memperbaiki multikolinearitas adalah dengan mengeluarkan variabel dan bias spesifikasi Situmorang, 2010:138. ROA dan ROE merupakan rasio rentabilitas
Dendawijaya, 2005:118. Dengan demikian penulis memilih untuk mengeluarkan variabel ROE, karena dianggap mempunyai bias spesifikasi dengan variabel
ROA. Alasan penulis memilih mengeluarkan variabel ROE adalah pertama, karena ROE memiliki nilai VIF lebih tinggi dibanding dengan ROA yakni 12,007
7,061. Kedua, pada uji normalitas dengan menggunakan ROA nilai Asymp. Sig. 2-tailed adalah 0,094 lebih tinggi dibanding dengan menggunakan ROE hanya
memiliki nilai Asymp. Sig. 2-tailed adalah 0,080. Ketiga, pada uji-t uji parsial dengan menggunakan ROA, variabel independen ROA, NIM, DER, EPS, PER,
LDAR lebih banyak memiliki pengaruh positif yakni ROA, NIM, dan DER terhadap return saham, sedangkan dengan menggunakan ROE hanya variabel
NIM yang mempunyai pengaruh positif terhadap return saham. Berikut ini disajikan hasil pengujian asumsi klasik dengan menggunakan enam variabel bebas
yaitu ROA, NIM, DER, EPS, PER, dan LDAR.
1. Uji Normalitas
Gambar 4.1 Grafik Histogram
Sumber: SPSS 16.0 for windows
Gambar 4.1 adalah grafik histogram yang menunjukkan bahwa variabel return saham berdistribusi normal. Hal ini ditujukkan oleh distribusi data tersebut
tidak melenceng ke kiri atau melenceng ke kanan.
Gambar 4.2 Grafik scatter plot
Sumber : SPSS 16.0 for windows
Gambar 4.2 adalah grafik scatter plot terlihat bahwa titik-titik mengikuti data di sepanjang garis diagonal. Hal ini berarti data berdistribusi normal. Namun
seringkali data kelihatan normal karena mengikuti garis diagonal, untuk memperkuat bahwa data berdistribusi nomal, penulis juga menggunakan
pendekatan Kolmogorv-Smirnov.
Tabel 4.11 One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual N
60 Normal
Parameters
a
Mean .0000000
Std. Deviation 50.34983137
Most Extreme Differences
Absolute .160
Positive .160
Negative -.105
Kolmogorov-Smirnov Z 1.237
Asymp. Sig. 2-tailed .094
a. Test distribution is Normal.
Sumber : SPSS 16.0 for windows
Tabel 4.11 menunjukkan bahwa nilai Asymp. Sig. 2-tailed adalah 0,094 dan di atas nilai signifikan 0,05. Dengan demikian variabel residual berdistribusi
normal.
2. Uji Multikolinearitas
Tabel 4.12
Multikolinearitas
Coefficients
a
Model Unstandardized
Coefficients Standardize
d Coefficients
t Sig.
Collinearity Statistics
B Std.
Error Beta
Toleranc e
VIF 1
Constant 24.80
6 17.457
1.421 .161
ROA .343
.441 .062
.777 .441
.847 1.181 NIM
.989 2.009
.043 .492
.625 .692 1.446
DER .148
1.162 .010
.128 .899
.873 1.145
EPS -.056
.058 -.089
-.975 .334
.649 1.541 PER
-.192 .017
-.835 -11.336 .000
.989 1.011 LDAR
-.069 .448
-.011 -.154
.878 .971 1.030
a. Dependent Variable:
ReturnSaham
Sumber : SPSS 16.0 for windows
Multikolinearitas tidak akan terjadi apabila Tolerance 0,1 dan VIF 5 . Multikolinearitas menunjukan adanya lebih dari satu hubungan linear yang
sempurna. Tabel 4.12 menunjukkan bahwa semua data variabel tidak terkena multikolinearitas.
3. Uji Autokorelasi
Tabel 4.13 Durbin-Watson
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of
the Estimate Durbin-
Watson 1
.846
a
.716 .684
53.12343 2.014
a. Predictors: Constant, LDAR, PER, ROA, DER, NIM, EPS
b. Dependent Variable: ReturnSaham
Sumber: SPSS 16.0 for windows
Tabel 4.13 adalah hasil output yang menujukkan nilai DW sebesar 2,014 dengan jumlah populasi sasaran sebanyak 60 dan kasus = 6, maka nilai du=1,639
Pengambilan Keputusan: 1
du d 4 – du 1,639 2,014 2,361
2 tidak ada autokorelasi positif atau negatif
4. Uji Heteroskedastisitas
