Tabel 4.6 Hasil Analisis Deskripsi Inflasi Statistics
INFLASI N
Valid 126
Missing Mean
6.81000 Std. Error of Mean
.302663 Median
6.59000 Std. Deviation
3.397382 Variance
11.542 Range
8.280 Minimum
2.780 Maximum
11.060 Sum
858.060 Sumber : Hasil Pengolahan Data Sekunder Tahun 2007-2009
Berdasarkan hasil analisis SPSS 16.0 For Windows di atas dengan memasukkan semua data yang N valid menunjukan data yang terproses adalah
126. N missing menunjukan data yang tidak terproses adalah 0. Dengan rata-rata atau mean sebesar 6.810, rentang rata-rata populasi minimum dan maksimum
yaitu antara 2.780 sampai 11.060. Standar deviasi adalah 3.397. Pangkat dua dari standar deviasi adalah varians. Semakin besar standar deviasi dan varians berarti
berarti menunjukkan data semakin bervariasi. Angka varians adalah 11.542.
4.1.3 Pengujian Asumsi Klasik
1. Pengujian Normalitas Data
Pengujian normalitas data penelitian untuk menguji apakah dalam model statistik variabel-variabel penelitian berdistribusi normal atau tidak normal. Model
regresi yang baik adalah mempunyai distribusi data normal atau mendekati normal. Uji normalitas dilakukan dengan melihat grafik histogram yang
membandingkan antara data observasi dengan distribusi yang mendekati distribusi normal.
Pada prinsipnya normalitas dapat dideteksi dengan melihat penyebaran data titik pada sumbu diagonal dari grafik atau dengan melihat histogram dari
residualnya. Dasar pengambilan keputusan : c. Jika data menyebar di sekitar garis diagonal dan mengikuti arah garis
diagonal, maka model regresi memenuhi asumsi normalitas. d. Jika data menyebar jauh dari garis diagonal dan atau tidak mengikuti arah
garis diagonal, maka model regresi tidak memenuhi asumsi normalitas.
Gambar 4.1 Hasil Uji Normalitas Data
Grafik normal p-plot memperlihatkan bahwa titik-titik menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal. Sehingga dalam penelitian
tidak terjadi gangguan normalitas, yang berarti berdistribusi normal.
2. Pengujian Multikolonieritas
Uji Multikolonieritas bertujuan untuk menguji apakah ada ditemukan korelasi di antara variabel bebas independent variabel. Jika terjadi korelasi maka
terdapat problem multikolonieritas. Pada model regresi yang baik tidak terjadi korelasi di antara variabel bebasnya. Gejala ini dapat dideteksi dengan nilai
tolerance dan nilai Variance Inflation Factor VIF. Nilai tolerance rendah sama
dengan nilai VIF tinggi VIF = 1tolerance. Hasil analisis terhadap multikolonieritas dapat dilihat pada tabel 4.7 berikut ini:
Tabel 4.7 Hasil Uji Multikolonieritas Coefficients
a
Model Collinearity Statistics
Tolerance VIF
1 Constant
DER .920
1.087 EPS
.936 1.068
PER .940
1.064 KURS
.743 1.346
INFLASI .743
1.346 a. Dependent Variable: RETURN
Sumber : Hasil Pengolahan Data Sekunder Tahun 2007-2009 Indikasi terjadinya multikolineritas adalah bila batas VIF adalah 10 dan
tolerance 0,1. jika nilai VIF lebih besar dari 10 dan tolerance kurang dari 0,1
maka terjadi multikolineritas. Variabel bebas di atas menunjukkan angka VIF ada di bawah angka 10 misal 1,087 dan 1,068, demikian juga nilai tolerance
dibawah angka 1 seperti untuk DER adalah 0,920. Model regresi diatas dapat disimpulkan tidak terdapat masalah multikolonieritas.
3. Pengujian Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam sebuah model regresi terjadi ketidaksamaan varians dari residual suatu pengamatan ke
pengamatan yang lain. Jika varians dari residual tetap, maka disebut homoskedastisitas dan jika varians berbeda disebut heteroskedastisitas. Model
regresi yang baik adalah tidak terjadi heteroskedastisitas. Pengujian heterokedastisitas dengan melihat ada tidaknya pola tertentu
pada grafik Y prediksi dikurangi Y sesungguhnya yang telah distudentized. Dasar pengambilan keputusan:
a.
Jika ada pola tertentu, seperti titik-titik yang ada membentuk suatu pola tertentu yang teratur bergelombang, melebar kemudian menyempit, maka
telah terjadi heteroskedasitas.
b.
Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedasitas.
Grafik di bawah terlihat titik-titik menyebar secara acak, tidak membentuk sebuah pola tertentu yang jelas, serta tersebar baik di atas maupiun di bawah angka 0
pada sumbu Y. Hal ini berarti tidak terjadi Heteroskedasitas pada model regresi.
Gambar 4.2 Hasil Uji Heteroskedastisitas
4. Pengujian Autokorelasi
Uji ini dilakukan untuk menunjukkan bahwa tidak ada autokorelasi atau kondisi yang berurutan di antara gangguan atau disturbance yang masuk ke dalam
fungsi regresi. Untuk mendeteksi ada tidaknya gejala autokorelasi dapat dilakukan dengan uji Durbin Watson atau uji d. Nilai d memiliki batas 0 sampai dengan 4,
dan juga memiliki batas bawah d
L
dan juga batas atas d
U
. Ada beberapa cara yang dapat digunakan untuk mendeteksi ada atau
tidaknya autokorelasi menurut Ghozali 2006 adalah sebagai berikut: a. Apabila d d
L
atau d 4 – d
L
berarti terdapat autokorelasi b. Apabila d terletak antara d
U
dan 4 – d
U
berarti tidak terdapat autokorelasi c. Apabila nilai d terletak antara d
L
dan d
U
d
L
d d
U
atau antara 4 – d
U
dan 4
– d
L
maka uji Durbin Watson tidak menghasilkan kesimpulan yang pasti
No Decision. Pada nilai ini tidak dapat disimpulkan apakah terdapat autokorelasi atau tidak terdapat autokorelasi.
Tabel 4.8 Hasil Uji Durbin-Watson
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of
the Estimate Durbin-
Watson 1
.543
a
.295 .265
.719581 2.123
a. Predictors: Constant, INFLASI, DER, PER, EPS, KURS b. Dependent Variable: RETURN
Sumber : Hasil Pengolahan Data Sekunder Tahun 2007-2009 Nilai DW sebesar 2.123, nilai ini akan dibandingkan dengan nilai tabel
dengan menggunakan nilai signifikasi 5, jumlah sampel 126 dan jumlah variabel independen 5 k=5. Diperoleh nilai d
L
=1.665 dan d
u
=1.802 pada tabel Durbin-Watson. Nilai DW sebesar 2.123 lebih besar dari batas atas d
u
=1.802 dan kurang dari 4
– 1.802 4-d
u
, maka dapat disimpulkan tidak ada autokorelasi positif maupun negatif.
4.2 Analisis Data