variabel independen. Pengujian multikolinearitas dilakukan dengan melihat nilai Variance Inlation Factor VIF dan korelasi di antara
variabel independen. Jika nilai VIF 10, maka terjadi multikolinearitas di antara variabel independen.
c. Uji Heterokedastisitas
Menurut Ghozali 2005 : 105 “uji heteroskedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan variance dari
residual satu pengamatan ke pengamatan yang lain”. Model regresi yang baik adalah tidak terjadi heteroskedastisitas. Cara mendeteksi ada atau
tidaknya heteroskedastisitas adalah dengan melihat grafik plot antara nilai prediksi variabel dependen. Menurut Ghozali 2005 : 105 dasar analisis
untuk menentukan ada atau tidaknya heteroskedastisitas yaitu: 1
Jika ada pola tertentu, seperti titik - titik yang ada membentuk pola tertentu yang teratur bergelombang, melebar kemudian
menyempit, maka mengindikasikan telah terjadi heteroskedastisitas.
2 Jika tidak ada pola yang jelas, serta titik - titik menyebar di atas
dan bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.
d. Uji Autokorelasi
Uji autokorelasi bertujuan untuk melihat apakah dalam suatu model regresi linear ada korelasi atau kesalahan pengganggu pada periode t
dengan kesalahan pada periode t-1. Autokorelasi muncul karena observasi yang berurutan sepanjang tahun yang berkaitan satu dengan yang lainnya,
Universitas Sumatera Utara
hal ini sering ditemukan pada time series. Pada data crossection, masalah autokorelasi relatif tidak terjadi.
Pengambilan keputusan ada tidaknya autokorelasi menurut Ghozali 2005 adalah sebagai berikut:
Tabel 3.4 Kriteria Keputusan Autokorelasi
Jika Keputusan
0 – D
L
Terjadi autokorelasi positi D
L
- D
U
Tanpa kesimpulan D
U
– 4 – D
U
Tidak terjadi autokorelasi 4 – D
U
– 4 – D
L
Tanpa kesimpulan 4 – D
L
- 4 Terjadi autokorelasi negatif
3.6.2 Pengujian Hipotesis
Model penelitian ini menggunakan model regresi linier berganda. Model regresi linier berganda adalah model regresi yang memiliki lebih dari satu
variabel independen. Model regresi linier berganda dikatakan model yang baik jika model tersebut memenuhi asumsi normalitas data dan terbebas dari asumsi –
asumsi klasik statistik baik multikolinearitas, autokorelasi dan heterokedastisitas Lubis et.al, 2007: 47. Persamaan regresi linier berganda yaitu:
Y= α + b
1
X
1
+ b
2
X
2
+
b
3
X
3
+ e
Universitas Sumatera Utara
Ket: Y
= harga saham X
1
= CR X
2
= DER X
3
= ROE α
= konstanta b
1
, b
2
, b
3
= koefisien regresi e
= error
a. Koefisien Determinasi R
2
Koefisien Determinasi R
2
mengukur seberapa jauh kemampuan model menerangkan variasi variabel independen Ghozali, 2005 : 83.
Nilai koefisien determinasi dapat dilihar pada R Square. R Square dikatakan baik jika nilainya di atas 0,5 karena nilai R Square berkisar
antara 0 dan 1.
b. Uji signifikansi serempak
Secara serempak, pengujian hipotesis dengan uji F-test. Menurut Ghozali 2005 : 84 “uji statistik F pada dasarnya menunjukkan apakah
semua variabel independen atau bebas yang dimasukkan dalam model mempunyai pengaruh secara bersama – sama terhadap variabel
dependenterikat”.
Universitas Sumatera Utara
Hipotesis yang akan diuji adalah sebagai berikut: Ho : artinya variabel current ratio, debt to equity ratio, dan return on
equity secara bersama-sama tidak mempunyai pengaruh yang signifikan terhadap harga saham.
Ha : artinya variabel current ratio, debt to equity ratio, dan return on equity secara bersama-sama mempunyai pengaruh yang signifikan
terhadap harga saham. Uji ini dilakukan dengan membandingkan signifikansi F
hitung
dengan ketentuan : jika F
hitung
F
tabel
pada α 0,05 dan nilai p-value level of significant
sebesar 0,05, maka H
a
ditolak, dan jika F
hitung
F
tabel
pada α 0,05 dan nilai p-value level of significant sebesar 0,05 , maka H
a
diterima.
c. Uji signifikansi parsial
