Uji Asumsi Klasik Analisis Hasil Penelitian

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