4.3 Uji Asumsi Klasik 4.3.1 Uji Normalitas
Uji normalitas data bertujuan untuk menguji apakah variabel residual berdistribusi normal atau tidak. Pengujian normalitas data dalam penelitian ini
menggunakan uji statistik non parametrik Kolmogrov-Smirnov K-S dengan membuat hipotesis :
Ho : data residual berdistribusi normal.
Ha : data residual tidak berdistribusi normal.
Apabila nilai signifikan lebih besar dari 0.05 maka Ho diterima dan Ha ditolak, sebaliknya jika nilai signifikan lebih kecil dari 0.05 maka Ho ditolak dan Ha
diterima.
Tabel 4.2 Hasil Uji Kolmogorov-Smirnov
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 60
Normal Parameters
a,,b
Mean .0000000
Std. Deviation 1.34778995
Most Extreme Differences Absolute
.203 Positive
.203 Negative
-.161 Kolmogorov-Smirnov Z
1.569 Asymp. Sig. 2-tailed
.015 a. Test distribution is Normal.
b. Calculated from data. Sumber : Data diolah oleh penulis 2013
Universitas Sumatera Utara
Dari hasil pengolahan data Tabel 4.2 diperoleh besarnya nilai Kolmogorov-Smirnov adalah 1.569 dan signifikan pada 0,015. Nilai signifikan
lebih kecil dari 0,05 maka Ha diterima yang berarti data residual tidak berdistribusi normal. Data yang tidak terdistribusi normal dapat disebabkan oleh
adanya data yang outlier, yaitu data yang memiliki nilai yang sangat menyimpang dari nilai data lainnya.
Untuk mengatasi data yang berdistribusi tidak normal ada beberapa cara yang dapat dilakukan. Salah satunya adalah dengan melakukan transformasi data
ke dalam bentuk logaritma natural Ln yaitu dari Return Saham = fPER, MVA, PBV menjadi Ln_Return Saham = fLn_PER, Ln_MVA, Ln_PBV.
Transformasi data ke dalam bentuk logaritma natural menyebabkan data yang bernilai negatif tidak dapat ditransformasikan sehingga menghasilkan missing
values. Setiap data yang terdapat missing values akan dihilangkan dan diperoleh jumlah sampel yang valid menjadi 25 pengamatan. Kemudian data diuji kembali
berdasarkan asumsi normalitas, berikut ini hasil penelitian pengujian dengan Kolmogorov-Smirnov setelah transformasi.
Universitas Sumatera Utara
Tabel 4.3 Hasil Uji Kolmogorov-Smirnov
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 25
Normal Parameters
a,,b
Mean .0000000
Std. Deviation 0.86597760
Most Extreme Differences Absolute
.105 Positive
.075 Negative
-.105 Kolmogorov-Smirnov Z
.527 Asymp. Sig. 2-tailed
.944 a. Test distribution is Normal.
b. Calculated from data. Sumber : Data diolah oleh penulis 2013
Dari hasil pengolahan data Tabel 4.3 diperoleh besarnya nilai Kolmogorov- Smirnov adalah 0,527 dan signifikan pada 0,944. Nilai signifikan lebih besar dari
0,05 maka Ho diterima yang berarti data residual berdistribusi normal. Data yang berdistribusi normal tersebut juga dapat dilihat pada grafik histogram dan grafik
p-plot data.
Universitas Sumatera Utara
Gambar 4.1 Grafik Histogram
Sumber : Data diolah penulis, 2013 Pada grafik histogram di atas terlihat bahwa variabel return saham
berdistribusi normal. Hal ini ditunjukkan oleh data tersebut tidak menceng ke kiri atau menceng ke kanan.
Universitas Sumatera Utara
Gambar 4.2 Grafik normal P-P Plot
Sumber : Data diolah oleh penulis, 2013 Grafik normal p-p plot pada gambar 4.2 menunjukkan bahwa data
menyebar disekitar garis diagonal dan mengikuti arah garis diagonal. Berdasarkan hal ini dapat disimpulkan bahwa data berdistribusi normal.
Universitas Sumatera Utara
4.3.2 Uji Multikolinieritas
Uji Multikolinieritas bertujuan untuk menguji apakah pada model regresi ditemukan adanya korelasi antar variabel independen. Model regresi yang baik
seharusnya tidak terjadi korelasi di antara variabel independen. Berikut ini disajikan cara mendeteksi multikolinearitas dengan menganalisis
matrik korelasi antar variabel independen dan perhitungan nilai Tolerance dan Variance Inflation Factor VIF. Kriteria pengambilan keputusannya adalah
sebagai berikut Situmorang, et al, 2008:104: 1
Jika nilai Tolerance 0,1 atau nilai VIF 10, maka tidak terjadi multikolinearitas.
2 Jika nilai Tolerance 0,1 atau nilai VIF 10, maka terjadi
multikolinearitas.
Tabel 4.4 Uji Multikolineritas
Model Collinearity Statistics
Tolerance VIF
1 Constant
PER .359
2.782 PBV
.767 1.303
MVA .306
3.272 a.Dependent Variable: ReturnSaham
Sumber : Data diolah oleh penulis 2013 Berdasarkan Tabel 4.4 menunjukkan seluruh nilai Tolerance 0,1 dan
seluruh nilai VIF 10. Dengan ini dapat disimpulkan bahwa semua data variabel tidak terkena atau tidak terjadi multikolinearitas.
Universitas Sumatera Utara
4.3.3 Uji Heteroskedastisitas.
Uji heterokedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke
pengamatan yang lain. Jika varians dari residual satu pengamatan ke pengamatan yang lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut
heteroskedastisitas. Model regresi yang baik adalah yang homoskedastisitas atau tidak terjadi heteroskedastisitas Situmorang et al, 2008:65.
Cara untuk mendeteksi ada atau tidaknya heteroskedastisitas pada suatu model regresi dapat dilihat dari pola gambar scatterplot model regresi tersebut.
Analisis terhadap gambar scatterplot yang menyatakan bahwa suatu model regresi tidak terdapat heteroskedastisitas apabila titik-titik data menyebar di atas dan
dibawah atau di sekitar angka 0 serta penyebaran titik-titik data tersebut tidak berpola. Berikut ini adalah gambar scatterplot untuk model regresi dalam
penelitian ini.
Universitas Sumatera Utara
Gambar 4.3 Scatter Plot Uji Heteroskedastisita
Sumber : Data diolah oleh penulis, 2013
Berdasarkan Gambar 4.3, terlihat titik-titik menyebar secara acak tidak membentuk sebuah pola tertentu yang jelas serta tersebar baik di atas maupun di
bawah angka nol pada sumbu Y. Hal ini dapat disimpulkan bahwa tidak terjadi heterokedastisitas pada model regresi, sehingga model regresi layak dipakai untuk
memprediksi Expected Return Saham perusahaan manufaktur yang terdaftar di BEI berdasarkan masukan variabel independen PER, PBV, dan MVA.
Universitas Sumatera Utara
4.3.4 Uji Autokorelasi
Dalam uji autokolerasi ini kita dapat menguji apakah dalam model regresi linier ada kolerasi antara kesalahan pengganggu pada periode t dengan kesalahan-
kesalahan pengganggu pada periode sebelumnya. Jika terjadi autokorelasi dalam model regresi berarti koefisien korelasi yang diperoleh menjadi tidak akurat.
Sehingga model regresi yang baik adalah model regresi yang bebas autokorelasi. Cara yang dapat dilakukan untuk mendeteksi ada atau tidaknya autokorelasi
adalah dengan melakukan pengujian Durbin-Watson D-W. Hasil uji Durbin- Watson ditunjukkan pada tabel berikut ini :
Tabel 4.5 Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .495
a
.245 .137
.92577 1.681
a. Predictors: Constant, LNPBV, LNMVA, LNPER b. Dependent Variable: LNRETURNSAHAM
Sumber : Data diolah oleh penulis, 2013 Kriteria untuk penilaian terjadinya autokorelasi yaitu:
1 Nilai D-W lebih besar dari 0 dan lebih kecil dari dl maka tidak ada
autokorelsi positif. 2
Nilai D-W lebih besar dari 4-dl dan lebih kecil dari 4 maka ada autokorelsi positif.
3 Nilai D-W lebih besar du dan lebih kecil dari 4-du maka tidak ada korelasi
negative, tidak ada autokorelasi positif atau negative.
Universitas Sumatera Utara
Dari hasil tabel diatas diketahui bahwa nilai nilai D-W adalah : 1.654 1.6812.346 yang berarti termasuk pada kriteria ketiga, sehingga
dapat disimpulkan bahwa model regresi bebas dari masalah autokorelasi.
Tabel 4.6 Model summary
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .495
a
.245 .137
.92577 1.681
a. Predictors: Constant, LNPBV, LNMVA, LNPER b. Dependent Variable: LNRETURNSAHAM
Sumber : Data diolah oleh penulis, 2013 Pada tabel 4.6 di atas, dapat dilihat hasil analisis regresi secara
keseluruhan menunjukkan nilai R sebesar 0.495 menunjukkan bahwa korelasi atau hubungan antara Expected Return Saham dengan Price Earning Ratio, Price Book
Value, dan Market Value Added mempunyai tingkat hubungan yang sedang, yaitu sebesar 49,5. Tingkat hubungan yang sedang dapat dilihat pada tabel pedoman
untuk memberi interprestasi koefisien korelasi.
Tabel 4.7 Pedoman untuk memberikan Interpretasi Koefisien Korelasi
Interval koefisien Tingkat hubungan
0.000-0.199 Sangat rendah
0.200-0.399 Rendah
0.400-0.599 Sedang
Universitas Sumatera Utara
0.600-0.799 Kuat
0.800-1.000 Sangat kuat
Sumber : Sugiyo 2006:183 Nilai Adjusted R Square atau koefisien adalah sebesar 0,245. Angka ini
mengidentifikasikan bahwa Expected Return Saham mampu dijelaskan oleh Price Earning Ratio, Price Book Value, dan Market Value Added 13,7 sedangkan
selebihnya sebesar 86,3 dijelaskan oleh sebab-sebab lain. Kemudian standard error of the estimate adalah sebesar 0.92577 Standard error of the estimate artinya
mengukur variasi dari nilai yang diprediksi. Standard error of the estimate juga bisa disebut standar deviasi, standard error of the estimate dalam penelitian ini
sebesar 0.92577. semakin kecil standard error of the estimate berarti model semakin baik.
4.4 Pengujian Hipotesis
