C. Pengujian Asumsi Klasik
Untuk menghasilkan suatu model regresi yang baik diperlukan pengujian asumsi klasik terlebih dahulu sebelum melakukan pengujian hipotesis. Pengujian
asumsi klasik dalam penelitian ini dilakukan dengan bantuan program statistik. Menurut Ghozali 2005:123, asumsi klasik yang harus dipenuhi adalah :
Berdistribusi normal. Non-Multikolinearitas, artinya antara variabel independen dalam model
regresi tidak memiliki korelasi atau hubungan secara sempurna ataupun mendekati sempurna.
Non-Autokorelasi, artinya kesalahan pengganggu dalam model regresi tidak saling berkorelasi.
Non-Heterokedastisitas, artinya variance variabel independen dari satu pengamatan ke pengamatan lain adalah konstan atau sama.
1. Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah variabel residual berdistribusi normal. Uji statistik yang dapat digunakan untuk menguji apakah residual
berdistribusi normal adalah uji statistik non parametric Kolmogorov-Smirnov KS dengan membuat hipotesis.
H0 : Data residual berdistribusi normal HA : Data residual tidak berdistribusi normal
Apabila nilai signifikansi lebih besar dari 0.05 maka H0 diterima dan sebaliknya jika nilai signifikansi lebih kecil dari 0.05, maka H0 ditolak atau HA
diterima.
Universitas Sumatera Utara
Tabel 4.3 Hasil Uji Normalitas
Sumber : Output SPSS, diolah Penulis, 2010 Dari hasil pengolahan data pada tabel 4.3 diperoleh besarnya nilai
Kolmogorov-Smirnov adalah 2.832 dan signifikan pada 0.000. Nilai signifikansi lebih kecil dari 0.05, maka H0 ditolak yang berarti data residual berdistribusi tidak
normal. Data yang tidak berdistribusi normal dapat disebabkan oleh adanya data yang outlier yaitu data yang memiliki nilai yang sangat menyimpang dari nilai
data lainnya. Beberapa cara mengatasi data outlier menurut Erlina 106:2007 yaitu:
lakukan transformasi data ke bentuk lainnya. lakukan trimming, yaitu membuang data outlier
lakukan winsorizing, yaitu mengubah nilai data yang outlier ke suatu nilai tertentu.
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual N
84 Normal Parameters
a
Mean .0000000
Std. Deviation 8.06301378E3
Most Extreme Differences
Absolute .309
Positive .264
Negative -.309
Kolmogorov-Smirnov Z 2.832
Asymp. Sig. 2-tailed .000
a. Test distribution is Normal.
Universitas Sumatera Utara
Karena data tidak terdistribusi normal, maka dilakukan tindakan perbaikan treatment agar model regresi memenuhi asumsi normalitas. Untuk mengubah
nilai residual agar berdistribusi normal, penulis melakukan transformasi data ke model logaritma natural Ln dari Perubahan Harga Saham = fNPM, ROE, DER,
EPS menjadi Ln_Perubahan Harga Saham = fLn_NPM, Ln_ROE, Ln_DER, Ln_EPS. Kemudian data diuji ulang berdasarkan asumsi normalitas, berikut ini
hasil pengujian dengan Kolmogorov-Smirnov.
Tabel 4.4 Hasil Uji Normalitas Pada Data Setelah Transformasi Logaritma Natural
One-Sample Kolmogorov-Smirnov Test
Sumber : Output SPSS, diolah Penulis, 2010 Dari hasil pengolahan data pada tabel 4.4 diperoleh besarnya nilai
Kolomogorov-Smirnov adalah 1.026 dan signifikan pada 0.244. Nilai signifikansi lebih besar dari 0.05, maka H0 diterima yang berarti data residual berdistribusi
normal. Setelah data berdistribusi normal dapat dilanjutkan dengan uji asumsi
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 51
Normal Parameters
a
Mean .0000000
Std. Deviation .89041146
Most Extreme Differences
Absolute .144
Positive .073
Negative -.144
Kolmogorov-Smirnov Z 1.026
Asymp. Sig. 2-tailed .244
a. Test distribution is Normal.
Universitas Sumatera Utara
klasik lainnya. Untuk lebih jelas berikut ini dilampirkan grafik histogram dan grafik p-plot data yang telah berdistribusi normal.
Sumber : Output SPSS, diolah Penulis, 2010
Gambar 4.1 Histogram
Grafik histogram pada gambar 4.1 menunjukkan pola distribusi normal karena grafik tidak menceng skewness kiri maupun menceng kanan. Dengan demikian,
dapat disimpulkan bahwa model regresi telah memenuhi asumsi normalitas. Demikian pula hasil uji normalitas dengan menggunakan grafik normal p-plot.
Universitas Sumatera Utara
Sumber : Output SPSS, diolah Penulis, 2010
Gambar 4.2 Grafik Normal P-Plot
Berdasarkan grafik normal p-plot di atas terlihat bahwa data menyebar disekitar garis diagonal, maka dapat disimpulkan bahwa model regresi telah
memenuhi asumsi nomalitas. Hal ini sesuai dengan pernyataan Ghozali 2005:112, dimana pendeteksian normalitas dapat dilakukan dengan melihat
penyebaran data titik pada sumbu diagonal dari grafik, yaitu jika data titik menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal, hal ini
menunjukkan data yang telah terdistribusi normal.
2. Uji Multikolinearitas
Kategori