minimumnya sebesar 14,6. Nilai rata-rata lebih besar dari standar deviasi 2,08, ini berarti bahwa data telah terdistribusi baik.
Ukuran perusahaan size memiliki nilai rata-rata 2,5333 dan lebih besar daripada standar deviasinya 1,5, ini menunjukkan bahwa data terdistribusi
dengan baik. Nilai maksimum adalah sebesar 19 dan nilai minimum sebesar 0,23
4.3 Uji Asumsi Klasik 4.3.1 Uji Normalitas
Uji normalitas dilakukan untuk menguji apakah dalam sebuah model regresi, variabel independen dan variabel dependen atau keduanya mempunyai
distribusi normal atau tidak. Model yang paling baik adalah distribusi data normal atau mendekati normal. Normalitas data dapat dideteksi dengan melihat bentuk
kurva histogram dengan kemiringan seimbang ke kiri dan ke kanan dan berbentuk seperti lonceng atau dengan melihat titik-titik data yang menyebar disekitar garis
diagonal dan searah mengikuti garis diagonal dari gambar normal P-Plot Nugroho, 2005:23-23.
Sumber: Hasil olahan SPSS 16.00, 2014
Universitas Sumatera Utara
Gambar 4.1 Histogram Dependent Variabel VAIC
Gambar 4.1 ini menunjukkan kurva histogram yang memiliki kemiringan seimbang kekiri dan kekanan, atau tidak condong ke kiri maupun ke kanan,
melainkan ke tengah dengan bentuk seperti lonceng. Hal ini memenuhi salah satu syarat uji normalitas data bahwa data berdistribusi normal.
Sumber: Hasil olahan SPSS 16.00, 2014
Gambar 4.2 Normal P-Plot of Regresion Standarized Residual
Gambar 4.2 ini merupakan kurva P-Plot yang menunjukkan penyebaran titik- titik data di sekitar garis diagonal dan mengikuti arah garis diagonal. Hal ini
berarti data pada variabel yang digunakan, yaitu variabel VAIC, berdistribusi normal
Universitas Sumatera Utara
Penelitian ini menggunakan Uji Statistik non-parametrik One sample Kolmogorov-Smirnov
untuk mendapatkan tingkat uji normalitas yang lebih signifikan. Pada Tabel 4.5 berikut ini, diperoleh nilai Asymp. Sig 2-tailed taraf
nyata α, yaitu 0.544 0.05. Hal ini berarti bahwa H
diterima, yang berarti data residual berasal dari distribusi normal.
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual N
105 Normal Parameters
a
Mean .0000000
Std. Deviation 1.26742043
Most Extreme Differences Absolute
.078 Positive
.048 Negative
-.078 Kolmogorov-Smirnov Z
.800 Asymp. Sig. 2-tailed
.544 a. Test distribution is Normal.
Sumber: Hasil Olahan SPSS, 2014
Tabel 4.2 Uji Kolmogorov-Smirnov
4.3.2 Uji Multikolinearitas
Uji ini digunakan untuk menguji apakah dalam sebuah model regresi ditemukan adanya korelasi antara veriabel independen. Jika terjadi korelasi, maka
dikatakan terdapat masalah multikolinieritas. Tabel 4.3 berikut menunjukkan semua variabel independen memiliki angka VIF lebih kecil dari 5, sedangkan nilai
tolerance lebih besar dari 0,1. Hal ini menunjukkan tidak ada masalah
multikolinieritas dalam model regresi. Hal ini berarti bahwa semua variabel bebas tersebut layak digunakan sebagai prediktor.
Tabel 4.3 Uji Multikolinearitas
Universitas Sumatera Utara
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
Collinearity Statistics B
Std. Error Beta
Tolerance VIF
1 Constant
2.336 .518
4.507 .000 LNROA
.206 .259
.132 2.941 .004
.511 1.956
LNROE -.228
.236 -.149
-.963 .338 .504
1.985 LNINS
-.712 .310
-.221 -2.294 .024
.948 1.054
LNSIZE2 .188
.042 .402
4.463 .000 .994
1.006 a. Dependent Variable: LNVAIC
Sumber: Data olahan SPSS, 2014
4.3.3 Uji Heteroskedastisitas
Asumsi heteroskedastisitas adalah asumsi dalam regresi dimana varians dari
residual tidak sama untuk satu pengamatan ke pengamatan lain. Jika varians dari residual dari suatu pengamatan ke pengamatan lain tetap, maka disebut
homoskedastisitas, dan jika berbeda disebut heteroskedastisitas. Salah satu uji untuk mengetahui heteroskedastisitas ini adalah dengan melihat penyebaran dari
varians residual pada diagram pencar scatter plot.
Gambar 4.3 Uji Heteroskedastisitas
Universitas Sumatera Utara
Sumber: data olahan SPSS,2014
Dari grafik scatterplot tersebut terlihat titik-titik menyebar tidak acak dan tersebar pada titik tertentu atau membentuk pola pada satu titik. Hal ini berarti
terjadi heteroskedastisitas pada model regresi. Data yang mengalami heterokedastisitas memiliki varians yang tidak sama.
Varians yang tidak sama dapat disebabkan oleh error learning model, spesifikassi model yang tidak baik, perbedaan besar pengamatan yang satu dengan
pengamatan yang lain serta kesalahan transformasi data dan kesalahan bentuk fungsional Situmorang dan Lutfi, 2012
Data yang mengalami heteroskedastisitas dapat ditransformasikan agar variansnya sama dan mengalami homokedastisitas, salah satunya adalah dengan
mengubah data menjadi bentuk natural Ln. Setelah data ditransformasi, data tersebut diuji lagi dengan meggunakan diagram pencar scatter plot. Berikut
adalah hasil uji scatter plot setelah data ditransformasi:
Gambar 4.4 Uji Heteroskedastisitas Setelah Transformasi
Sumber: data olahan SPSS,2014
Universitas Sumatera Utara
Dari grafik scatterplot tersebut terlihat titik-titik menyebar secara acak serta tersebar cukup baik. Hal ini berarti tidak terjadi heteroskedastisitas pada
model regresi. Metode lain untuk mengetahui apakah suatu data mengalami
heteroskedastisitas adalah dengan menggunakan pendekatan statistik, yaitu uji glejser yang menggunakan variabel dependen absolut Ut absUt. Berikut hasil uji
glejser:
Tabel 4.4 Uji Glejser
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error
Beta 1
Constant 1.356
.327 4.146
.000 LNROA
-.059 .035
-.229 -1.668
.098 LNROE
.015 .015
.134 .971
.334 LNINS
-.003 .005
-.074 -.730
.467 LNSIZE
.024 .027
.088 .892
.374 a. Dependent Variable: ABSUT
Sumber: data olahan SPSS, 2014
Jika variabel independen secara signifikan mempengaruhi variabel dependen, maka ada indikasi heteroskedastisitas. Tabel 4.5 tersebut menunjukkan
tidak ada satu pun variabel independen yang mempengaruhi variabel dependen absolut Ut absUt. Hal ini terlihat dari probabilitas signifikansinya di atas tingkat
kepercayaan 5 ROA 0,0980,05; ROE 0,3340,05; INS 0,4670,05; SIZE 0,3740,05 jadi dapat disimpulkan model regresi tidak mengalami
heteroskedastisitas.
4.3.4 Uji Autokorelasi
Universitas Sumatera Utara
Uji autokorelasi bertujuan menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan
pengganggu pava perode sebelumnya. Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lainnya. Uji autokorelasi ini
dideteksi dengan menggunakan Runs Tests, dimana pengambilan keputusannya adalah; tidak menolak hopotesis nol jika taksiran R berada pada jarak interval; dan
menolak hipotesisi nol jika taksiran R diluar batas interval.
Tabel 4.5 Uji Autokorelasi
Runs Test
Unstandardized Residual Test Value
a
.11959 Cases Test Value
52 Cases = Test Value
53 Total Cases
105 Number of Runs
57 Z
.687 Asymp. Sig. 2-tailed
.492 a. Median
Sumber: data olahan SPSS, 2014
Hasil output Runs Test menunjukkan bahwa nilai test adalah 0,11959 dengan propbabilitas 0,492 0,05 yang berarti hipotesis nol ditolak. Dengan kata
lain tidak terjavi autokorelasi antar nilai residual.
4.4 Analisis Regresi Berganda Analisis regresi dilakukan untuk menguji seberapa besar hubungan antara
variabel independen yang terdiri dari ROA, ROE, SIZE dan INS dengan variabel
Universitas Sumatera Utara
dependen yaitu VAIC sekaligus untuk mengetahui arah hubungan tersebut. Data yang digunakan telah ditransformasi dalam bentuk logaritma natural karena data
yang digunakan mengalami heteroskedastisitas. Tabel 4.5 berikut ini
menunjukkan hasil estimasi regresi melalui pengolahan data dengan SPSS:
Tabel 4.6 Analisis Regresi Linier Berganda
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error
Beta 1
Constant 2.336
.518 4.507
.000 LNROA
.206 .259
.132 2.941
.004 LNROE
-.228 .236
-.149 -.963
.338 LNINS
-.712 .310
-.221 -2.294
.024 LNSIZE
.188 .042
.402 4.463
.000 a. Dependent Variable: LNVAIC
Sumber: data olahan SPSS, 2014
Pengolahan data tersebut menghasilkan suatu persamaan regresi linier berganda sebagai berikut:
Y = 3,896 + 0,206 β
1
– 0,228 β
2
– 0,712 β
3
+ 0,188 β
4
+ e Dimana :
Y = VAIC β
1
= ROA β
2
= ROE β
3
= Kepemilikan Institusional β
4
= Ukuran Perusahaan e = standar error
Universitas Sumatera Utara
Interpretasi: 1.
Konstanta sebesar 3,896 menunjukkan nilai tetap konstan VAIC bahwa apabila tidak ada variabel bebas ROA,ROE, Kepemilikan institusional, ukuran
perusahaan maka harga saham perusahaan industri keuangan di Bursa Efek Indonesia sebesar 3,896.
2. Variabel ROA berpengaruh positif terhadap VAIC dengan nilai koefisien
sebesar 0,206. Artinya jika ROA naik sebesar 1 maka VAIC akan mengalami kenaikan sebesar 20,6 atau 0,206 pula.
3. Variabel ROE berpengaruh negatif terhadap VAIC dengan nilai koefisien
sebesar 0,228. Artinya jika ROE naik sebesar 1 maka VAIC akan mengalami penurunan sebesar 22,8 atau 0,228 satuan.
4. Variabel kepemilikan institusional berpengaruh negatif terhadap VAIC
dengan nilai koefisien sebesar 0,712. Artinya jika kepemilikan institusional naik sebesar 1 maka VAIC akan mengalami penurunan sebesar 71,2 atau 0,712.
5. Variabel size atau ukuran perusahaan berpengaruh positif terhadap VAIC
dengan nilai koefisien sebesar 0,188. Artinya jika kepemilikan institusional naik sebesar 1 maka VAIC akan mengalami penurunan sebesar 18,8.
4.5 Pengujian Hipotesis 4.5.1 Uji Simultan Uji Statistik F