62
4.7. Model dan Teknik Analisis Data
Model analisis yang digunakan untuk menguji hipotesis dalam penelitian ini adalah dengan analisis regresi berganda multiple regression analysis dengan
bantuan Software SPSS Statistical Package Social Science. Analisis ini digunakan untuk mengetahui besarnya pengaruh variabel independen terhadap variabel
dependen yang akan diteliti.
4.7.1. Perumusan Model
Untuk menentukan besarnya pengaruh antara variabel independen yaitu kinerja keuangan yang terdiri dari CR, ROA, NPM, EPS, LR, TATO, PER, PBV dan
BVS terhadap return saham perusahaan. Model regresi liniear berganda yang digunakan adalah sebagai berikut:
Y
1
= β
+ β
1
X
1
+ β
2
X
2
+ β
3
X
3
+ β
4
X
4
+ β
5
X
5
+ β
6
X
6
+ β
7
X
7
+ β
8
X
8
+ β
9
X
9
+ ε
Dimana: Y
: Return Saham β
: Konstanta β
1
– β
8
: Koefisien Variabel X
1
: Current Ratio X
2
: Return On Assets
X
3
: Net Profit Margin
X
4
: Earning Per Share
X
5
: Leverage Ratio
X
6
: Total Assets Turnover
X
7
: Price to Earning Ratio
X
8
: Price to Book Value
X
9
: Book Value per Share
ε : Error variabel penganggu
Universitas Sumatera Utara
63
4.7.2. Pengujian Asumsi Klasik
Pengujian model regresi berganda dalam menguji hipotesis harus menghindari kemungkinan adanya pemyimpangan asumsi klasik. Sebuah model regresi yang
menggunakan data time series harus melakukan uji asumsi klasik yaitu uji normalitas, heteroskedastisitas, autokorelasi dan multikolinieritas.
4.7.2.1. Uji normalitas Menurut Umar 2003 uji normalitas berguna untuk mengetahui apakah
variabel dependen dan variabel independen yang digunakan dalam penelitian mempunyai distribusi normal atau tidak. Model regresi yang baik dan layak
digunakan dalam penelitian adalah model yang memiliki distribusi normal atau mendekati normal. Cara yang digunakan untuk mendeteksi normal atau tidaknya
suatu data yaitu dengan melihat grafik normal Probability plot dan uji statistik Ghozali, 2005. Jika data menyebar disekitar garis diagonal atau mengikuti arah
garis diagonal pada grafik normal P-P Plot maka data diasumsikan berdistribusi normal, demikian sebaliknya. Sedangkan untuk analisis statistik dilakukan dengan
menggunakan uji Kolmogorov-Smirnov K-S. Apabila nilai signifikan dari variabel penelitian lebih 0,05 berarti distribusi data tidak normal, sebaliknya apabila nilai
signifikan dari masing-masing variabel 0,05 berarti distribusi data normal. Apabila data tidak berdistribusi normal, maka data tersebut ditransformasi ke
dalam bentuk logaritma. Setelah dilakukan transformasi data maka normalitas data dilihat kembali dengan menggunakan metode grafik normalitas P-P Plot dan uji
Universitas Sumatera Utara
64
Kolmogorov-Smirnov. Menurut Erlina 2008 jika model regresi tidak berdistribusi normal ada beberapa cara mengubah model regresi menjadi normal yaitu:
a. Melakukan transformasi data ke bentuk lainnya, b. Melakukan trimming yaitu membuang data outlier,
c. Melakukan winsorizing yaitu mengubah nilai data yang outlier ke suatu nilai tertentu.
4.7.2.2. Uji heteroskedastisitas Uji heteroskedatisitas bertujuan untuk menguji apakah dalam model regresi
terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan lainnya. Model regresi yang baik adalah yang homokedastisitas. Asumsi klasik
statistik heteroskedastisitas dapat dideteksi dari output SPSS pada grafik Scatter-plot dengan cara melihat ada atau tidaknya pola tertentu bergelombang, melebar
kemudian menyempit antara nilai prediksi variabel terkait ZPRED dengan residualnya SRESID. Jika ada pola tertentu seperti titik-titik yang ada membentuk
pola tertentu yang teratur maka mengindikasikan telah terjadi heteroskedastisitas dan 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. 4.7.2.3. Uji autokorelasi
Uji autokorelasi dalam suatu model bertujuan untuk mengetahui ada tidaknya korelasi antara kesalahan pengganggu pada periode tertentu dengan kesalahan
pengganggu periode sebelumnya Ghozali, 2005. Autokorelasi merupakan korelasi
Universitas Sumatera Utara
65
antar data dalam runtun waktu times series atau space data cross section. Model regresi yang baik adalah regresi yang bebas dari autokorelasi. Uji autokorelasi dapat
dilakukan dengan pengujian Durbin-Watson DW. Menurut Santoso 2004 pengambilan keputusan ada tidaknya autokorelasi adalah sebagai berikut :
1. Jika nilai D-W berada di bawah -2 berarti ada autokorelasi positif. 2. Jika nilai D-W berada diantara -2 sampai +2 berarti tidak terjadi autokorelasi.
3. Jika nilai D-W berada di atas + 2 berarti ada autokorelasi negatif. 4.7.2.4. Uji multikolinieritas
Uji Multikolinieritas bertujuan untuk menguji apakah dalam model regresi ditemukan korelasi antar variabel bebas independen, model regresi yang baik
seharusnya tidak terjadi korelasi antar variabel bebas. Untuk mendeteksi ada tidaknya multikolinieritas yaitu dengan melihat Tolerance Value dan Variance Inflation Factor
VIF. Multikolinieritas terjadi jika nilai tolerance kurang dari 0,10 dan VIF lebih besar dari 10, atau jika antar variabel independen ada korelasi yang cukup tinggi
umumnya di atas 0,9 Ghozali, 2005.
4.7.3. Pengujian Hipotesis