51
Tabel 4.2 Uji Kolmogorov-Smirnov
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 40
Normal Parameters
a,b
Mean .0000000
Std. Deviation .71164712
Most Extreme Differences Absolute
.152 Positive
.118 Negative
-.152 Kolmogorov-Smirnov Z
.962 Asymp. Sig. 2-tailed
.313 a. Test distribution is Normal.
b. Calculated from data.
Sumber: Diolah dengan SPSS, 2014 Dari tabel 4.2 diatas, Kolmogorov-Smirnov senilai 0,962 dengan besarnya nilai
significant yaitu 0,313. Hal ini menunjukkan bahwa nilai sig 0,05 atau 0,313 0,05. Dengan demikian, data sudah terdistribusi normal.
4.3.2 Uji Multikolienaritas
Untuk melihat ada tidaknya gejala multikolinearitas, peneliti melihat besaran korelasi antar variabel independen dan besarnya tingkat kolinearitas yang masih dapat ditolerir yaitu :
tolerance 0,10 dan VIF Variance Inflation Factor 10. Uji multikolinearitas dengan melihat nilai tolerance dan VIF menunjukkan hasil seperti pada tabel 4.3 berikut:
Universitas Sumatera Utara
52
Tabel 4.3 Hasil Uji Multikolienaritas
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
Collinearity Statistics B
Std. Error Beta
Tolerance VIF
1 Constant
-.074 .174
ROE .091
.267 .040
.855 1.169
ROI -.242
.546 -.051
.861 1.162
EVA 1.344E-12
.000 .886
.700 1.428
MVA -1.687E-11
.000 -.277
.700 1.429
a. Dependent Variable: RETURN SAHAM
Sumber: Diolah dengan SPSS, 2015. Tabel 4.3 menunjukkan bahwa penelitian ini bebas dari adanya gejala
multikolinearitas. Hal ini dapat dilihat dengan membandingkan nilai tolerance dan VIF. Masing-masing variabel independen yang digunakan dalam penelitian ini memiliki nilai
tolerance yang lebih besar dari 0,10. Untuk ROE memiliki nilai tolerance 0,885; ROI memiliki nilai tolerance 0,861; EVA memiliki nilai tolerance 0,700; dan MVA memiliki nilai
tolerance 0,700. Jika dilihat dari VIF, masing-masing variabel independen lebih kecil dari 10 yaitu ROEmemiliki VIF 1,169; ROI memiliki VIF 1,162; EVA memiliki VIF 1,428; dan
MVA memiliki VIF 1,429. Kesimpulan yang diperoleh adalah tidak terjadi gejala multikolinearitas dalam variabel independennya.
4.3.3 Uji Heteroskedastisitas
Uji Heteroskedastisitas bertujuan untuk melihat apakah di dalam model regresi terjadi ketidaksamaan variabel dari residual satu pengamatan ke pengamatan lain.
Pengujian heteroskedastisitas pada penelitian ini menggunakan dasar analitis sebagai berikut :
1. Jika ada pola tertentu, seperti titik-titik yang ada akan membentuk pola tertentu yang
teratur, maka mengindikasikan telah terjadi heteroskedastisitas.
Universitas Sumatera Utara
53
2. Jika tidak ada pola yang jelas, seperti titik-titik menyebar di atas dan di bawah angka 0
pada sumbu Y, maka mengindikasikan tidak terjadi heteroskedastisitas. Hasil dari uji heteroskedastisitas dapat ditunjukan pada gambar 4.3 berikut ini :
Gambar 4.3 Grafik Scatterplot
Sumber: Diolah dengan SPSS, 2015.
Dari grafik scatterplot diatas terlihat bahwa titik-titik menyebar secara acak baik di atas maupun di bawah angka 0 pada sumbu Y tidak membentuk pola tertentu atau tidak
teratur. Titik-titik yang menyebar menjauh dari titik-titik yang lain mengindikasikan bahwa adanya data observasi yang sangat berbeda dengan data penelitian lainnya. Maka dapat di
simpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi ini sehingga model ini
Universitas Sumatera Utara
54
layak untuk digunakan untuk melihat pengaruh ROE, ROI, EVA dan MVA terhadap Return Saham pada perusahaan perkebunan yang terdaftar di BEI.
4.3.4 Uji Autokorelasi
