keterangan: R
it
: return perusahaan i pada periode t α
: konstanta β
: beta sekuritas ke-1 yang diperbolehkan dari teknik regresi R
mt
: return pasar pada periode t e
: kesalahan residu
keterangan: R
it
: return saham perusahaan P
it
: harga penutupan saham i pada hari ke t P
it-1
: harga penutupan saham i paada hari ke t-1
keterangan: R
mt
: return pasar harian IHSG
t
: indeks harga saham gabungan pada hari t IHSG
t-1
: indeks harga saham gabungan pada hari t-1
3.5 Metode Analisis Data
3.5.1. Screening Data
Sebelum melakukan uji statistik, langkah awal yang dilakukan adalah screening terhadap data yang akan diolah. Langkah awal ini ditujukan untuk
menjamin terpenuhinya asumsi multivariate normality, asumsi bahwa setiap variabel dan semua kombinasi linear dari variabel berdistribus normal. Screening
data dilakukan dengan transformasi data dan uji outlier. Transformasi data dan uji outlier ini bertujuan untuk mengubah distribusi data tidak normal menjadi normal
sehingga terpenuhinya asumsi multivariate normality Ghozali, 2009:29.
3.5.2. Analisis Deskriptif
Analisis deskriptif digunakan untuk memberi gambaran atau deskripsi dari suatu data yang dapat dilihat berdasarkan mean, median minimum, maximum,
standard deviation, sum, range, kurtosis dan skewnes kemencengan distribusi Ghozali, 2009:19. Statistik deskriptif yang digunakan dalam penelitian ini antara
lain mean, median minimum, maximum, dan standard deviation. Selain itu dalam analisis deskriptif juga disajikan tabel deskripsi tiap variabel penelitian.
3.5.3. Uji Asumsi Klasik
Sebelum melakukan pengujian hipotesis dengan analisis regresi berganda, harus dilakukan uji asumsi klasik terlebih dahulu. Dalam pengujian persamaan
regresi terdapat beberapa asumsi-asumsi dasar yang harus terpenuhi. Asumsi- asumsi tersebut terdiri dari uji multikolinearitas, uji heterokedastisitas, uji
autokorelasi, dan uji normalitas.
1 Uji Normalitas
Uji normalitas data bertujuan untuk menguji apakah dalam regresi, variabel pengganggu atau residu memiliki distribusi normal atau tidak Ghozali,
2009:160. Seperti diketahui bahwa uji t dan uji f mengasumsikan bahwa nilai residu mengikuti distribusi norma. Jika asumsi ini dilanggar maka uji statistik
menjadi tidak valid untuk jumlah sampel kecil. Ada dua uji untuk mendeteksi apakah residu berdistribusi normal atau tidak, yaitu dengan cara analisis grafik
dan uji statistik.
a. Analisis Statistik
Uji normalitas dengan analisis statistik dilakukan dengan uji statistik non prametrik Kormogorov-Smirnov K-S. Uji K-S dapat dilakukann dengan
membuat hipotesis Ghozali, 2009:164: H0
: data residu berdistribusi normal Ha
: data residu tidak berdistribusi normal Pengambilan keputusan:
H0 ditolak : apabila sig-t0,05
H0 diterima : apabila sig-t0,05
b. Analisis Grafik
Analisis grafik dilakukan dengan melihat grafik histogram yang membandingkan antara data observasi dengan distribusi yang mendekati
distribusi normal. Namun, cara ini kurang valid jika digunakan untuk jumlah sampel kecil. Metode yang lebih handal adalah dengan melihat normal
probability plot, yang membandingkan distribusi kumulatif dari distribusi normal. Distribusi normal akan membentuk garis lurus diagonal, dan ploting
data residu akan dibandingkan dengan garis diagonal tersebut. Jika distribusi
data residu normal, maka garis yang menggambarkan data sesungguhnya akan mengikuti garis diagonalnya Ghozali, 2009:160-161.
2 Uji Multikolinearitas
Uji multikolinearitas bertujuan menguji apakah dalam model regresi ditemukan adanya korelasi antarvariabel bebas independen. Model regresi yang
baik harus terbebas dari korelasi antarvariabel bebas Ghozali, 2009:105. Ada tidaknya multikolinearitas dapat dilihat dari nilai tolerance dan nilai variance
inflation faktor VIF. Tolerance mengukur varibilitas variabel independen yang terpilih, yang tidak dijelaskan oleh variabel independen lainnya. Jadi, nilai
tolerance yang rendah sama dengan nilai VIF tinggi. Nilai cut off yang umumnya dipakai untuk menunjukkan adanya multikolinearitas adalah nilai tolerance 0,10
atau sama dengan nilai VIF10 Ghozali, 2009:108. Metode untuk menguji adanya multikolinearitas dalam persamaan regresi
dilakukan dengan meregresikan model analisis dan melakukan uji korelasi antara variabel independen dengan menggunakan tolerance value dan varians inflation
factor VIF. Jika tolerance value 0,10 maka terdapat multikolinearitas. Selain itu, apabila VIF lebih besar dari 10, maka terjadi multikolinearitas. Apabila
terdapat multikolinearitas dalam proses regresi maka untuk mengatasinya ada
beberapa cara, yaitu:
1. melakukan transformasi log log transformation,
2. melakukan transformasi variabel dalam bentuk first difference,
3. melakukan transformasi satu atau lebih variabel bebas yang mempunyai
korelasi yang tinggi dari model regresi.
3 Uji Heterokedastisitas
Uji heterokedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual suatu pengamatan ke pengamatan
yang lain. Cara mendeteksi heterokedastisitas dilakukan dengan uji Glejser, yaitu dengan meregresi variabel bebas terhadap absolut residual. Jika semua variabel
bebas memiliki probabilitas signifikansi di atas kepercayaan 5 0,05 maka dapat disimpulkan tidak ada heterokedastisitas. Sebaliknya, jika ada variabel
bebas yang memiliki probabilitas signifikansi di bawah 5 0,05 maka terdapat heterokedastisitas Ghozali, 2009:142.
Uji heterokedastisitas juga dilakukan dengan melihat grafik plot antara prediksi variabel dependen dengan residualnya dan melihat ada tidaknya pola
tertentu pada grafik scater plot. Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola-pola yang teratur bergelombang, melebar, kemudian
menyempit maka mengindikasikan telah terjadi heterokedastisitas. Jika tidak ada pola yang jelas, serta titik-titik yang melebar di atas dan di bawah angka 0 pada
sumbu Y, maka tidak terjadi heterokedastisitas Ghozali, 2009:139.
4 Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi linear terdapat korelasi antara kesalahan pengganggu pada periode t dengan
kesalahan pada periode t-1 sebelumnya Ghozali, 2009:110. Untuk mendeteksi ada tidaknya autokorelasi dapat dilakukan dengan menggunakan alat uji Durbin
Watson DW. Uji Durbin Watson dihitung berdasarkan jumlah selisih kuadrat nilai taksiran faktor gangguan yang berurutan. Uji ini mensyaratkan adanya
intercept konstanta dalam model regresi dan tidak ada variabel lag di antara variabel independen. Hipotesis yang akan diuji adalah:
H0: tidak ada korelasi r=0 Ha
: ada autokorelasi r≠0 Pengambilan keputusan ada tidaknya autokorelasi didasarkan pada tabel
pengambilan keputusan uji autokorelasi sebagai berikut Ghozali, 2009:111:
Tabel 3.1 Pengambilan Keputusan Uji Autokorelasi
Hipotesis Nol Keputusan
Jika
Tidak ada autokorelasi positif
Tolak 0ddl
Tidak ada autokorelasi positif
No desicision dl≤d≤du
Tidak ada autokorelasi negatif
Tolak 4-dld4
Tidak ada autokorelasi negatif
No desicision 4-
du≤d≤4-dl Tidak ada autokorelasi,
positif atau negatif Tidak tolak
dud4-du
3.5.4. Uji Hipotesis
