Teknik Analisis Data Uji Asumsi Klasik

3.8. Teknik Analisis Data

Teknik analisis data yang digunakan adalah teknik analisis regresi linear berganda. Analisis regresi linear berganda digunakan untuk mengetahui pengaruh variabel bebas X 1, X 2, X 3 terhadap variabel terikat Y dengan persamaan regresi linear berganda sebagai berikut: Y = a + b 1 X 1 + b 2 X 2 + b 3 X 3 + e Keterangan: Y = Bid-Ask Spread a = Konstanta b 1 , b 2 , b 3 = Koefisien Regresi Variabel Bebas X 1 = Return Saham X 2 = Volume Perdagangan X 3 = Volatilitas Harga Saham e = Error of Term

3.9. Uji Asumsi Klasik

Uji asumsi klasik dilakukan untuk mengetahui kelayakan dari model analisis data yang digunakan. Uji asumsi klasik terdiri dari:

3.9.1. Uji Normalitas

Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal. Seperti diketahui bahwa uji t dan F mengasumsikan bahwa nilai residual mengikuti distribusi normal. Jika asumsi ini dilanggar, maka uji statistik menjadi tidak valid untuk jumlah sampel kecil. Cara- Universitas Sumatra Utara cara untuk mendeteksi apakah residual berdistribusi normal atau tidak yaitu dengan analisis grafik dan uji statistik. 1. Analisis Grafik Salah satu cara termudah untuk melihat normalitas residual adalah dengan melihat grafik histogram yang membandingkan antara data observasi dengan distribusi yang mendekati distribusi normal. Namun demikian, jika hanya dengan melihat histogram, hal ini dapat menyesatkan khususnya untuk jumlah sampel yang kecil. Metode yang lebih handal adalah dengan melihat normal probability plot yang membandingkan distribusi kumulatif dari distribusi normal. Distribusi normal akan membentuk satu garis lurus diagonal, dan ploting data residual akan membandingkan dengan garis diagonal. Jika distribusi normal, maka garis yang menggambarkan data sesungguhnya akan mengikuti garis diagonal Ghozali, 2005. Pada dasarnya normalitas dapat dideteksi dengan melihat penyebaran data titik pada sumbu diagonal dari grafik atau dengan melihat histogram dari residualnya. Dasar pengambilan keputusan: a. Jika data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal atau grafik histogramnya menunjukkan pola distribusi normal, maka model regresi memenuhi asumsi normalitas. b. Jika data menyebar jauh dari garis diagonal danatau tidak mengikuti arah garis diagonal atau grafik histogram tidak menunjukkan pola distribusi normal, maka model regresi tidak memenuhi asumsi normalitas. Universitas Sumatra Utara 2. Analisis Statistik Uji normalitas dengan grafik dapat menyesatkan jika tidak hati-hati secara visual kelihatan normal, padahal secara spesifik bisa sebaliknya. Oleh sebab itu, dianjurkan disamping uji grafik dilengkapi dengan uji statistik. Pengujian normalitas ini akan dilakukan dengan uji statistic non-parametrik Kolmogrov-Smirnov K-S Ghozali, 2005. Untuk melihat apakah suatu data mempunyai distribusi normal, maka kriteria pengujiannya adalah sebagai berikut: a. Jika angka signifikan 0,05 maka data mempunyai distribusi normal b. Jika angka signifikan 0,05 maka data tidak mempunyai distribusi normal

3.9.2. Uji Multikolinearitas

Multikolinearitas diartikan sebagai adanya hubungan erat dari variabel- variabel penjelas. Konsekuensi dari adanya multikolinearitas adalah varian dan kovarian menjadi lebih besar, interval kepercayaan akan menjadi lebih besar, nilai t- stat kecil dan R 2 tinggi Asnawi dan Wijaya, 2005. Multikolinearitas adalah korelasi sempurna 100 diantara variabel penjelas yang dimasukkan ke dalam model. Uji multikolinearitas bertujuan untuk menguji apakah dalam model regresi ditemukan adanya korelasi antar variabel bebas independen. Model regresi yang baik seharusnya tidak terjadi korelasi diantar variabel bebas. Jika variabel independen saling berkolerasi, maka variabel-variabel ini tidak orthogonal. Variabel orthogonal Universitas Sumatra Utara adalah independen yang nilai korelasi antar sesama variabel independen sama dengan nol Ghozali, 2005. Untuk mendeteksi apakah model regresi yang dipakai bebas dari permasalahan multikolinearitas dapat dilihat dari besaran Variance Inflation Factor VIF. Pedoman pengambilan keputusan pada pengujian ini adalah: 1. Jika Variance Inflation Factor VIF 10 maka artinya terdapat persoalan multikolinearitas diantara variabel bebas 2. Jika Variance Inflation Factor VIF 10 maka artinya tidak terdapat persoalan multikolinearitas diantara variabel bebas.

3.9.3. Uji Heteroskedastisitas

Heteroskedastisitas diartikan sebagai varian yang tidak konstan Asnawi dan Wijaya, 2005. Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varians dari residual dari suatu pengamatan ke pengamatan lainnya. Jika varians dari residual satu pengamatan ke pengamatan lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik adalah yang homoskedastisitas atau tidak terjadi heteroskedastisitas. Kebanyakan data cross section mengandung situasi heteroskedastisitas karena data ini menghimpun data yang mewakili berbagai ukuran kecil, sedang, dan besar. Cara untuk mendeteksi ada atau tidaknya heteroskedastisitas adalah dengan melihat grafik plot antara nilai prediksi variabel terikat dependen yaitu ZPRED dengan residualnya SRESID. Deteksi ada tidaknya heteroskedastistas dapat dilakukan Universitas Sumatra Utara dengan melihat ada tidaknya pola tertentu pada grafik scatterplot antara SRESID dan ZPRED dimana sumbu Y adalah Y yang telah diprediksi, dan sumbu X adalah residual Y prediksi–Y sesungguhnya. Pengambilan keputusan untuk ada tidaknya heteroskedastisitas adalah sebagai berikut: 1. Jika ada pola tertentu, seperti titik yang ada membentuk pola tertentu yang teratur bergelombang, melebar kemudian menyempit, maka mengindikasikan telah terjadi heteroskedastisitas 2. Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas Ghozali, 2005 Selain dapat dideteksi dengan menggunakan uji glejser. Uji glejser dilakukan dengan meregresi nilai absolut residual terhadap variabel independen signifikan secara statistik mempengaruhi variabel dependen maka ada indikasi terjadi heteroskedastisitas.

3.9.4. Uji Autokorelasi

Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1 sebelumnya. Jika terjadi korelasi, maka dinamakan ada masalah autokorelasi. Konsekuensi dari data yang mengalami autokorelasi adalah varian akan lebih besar sehingga tidak efisien Asnawi dan Wijaya, 2005. Autokorelasi muncul karena observasi yang beruntutan sepanjang waktu yang berkaitan satu dengan Universitas Sumatra Utara lainnya. Masalah ini timbul karena residual kesalahan pengganggu tidak bebas dari satu observasi ke observasi lainnya. Hal ini sering ditemukan pada data runtut waktu time series karena “gangguan” pada seseorang individukelompok yang sama pada periode berikutnya. Pada data cross section silang waktu, masalah autokorelasi relatif jarang terjadi karena gangguan pada observasi berbeda berasal dari individukelompok yang berbeda. Model regresi yang baik adalah regresi yang bebas dari autokorelasi. Untuk mengetahui adanya autokorelasi dapat dilakukan dengan Uji Durbin Watson Ghozali, 2005. Hipotesis yang akan diuji adalah: Ho : tidak ada autokorelasi r = 0 Ha : ada autokorelasi r ≠ 0 Kriteria pengujiannya adalah sebagai berikut: - Jika nilai D-W dibawah 0 sampai 1,5 berarti ada autokorelasi positif - Jika nilai D-W diantara 1,5 sampai 2,5 berarti tidak ada autokorelasi - Jika nilai D-W diantara 2,5 sampai 4 berarti ada autokorelasi negative

3.10. Uji Hipotesis