan dengan melihat toleransi variabel dan Variance Inflation Factor VIF, kedua ukuran ini menunjukkan setiap variabel independen
manakah yang dijelaskan oleh variabel independen lainnya, dengan ketentuan sebagai berikut:
• VIF 5 maka tidak terjadi multikolinearitas • VIF 5 maka terjadi multikolinearitas
• Nilai tolerance 0.1 maka tidak terjadi multikolinearitas • Nilai tolerance 0.1 maka terjadi multikolinearitas
Tabel 4.5
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity
Statistics B
Std. Error Beta
Tolerance VIF
1 Const
ant .905
15.755 .057
.954 DAR
122.329 43.830
.477 2.791 .007
.438 2.285 DER
-23.419 8.057
-.497 -
2.907 .005
.438 2.285 a. Dependent Variable:
EPS
Sumber : Hasil Olahan SPSS pada tanggal 23 januari 2011 Tabel 4.5: Uji Multikolinearitas
Dari tabel output SPSS di atas dapat dilihat bahwa nilai tolerance untuk DAR dan DER adalah 0.438 atau 0.1 dan nilai VIF untuk variabel DAR dan
DER adalah 2.285 atau 5 maka dapat disimpulkan bahwa semua data tidak terkena multikolinearitas.
c. Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode yang satu dengan
kesalahan pengganggu pada periode sebelumnya. Adalah yang digunakan untuk mendeteksi autokorelasi Run test. Kaidah keputusan dari metode ini adalah tidak
menolak hipotesis nol jika taksiran R berada pada jarak interval dan menolak hipotesis nol jika taksiran R di luar batas interval.
Tabel 4.6
Runs Test
Unstandardized Residual
Test Value
a
-9.43656 Cases Test Value
36 Cases = Test Value
36 Total Cases
72 Number of Runs
29 Z
-1.899 Asymp. Sig. 2-tailed
.058 a. Median
Sumber : Hasil Olahan SPSS pada tanggal 23 januari 2011 Tabel 4.6: Run Test
Pada tabel 4.6 di atas dapat dilihat bahwa nilai Asymp Sig. 2-tailed adalah sebesar 0.058 atau signifikan pada nilai alfa 0.05, sehingga dapat disimpulkan
bahwa tidak terjadi autokorelasi antar nilai residual. d. Uji Heterokedastisitas
Uji heterokedastisitas bertujuan untuk menguji apakah dalam model regresi terdapat ketidaksamaan variance dari residual satu pengamatan ke
pengamatan lainnya.jika variance dari satu residual satu pengamatan ke pengamatan lainnya tetap maka terjadi homokedastisitas jika berbeda maka
disebut heterokedastisitas. Model regresi yang baik adalah model yang tidak terkena heterokedastisitas. Uji heterokedastisitas dapat dilakukan dengan cara
berikut: 1. Pendekatan Grafik
Gambar 4.3
Sumber : Hasil Olahan SPSS pada tanggal 23 Januari 2011 Gambar 4.3 : Scatterplot
Dari grafik scatterplot di atas terlihat titik-titik menyebar secara acak tidak membentuk suatu pola tertentu yang jelas serta tersebar baik di atas maupun di
bawah angka nol pada sumbu Y. Hal ini berarti tidak terjadi heterokedastisitas pada model regresi, sehingga model regresi layak dipakai untuk memprediksi
variabel EPS, berdasrkan masukan variabel independen. 2.
Uji Glejser
Tabel 4.7
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients T
Sig. B
Std. Error Beta
1 Constant
18.594 10.000
1.859 .067
DAR 40.401
27.819 .257
1.452 .151
DER -1.265
5.114 -.044
-.247 .805
a. Dependent Variable: ABSUT
Sumber : Hasil Olahan SPSS pada tanggal 23 Januari 2011 Tabel 4.7 : Uji Glejser
Jika variabel independen mempengaruhi secara statistik tabel terhadap variabel dependen maka hal ini menunjukkan terjadi autokorelasi pada model
regresi. Dari tabel di atas dapat dilihat bahwa tidak satupun variabel independen yang signifikan secara statistik mempengaruhi variabel dependen absolut Ut
absUt. Hal ini terlihat dari probabilitas signifikansi DAR sebesar 0.151 dan DER sebesar 0.805 di atas tingkat kepercayaan 5 , jadi disimpulkan model regresi
tidak mengarah adanya heterokedastisitas.
C. ANALISIS REGRESI LINEAR BERGANDA