49
4.2.2 Uji Asumsi Klasik
Untuk menghasilkan suatu model regresi yang baik, analisis regresi memerlukan pengujian asumsi klasik sebelum melakukan pengujian hipotesis.
Apabila terjadi penyimpangan dalam pengujian asumsi klasik, maka perlu dilakukan perbaikan terlebih dahulu.
4.2.2.1 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 parametrik Kolmogorov- Smirnov K-S dengan membuat hipotesis:
H : Data residual berdistribusi normal.
Ha : Data residual tidak berdistribusi normal. Apabila nilai signifikansinya lebih besar dari 0,05 maka H
diterima, sedangkan jika nilai signifikansinya lebih kecil dari 0,05 maka H
ditolak.
Universitas Sumatera Utara
50
Tabel 4.2 Uji Normalitas Sebelum Data Ditransformasi
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 75
Normal Parameters Mean
a,b
.0000000 Std. Deviation
930.27104528 Most Extreme Differences
Absolute .174
Positive .174
Negative -.091
Kolmogorov-Smirnov Z 1.505
Asymp. Sig. 2-tailed .022
a. Test distribution is Normal. b. Calculated from data.
Dari hasil pengolahan data tersebut, besarnya nilai Kolmogorov-Smirnov adalah 1,505 dan signifikansi Asymp. Sig. 2-tailed adalah 0,022 yang nilainya
berada di bawah α = 0,05 sehingga disimpulkan data tidak terdistribusi secara
normal. Data yang tidak terdistribusi secara normal tersebut juga dapat dilihat melalui grafik histogram dan grafik normal plot data.
Universitas Sumatera Utara
51
Gambar 4.1 Histogram Sebelum Data Ditransformasi
Universitas Sumatera Utara
52
Gambar 4.2 Grafik Normal P-P Plot Sebelum Data Ditransformasi
Hasil uji normalitas dengan menggunakan histogram gambar 4.1 terlihat normal, namun tidak demikian dengan hasil uji normalitas dengan menggunakan
grafik plot. Pada grafik normal plot gambar 4.2, terlihat titik-titik menyebar disekitar garis diagonal serta penyebarannya yang agak menjauh dari garis
diagonal sehingga dapat disimpulkan bahwa data dalam model regresi terdistribusi secara tidak normal. Ada beberapa cara mengubah model regresi menjadi normal
menurut Jogiyanto 2004:172 yaitu: 1. lakukan transformasi data ke bentuk lainnya,
2. lakukan trimming, yaitu membuang data outlier,
Universitas Sumatera Utara
53
3. lakukan winsorizing, yaitu mengubah nilai data yang outlier ke suatu nilai tertentu.
Pengubahan nilai residual agar berdistribusi normal dapat dilakukan dengan transformasi data. Caranya adalah dengan melakukan SQRT terhadap semua
variabel yang tidak terdistribusi secara normal tersebut. Data yang ditransformasi ke model SQRT disajikan pada lampiran 5. Hasil uji normalitas setelah dilakukan
transformasi data yang tidak normal tersebut dapat dilihat pada grafik histogram, normal probability plot, dan tabel Kolmogorov-Smirnov Test pada tabel 4.3,
gambar 4.3 dan gambar 4.4.
Tabel 4.3 Uji Normalitas Setelah Data Ditransformasi
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 75
Normal Parameters Mean
a,b
.0000000 Std. Deviation
8.80155430 Most Extreme Differences
Absolute .106
Positive .106
Negative -.047
Kolmogorov-Smirnov Z .919
Asymp. Sig. 2-tailed .368
a. Test distribution is Normal. b. Calculated from data.
Universitas Sumatera Utara
54
Dari tabel 4.3 besarnya Kolmogorv-Smirnov K-S adalah 0,919 dan signifikansi Asymp. Sig 2-tailed adalah 0,368 dimana nilai signifikansinya
0,05. Dengan demikian, secara keseluruhan dapat disimpulkan bahwa nilai-nilai observasi data telah terdistribusi secara normal dan dapat dilanjutkan dengan uji
asumsi klasik lainnya. Untuk lebih jelas, berikut ini turut dilampirkan grafik histogram dan plot data yang terdistribusi normal.
Gambar 4.3 Histogram Setelah Data Ditransformasi
Universitas Sumatera Utara
55
Gambar 4.4 Grafik Normal P-P Plot Setelah Data Ditransformasi
Dengan cara membandingkan antara data observasi dengan distribusi yang mendekati distribusi normal, dari grafik di atas dapat disimpulkan bahwa
distribusi data normal karena grafik histogram menunjukkan distribusi data mengikuti garis diagonal yang tidak menceng skewness ke kiri maupun ke kanan
atau normal. Demikian pula dengan hasil uji normalitas dengan menggunakan grafik plot. Pada grafik normal plot, terlihat titik-titik menyebar disekitar garis
diagonal dan penyebarannya mendekati garis diagonal sehingga dapat disimpulkan bahwa data dalam model regresi terdistribusi secara normal. Hasil
dari transformasi di atas menunjukkan bahwa variabel-variabel yang tidak normal dapat dinormalkan dengan menggunakan SQRT. Setelah data sudah menunjukkan
Universitas Sumatera Utara
56
data yang memenuhi asumsi normalitas maka pengujian dapat dilanjutkan dengan pengujian parametrik.
4.2.2.2 Uji Multikolinearitas
Dalam penelitian ini, untuk mendeteksi ada tidaknya gejala multikolinearitas adalah dengan melihat nilai tolerance dan variance inflation
factor VIF, serta menganalisis matrik korelasi variabel-variabel independen. Besarnya tingkat kolinearitas yang masih dapat ditolerir, yaitu: Tolerance 0.10,
dan Variance Inflation Factor VIF 10. Berikut disajikan tabel hasil pengujian:
Tabel 4.4 Hasil Perhitungan VIF
Coefficients
a
Model Collinearity Statistics
Tolerance VIF
1 Constant
Laba Akuntansi .938
1.066 Arus Kas Operasi
.938 1.066
a. Dependent Variable: Harga Saham
Hasil perhitungan nilai tolerance menunjukkan variabel independen memiliki nilai tolerance 0,10 yaitu 0,938 untuk variabel Laba Akuntansi dan
variabel Arus Kas Operasi yang berarti tidak terjadi korelasi antar variabel independen. Hasil perhitungan VIF juga menunjukkan hal yang sama dimana
variabel independen memiliki nilai VIF 10 yaitu 1,066 untuk variabel Laba
Universitas Sumatera Utara
57
Akuntansi dan variabel Arus Kas Operasi. Berdasarkan tabel tersebut dapat disimpulkan bahwa tidak ada multikolinearitas antar variabel independen dalam
model ini.
4.2.2.3 Uji Heteroskedastisitas
Dalam penelitian ini, untuk mendeteksi ada tidaknya gejala heteroskedastisitas adalah dengan melihat plot grafik yang dihasilkan dari
pengolahan data dengan menggunakan program SPSS 19. Dasar pengambilan keputusannya adalah:
1. Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur bergelombang, melebar kemudian menyempit, maka
mengindikasikan telah terjadi heteroskedastisitas, 2. Jika tidak ada pola yang jelas, seperti titik-titik menyebar di atas dan di
bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas atau terjadi homoskedastisitas.
Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi heteroskedastisitas atau terjadi homoskedastisitas dengan mengamati penyebaran
titik-titik pada gambar.
Universitas Sumatera Utara
58
Gambar 4.5 Scatterplot
Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y, sehingga dapat
disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi. Adanya titik-titik yang menyebar menjauh dari titik-titik yang lain dikarenakan adanya
data observasi yang sangat berbeda dengan data observasi yang lain . Hasil tampilan output SPSS ini dengan jelas menunjukkan tidak ada indikasi terjadi
heteroskedastisitas sehingga data layak dipakai proses regresi berganda.
4.2.2.4 Uji Autokorelasi
Uji ini bertujuan untuk melihat apakah dalam suatu model regresi linear ada korelasi antar kesalahan pengganggu pada periode t dengan kesalahan pada
Universitas Sumatera Utara
59
periode t-1 sebelumnya. Jika terjadi korelasi, maka dinamakan ada problem autokorelasi. Autokorelasi muncul karena observasi yang berurutan sepanjang
tahun yang berkaitan satu dengan yang lainnya. Hal ini sering ditemukan pada data time series. Cara yang dapat digunakan untuk mendeteksi ada tidaknya
autokorelasi adalah dengan melakukan pengujian Durbin Watson DW. Untuk uji Durbin Watson memiliki ketentuan sebagai berikut:
Tabel 4.5 Uji Statistik Durbin-Watson
Durbin-Watson Kesimpulan
1.10 Ada Autokorelasi
1.11 - 1.54 Tanpa Kesimpulan
1.55 - 2.46 Tidak Ada Autokorelasi
2.47 - 2.90 Tanpa Kesimpulan
2.91 Ada Autokorelasi
Tabel 4.6 Hasil Uji Durbin Watson
Model Summary
Model
b
R R Square
Adjusted R Square
Std. Error of the Estimate
Durbin-Watson
1
.943 .890
a
.887 8.92296
2.039 a. Predictors: Constant, Arus Kas Operasi, Laba Akuntansi
b. Dependent Variable: Harga Saham
Tabel 4.6 memperlihatkan nilai statistik D-W sebesar 2,039 yang berarti berada di antara interval ketentuan 1,55 – 2,46 sehingga tidak terjadi autokorelasi
positif maupun autokorelasi negatif.
Universitas Sumatera Utara
60
4.2.3 Analisis Regresi