62
simpangan data menunjukkan tingginya fluktuasi dari data harga saham per- Desember pada periode tahun 2011-2013.
4.1.2 Uji Asumsi Klasik
Menurut Gujarati 2003 suatu model dikatakan baik untuk alat prediksi apabila mempunyai sifat-sifat best linear unbiased estimator BLUE. Di samping
itu suatu model dikatakan cukup baik dan dapat dipakai untuk memprediksi apabila sudah lolos dari serangkaian uji asumsi ekonometrika yang melandasinya.
Suatu model regresi berganda yang digunakan untuk menguji hipotesa harus memenuhi asumsi klasik. Uji asumsi klasik dilakukan juga untuk mendapatkan
model regresi yang tidak bias dan efisien. Estimasi dari parameter-parameter dengan metode ordinary least square
OLS akan memiliki sifat ketidakbiasan unbiasedness, varians yang minimum minimum varians, dan sebagainya, yang disebut best linear unbiased estimator
BLUE Gujarati, 2003:107, Supranto, 2005:70. Dalam penggunaan regresi linear berganda, terdapat empat uji asumsi klasik, yakni uji normalitas residual, uji
multikolinearitas, uji autokorelasi, dan uji heteroskedastisitas Supranto, 2005:151.
4.1.2.1 Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal. Seperti diketahui
bahwa uji t dan F mengasumsikan bahwa nilai residual mengikuti distribusi
Universitas Sumatera Utara
63
normal. Kalau asumsi ini dilanggar maka uji statistik menjadi tidak valid untuk jumlah sampel kecil Ghozali, 2011:160, Gujarati, 2003:339, Field, 2009:221,
Supranto, 2005:90. Dalam penelitian ini, uji normalitas terhadap residual dengan menggunakan uji Kolmogorov-Smirnov, grafik histogram, serta normal
probability plot . Dalam penelitian ini, tingkat signifikansi yang digunakan � = 0,05. Dasar pengambilan keputusan adalah melihat angka probabilitas �,
dengan ketentuan sebagai berikut :
1. Jika nilai probabilitas � ≥ 0,05, maka asumsi normalitas terpenuhi.
2. Jika probabilitas 0,05, maka asumsi normalitas tidak terpenuhi.
Hasil dari uji normalitas dengan Kolmogrov-Smirnov Test, grafik histogram, serta normal probability plot ditunjukkan sebagai berikut:
Tabel 4.2 Uji Normalitas
Sumber : hasil olahan software SPSS 19
Perhatikan bahwa berdasarkan Tabel 4.2, diketahui nilai probabilitas �
atau Asymp. Sig. 2-tailed sebesar 0,000. Dalam penelitian ini, tingkat signifikansi yang digunakan adalah
� = 0,05. Karena nilai probabilitas �, yakni
Universitas Sumatera Utara
64
0,000, lebih kecil dibandingkan tingkat signifikansi, yakni 0,05. Hal ini berarti asumsi normalitas tidak terpenuhi.
Normalitas data juga dapat dilihat dengan melihat gambar grafik histogram dan normal probability plotsebagai berikut :
Gambar 4.1 Histogram Normalitas Residual
Gambar 4.2 P-P Plot Residual
Universitas Sumatera Utara
65
Berdasarkan gambar 4.1, dari hasil tampilan kurva histogram dapat terlihat bahwa kemiringan kurva cenderung ke kanan, hal ini menunjukkan data tidak
terdistribusi dengan normal. Berdasarkan gambar 4.2, dari hasil grafik normal P-Plot regression diatas
dapat dilihat titik-titik menyebar jauh dari garis diagonal yang menunjukkan data tidak terdistribusi dengan normal.
Untuk memperoleh hasil terbaik, maka data pencilan atau outlier yang ada dihilangkan. Outlier adalah data yang memiliki karakteristik unik yang terlihat
sangat berbeda jauh dari observasi-obsevasi lainnya dan muncul dalam bentuk nilai ekstrim baik untuk sebuah variabel tunggal atau variabel kombinasi
Ghozali, 2011. Setelah data outlier dihilangkan, maka data yang semula 93 menjadi 79. Hasil pengujian normalitas yang kedua diperlihatkan dalam Tabel 4.3
sebagai berikut.
Tabel 4.3 Uji Normalitas setelah Data Menyimpang
Outlier Dihapus
Sumber : hasil olahan software SPSS 19
Universitas Sumatera Utara
66
Berdasarkan Tabel 4.3, nilai probabilitas atau Asymp. Sig 2-tailed adalah 0,264. Oleh karena nilai probabilitas, yakni 0,264 lebih besar dibandingkan
tingkat signifikansi, yakni 0,05, maka asumsi normalitas terpenuhi. Gambar grafik histogram dan normal probability plotsetelah data outlier
dihapus dapat dilihatpada gambar dibawah ini :
Gambar 4.3 Histogram Normalitas Residual Setelah Data
Outlier Dihapus
Gambar 4.4 P-P Plot Residual Setelah Data Outlier Dihapus
Universitas Sumatera Utara
67
Pada grafik histogram terlihat bahwa variabel berdistribusi normal hal ini ditunjukkan oleh distribusi data tersebut tidak menceng ke kanan atau menceng ke
kiri atau kurva yang normal berbentuk kemiringan pada grafik histogram seimbang antara sisi kiri dan kanan, melainkan ke tengah dengan bentuk seperti
lonceng. Data yang tidak terdistribusi normal ditunjukkan pada grafik histogram dengan data tersebut menceng ke kanan atau menceng ke kiri. Pada Scatter plot
terlihat titik yang mengikuti data sepanjang garis diagonal. Hal ini berarti data berdistribusi normal. Data yang tidak terdistribusi normal pada scatter plot terlihat
dari titik yang tidak mengikuti data sepanjang garis diagonal. Dari grafik histogram dan grafik normal plot maka model regresi memenuhi asumsi
normalitas.
4.1.2.2 Uji Multikolinearitas
