59 Gambar 4.1 dan Gambar 4.2 merupakan output dari SPSS.
Perhatikan bahwa kurva pada histogram berbentuk kurva normal, sehingga disimpulkan bahwa asumsi normalitas error dipenuhi. Di samping itu pada
normal probability plot Gambar 4.2, titik-titik menyebar cukup dekat pada garis diagonal, maka disimpulkan bahwa asumsi normalitas dipenuhi.
Gambar 4.1 Histogram untuk Pengujian Asumsi Normalitas
Gambar 4.2 Normalitas dengan Normal Probability Plot
4.2.2 Uji Multikolinearitas
Pengujian ini dilakukan untuk menguji apakah dalam model regresi ditemukan adanya korelasi yang tinggi antar variabel bebas Ghozali,
Universitas Sumatera Utara
60 2011:105. Ketika terdapat korelasi antar variabel bebas yang cukup
tinggi, maka permasalahan ini disebut dengan istilah multikolinearitas Stevens, 2009:74. Jika terjadi multikolinearitas yang sempurna perfect
multicolinearity, maka koefisien-koefisien regresi dari variabel bebas tidak dapat ditentukan indeterminate, jika terjadi multikolinearitas yang
tinggi, koefisien-koefisien regresi dari variabel bebas dapat ditentukan, namun memiliki nilai standar error yang tinggi yang berarti bahwa
koefisien-koefisien regresi tersebut tidak dapat diestimasi dengan tepat atau akurat Gujarati, 2003:344.
Untuk memeriksa apakah terjadi multikolinearitas atau tidak dapat dilihat dari nilai variance inflation factor VIF. Nilai VIF yang lebih dari
10 diindikasi suatu variabel bebas terjadi multikolinearitas Myers dalam Stevens, 2009:75.
Tabel 4.3 Uji Multikolinearitas
Coefficients
a
Model Unstandardized Coefficients Standardized Coefficients
t Sig.
Collinearity Statistics B
Std. Error Beta
Tolerance VIF
1 Constant 9.218
.416 22.142 .000
EVA 1.289E-12
.000 .158
1.524 .132 .718
1.393 PER
-.089 .015
-.570 -6.079 .000 .882
1.134 DER
-.673 .235
-.270 -2.868 .005 .875
1.142 PBV
.103 .035
.354 2.968 .004
.544 1.837
Pertumbuhan Penjualan .027
.015 .191
1.877 .064 .751
1.331 a. Dependent Variable: Harga Saham
Sumber: hasil olahan software SPSS 17
Perhatikan bahwa berdasarkan Tabel 4.3, nilai VIF dari masing- masing variabel bebas tidak lebih besar dari 10, maka tidak terdapat gejala
multikolinearitas yang berat.
Universitas Sumatera Utara
61
4.2.3 Uji Non-Autokorelasi atau Independensi Residual Independent
Errors
Uji independensi residual uji non-autokorelasi merupakan suatu uji untuk memeriksa apakah untuksetiap dua pengamatan residual saling
berkorelasi atau tidak Field, 2009:220. Supranto 2005:151 mengartikan “non-autokorelasi sebagai tidak terjadinya korelasi antara kesalahan
pengganggu yang satu dengan yang lainnya ”. Meskipun terjadinya
autokorelasi terhadap estimator-estimator yang dihasilkan oleh metode ordinary least square OLS tetap tak bias unbiased, konsisten
consistent, dan terdistribusi normal secara asimtotis, namun estimator- estimator tersebut tidak lagi efisien. Sebagai akibatnya, pada uji t, F, dan
chi kuadrat tidak lagi sah untuk digunakan cannot be legitimately applied Gujarati, 2003:489. Asumsi mengenai independensi terhadap residual
non-autokorelasi dapat diuji dengan menggunakan uji Durbin-Watson Field, 2009:220.
Tabel 4.4 Uji Autokorelasi
Model Summary
b
Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1
.654
a
.427 .388
1.77592 1.867
a. Predictors: Constant, Pertumbuhan Penjualan, DER, EVA, PER, PBV b. Dependent Variable: Harga Saham
Sumber: hasil olahan software SPSS 17
Berdasarkan Tabel 4.4, nilai dari statistik Durbin-Watson adalah 1,867. Pengambilan keputusan apakah terjadi autokorelasi atau tidak,
dapat dibandingkan dengan nilai kritis Durbin-Watson. Diketahui jumlah
Universitas Sumatera Utara
62 variabel bebas sebanyak 5, dan jumlah sampel yang diteliti sebanyak 80,
maka dan
. Karena
maka asumsi non-autokorelasi terpenuhi. Dengan kata lain, tidak terjadi gejala autokorelasi yang tinggi pada residual.
4.2.4 Uji Heteroskedastisitas