44
adalah nilai intrinsik dan nilai pasar saham selalu berubah pada setiap periodenya sehingga nilai harga saham menjadi fluktuatif pula.
4.3. Deskripsi Hasil Pengujian
4.3.1. Hasil Pengujian Normalitas
Uji normalitas data digunakan untuk mengetahui apakah suatu data mengikuti sebaran normal yang dapat dilakukan dengan berbagai metode
diantaranya adalah Kolmogorov Smirnov dan Shapiro Wilk. Hasil pengujian normalitas yang dilakukan terhadap variabel-
variabel yang diteliti dengan menggunakan uji Kolmogorov-Smirnov dan Shapiro Wilk
didapatkan hasil sebagai berikut :
Tabel 4.4. Hasil Uji Normalitas
Tests of Normality
,085 24
,200 ,989
24 ,992
,133 24
,200 ,954
24 ,338
,115 24
,200 ,953
24 ,320
Return On Equity Earning Per Share
Harga Saham Statistic
df Sig.
Statistic df
Sig. Kolmogorov-Smirnov
a
Shapiro-Wilk
This is a lower bound of the true significance. .
Lilliefors Significance Correction a.
Sumber : Lampiran 2 Berdasarkan tabel diatas dapat diketahui bahwa nilai statistik
Kolmogorov-Smirnov dan Shapiro Wilk yang diperoleh mempunyai taraf
signifikan yang lebih besar dari 0,05. Hal ini membuktikan bahwa semua
variabel yang diteliti berdistribusi normal.
45
4.3.2. Pengujian Asumsi Klasik
4.3.2.1.Uji Autokorelasi
Autokorelasi dapat didefinisikan sebagai “korelasi antara data observasi yang diurutkan berdasarkan urut waktu data time series atau
data yang diambil pada waktu tertentu data cross sectional” Gujarati, 1999:201. Jadi dalam model regresi linear diasumsikan tidak terdapat
gejala autokorelasi. Artinya nilai residual Y observasi – Y prediksi pada waktu ke-t e
t
tidak boleh ada hubungan dengan nilai residual periode sebelumnya e
t-1
. Identifikasi ada atau tidaknya gejala auto korelasi data dites dengan menghitung nilai Dulbin Watson d tes dengan persamaan :
d =
N t
1 t
2 t
N t
2 t
2 1
t t
e e
e
Keterangan : d = nilai Durbin Watson
e
t
= residual pada waktu ke-t e
t-1
= residual pada waktu ke-t-1 satu periode sebelumnya N = banyaknya data
Dalam penelitian ini, besarnya Durbin Watson setelah dianalisis adalah 1,649 lampiran 3. Untuk mengetahui adanya gejala autokorelasi
maka perlu dilihat tabel Durbin Watson dengan jumlah variabel bebas K = 2 sedangkan jumlah pengamatan 24 maka diperoleh dl = 1,188 dan du =
46
1,545. lampiran 5 Selanjutnya nilai tersebut diplotkan ke kurva Durbin Watson dibawah ini :
Gambar 4.1. Distribusi Daerah Keputusan Autokorelasi
Daera h
kera g
u -ra
gua n
Daera h
Kera g
u -ra
gua n
A d
a Au toko
re la
si
A d
a Au toko
re la
si
negat if
Po sitif
Tidak Ada Autokorelasi
D.W = 1,649
4-dl = 2,812
4-du = 2,455
dl = 1,188
du = 1,545
Berdasarkan gambar diatas dapat diketahui bahwa distribusi daerah penentuan keputusan dimulai dari 0 nol sampai 4 empat. Dan
dapat disimpulkan karena nilai dari analisis sebesar 1,649 berada pada daerah keragu-raguan sehingga dapat diputuskan bahwa telah terbebas
dari penyimpangan autokorelasi.
4.3.2.2.Uji Multikolinieritas
Identifikasi secara statistik ada atau tidaknya gejala multikolinier dapat dilakukan dengan menghitung Variance Inflation Factor VIF. Dari
hasil pengujian terhadap gejala mulitikolinieritas diperoleh hasil sebagai berikut
:
47
Tabel 4.5. Hasil uji Multikolinieritas
Variabel bebas Tolerance
VIF
Return On Equity ROE X
1
0,712 1,405
Earning Per Share EPS X
2
0,712 1,405
Sumber : Lampiran 3 Berdasarkan hasil pengujian dapat diketahui bahwa nilai VIF
seluruh variabel bebas dalam penelitian ini lebih kecil dari 10, artinya seluruh variabel bebas pada penelitian ini tidak terjadi gejala multikolinier
Ghozali, 2001:57. 4.3.2.3.Uji Heteroskedastisitas
Pada regresi linier, nilai residual tidak boleh ada hubungan dengan variabel X. Hal ini bisa diidentifikasi dengan menghitung korelasi Rank
Spearman antara residual dengan seluruh variabel bebas dimana nilai
probabilitas yang diperoleh harus lebih besar dari 0,05. Hal ini bisa diidentifikasikan dengan cara menghitung korelasi Rank Spearman antara
residual dengan seluruh variabel independen atau yang menjelaskan dimana nilai signifikansi yang diperoleh harus lebih besar dari 0,05.
Hasil pengujian heteroskedastisitas pada penelitian ini dapat dilihat pada tabel berikut ini :
Tabel 4.6. Hasil Pengujian Heteroskedastisitas
No Variabel
Nilai mutlak dari residual
Taraf Signifikansi
1. Return On Equity ROE
X
1
-0,053 0,806 2
Earning Per Share EPS X
2
0,093 0,664 Sumber : Lampiran 4
Berdasarkan tabel diatas dapat diketahui bahwa, tingkat signifikan koefisien Rank Spearman untuk semua variabel bebas terhadap residual
48
adalah lebih besar dari 0,05 yang berarti pada model regresi ini tidak terjadi heteroskedastisitas.
Dari hasil pengujian yang telah dilakukan dapat disimpulkan bahwa model analisis regresi linier berganda tersebut telah bebas dari
penyimpangan-penyimpangan asumsi klasik, yaitu bebas dari penyimpangan heteroskedastisitas, multikolinieritas dan autokorelasi
sehingga layak untuk dilakukan pengujian regresi linier berganda.
4.3.3. Hasil Pengujian Regresi Linier Berganda
