Uji Asumsi Klasik .1 Uji normalitas

2007-2009 adalah 6046,00. Sedangkan rata-rata harga saham per lembar saham sebesar 1279,5333. 4.2 Uji Asumsi Klasik 4.2.1 Uji normalitas Hasil dari uji normalitas dengan grafik histogram, normal probability plot, serta Kolmogorov-Smirnov Test. Pengujian normalitas data Kolmogorov-Smirnov K-S dengan membuat hipotesis apabila nilai signifikansinya lebih besar dari 0,05 maka H diterima, sedangkan jika nilai signifikansinya lebih kecil dari 0,05 maka H ditolak. Tabel 4.2 Uji Normalitas Sebelum Data Ditransformasi One-Sample Kolmogorov-Smirnov Test LA AKO AKI AKP HS N 60 60 60 60 60 Normal Parameters a,,b Mean 224.5312 -135.4120 167.2273 31.5485 1390.85 Std. Deviation 507.19036 1,465.35709 613.66793 433.96851 1580.008 Most Extreme Differences Absolute .330 .291 .221 .280 .272 Positive .313 .238 .221 .280 .272 Negative -.330 -.291 -.178 -.238 -.189 Kolmogorov-Smirnov Z 2.555 2.254 1.711 2.169 2.107 Asymp. Sig. 2-tailed .000 .000 .006 .000 .000 a. Test distribution is Normal. b. Calculated from data. Sumber: Data diolah penulis, 2011 Dari hasil uji normalitas pada tabel 4.2, besarnya nilai Kolmogorov-Smirnov adalah 2,555 dan signifikansi pada 0,000 untuk laba akuntansi, 2,254 dan signifikansi pada 0,000 untuk arus kas operasi, 1,171 dan signifikansi pada 0,006 untuk arus kas investasi, 2,169 dan signifikansi pada 0,000 untuk arus kas pendanaan dan 2,107 dan signifikansi pada 0,000 untuk harga saham Universitas Sumatera Utara maka dapat disimpulkan data tidak terdistribusi secara normal karena semua p 0,05. Data yang tidak terdistribusi secara normal tersebut juga dapat dilihat melalui grafik histogram dan grafik normal plot data. Sumber: Data yang diolah penulis, 2011 Gambar 4.1 Histogram sebelum data ditransformasi Sumber: Data yang diolah penulis, 2011 Universitas Sumatera Utara Gambar 4.2 Grafik Normal P-P Plot sebelum data ditransformasi Hasil uji normalitas dengan menggunakan histogram gambar 4.1 terlihat normal, namun tidak demikian dengan hasil uji normalitas dengan menggunakan grafik plot. Pada grafik normal plot gambar 4.2, terlihat titik-titik menyebar disekitar garis diagonal serta penyebarannya agak menjauh dari garis diagonal sehingga dapat disimpulkan bahwa data dalam model regresi terdistribusi secara tidak normal. Ada beberapa cara mengubah model regresi menjadi normal menurut Jogiyanto 2004:172 yaitu: 1 lakukan transformasi data ke bentuk lainnya, 2 lakukan trimming, yaitu membuang data outlier, 3 lakukan winsorizing, yaitu mengubah nilai data yang outlier ke suatu nilai tertentu. Pengubahan nilai residual agar berdistribusi normal dapat dilakukan dengan transformasi data ke model logaritma natural Ln yaitu dari persamaan Harga Saham = fHS menjadi LN_Harga_Saham = fLN_HS. Setelah itu, data diuji ulang berdasarkan asumsi normalitas. Oleh karena itu, dilakukan transformasi data yang tidak terdistribusi secara normal tersebut untuk menormalkannya. Caranya adalah dengan melakukan LN terhadap semua variabel yang tidak terdistribusi secara normal tersebut. Data yang ditransformasi ke model logaritma natural disajikan pada lampiran 9, 10, dan 11. Hasil uji normalitas setelah dilakukan transformasi data yang tidak normal tersebut dapat dilihat pada grafik histogram, normal probability plot, dan tabel Kolmogorov-Smirnov Test pada tabel 4.3, gambar 4.3 dan gambar 4.4. Tabel 4.3 Uji Normalitas Setelah Data Ditansformasi One-Sample Kolmogorov-Smirnov Test LN_LA LN_AKO LN_AKI LN_AKP LN_HS N 60 23 34 30 59 Universitas Sumatera Utara Normal Parameters a,,b Mean 4.0658 5.2233 5.0580 3.9205 6.4572 Std. Deviation 1.69650 1.57038 1.79733 1.77961 1.68470 Most Extreme Differences Absolute .060 .136 .126 .102 .146 Positive .052 .136 .058 .090 .097 Negative -.060 -.076 -.126 -.102 -.146 Kolmogorov-Smirnov Z .466 .653 .734 .560 1.122 Asymp. Sig. 2-tailed .982 .788 .654 .912 .161 a. Test distribution is Normal. b. Calculated from data. Sumber: Data yang diolah penulis, 2011 Bila nilai signifikan 0.05 berarti distribusi data tidak normal. Sebaliknya bila nilai signifikan 0.05 berarti distribusi data normal. Dapat dilihat dari tabel 4.3 di atas bahwa setelah dilakukan transformasi data dengan LN, semua data variabel yang diuji menjadi normal karena nilai signifikan Asymp. Sig untuk semua variabel 0,05. Dilanjutkan dengan membuat grafik histogram dan plot data pada gambar 4.3 dan 4.4. Sumber: Data yang diolah penulis, 2011. Gambar 4.3 Histogram setelah data ditransformasi Universitas Sumatera Utara Gambar 4.4 Grafik Normal P-P Plot setelah data ditransformasi Grafik histogram dan normal probability plot pada gambar 4.3 dan gambar 4.4 di atas menunjukkan bahwa setelah dilakukan transformasi data menggunakan LN, grafik histogram memperlihatkan pola distribusi yang normal data menyebar di sekitar garis diagonal atau mengikuti arah garis diagonal, atau grafik histogramnya menunjukkan pola distribusi normal, maka model regresi memenuhi asumsi normalitas. Grafik P-P Plot memperlihatkan titik-titik menyebar di sekitarmengikuti arah garis diagonal yang menunjukkan pola distribusi normal.

4.2.2 Uji Multikolinearitas Tabel 4.4

Hasil Perhitungan VIF Coefficients a Model Collinearity Statistics Tolerance VIF 1 Constant LN_LA .873 1.145 LN_AKO .848 1.179 Universitas Sumatera Utara LN_AKI .819 1.220 LN_AKP .916 1.092 a. Dependent Variable: LN_HS Sumber: Data yang diolah penulis, 2011. Hasil dari uji multikolinieritas dapat dilihat pada tabel 4.4. Pengujian multikolinearitas dilakukan dengan melihat 1 nilai tolerance dan lawannya 2 VIFvariance inflation factor. Nilai cutoff yang umum dipakai untuk menunjukkan adanya multikolonieritas adalah nilai tolerance 0,10 atau sama dengan nilai VIF 10. Hasil pengujian di atas, dapat dilihat bahwa angka tolerance pada variabel LA LN_LA, AKO LN_AKO, AKI LN_AKI 0,10 dan VIF- nya 10. Hal ini menujukkan bahwa tidak terjadi multikolinieritas di antara variabel penelitian.

4.2.3 Uji Heteroskedastisitas

Uji heteroskedastisitas bertujuan untuk menguji apakah terjadi ketidaksamaan variabel dari residual satu pengamatan ke pengamatan lain dalam model regresi. Model regresi yang baik adalah tidak terjadi heteroskedastisitas atau terjadi homoskedastisitas. Untuk mendeteksi ada tidaknya heteroskedasitas, menurut Ghozali 2005:105 dapat dilihat dari grafik Scatterplot antara nilai prediksi variabel dependen yaitu ZPRED dengan residualnya SRESID. Jika ada pola tertentu seperti titik-titik yang ada membentuk pola tertentu yang teratur, maka telah terjadi heteroskedasitas. Sebaliknya jika tidak ada pola yang jelas, serta titik-titik menyebar maka tidak terjadi heteroskedasitas. Hasil dari uji heteroskedasitas dapat dilihat pada grafik scatterplot pada gambar 4.5. Universitas Sumatera Utara Gambar 4.5 Grafik Scatterplot Grafik scatterplot di atas, memperlihatkan titik-titik menyebar secara acak serta tidak membentuk pola tertentu atau tidak teratur. Hal ini mengindikasikan tidak terjadi heterokedasitas pada model regresi sehingga data layak dipakai dalam proses regresi berganda.

4.2.4 Uji Autokorelasi

Pengujian autokorelasi bertujuan untuk menguji apakah terdapat korelasi antara kesalahan pengganggu pada suatu periode dengan kesalahan pengganggu periode sebelumnya dalam model regresi. Autokorelasi menunjukkan adanya korelasi antara kesalahan pengganggu pada data yang tersusun, baik berupa data cross sectional atau time series. Jika terjadi autokorelasi dalam model regresi berarti koefisien korelasi yang diperoleh menjadi tidak akurat, sehingga model regresi yang baik adalah model regresi yang bebas dari autokorelasi. Universitas Sumatera Utara Cara yang dapat dilakukan untuk mendeteksi ada tidaknya autokorelasi adalah dengan melakukan pengujian Durbin Watson DW. Hasil dari uji autokorelasi dapat dilihat pada tabel 4.5. Tabel 4.5 Hasil Uji Durbin Watson Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .695 a .483 .445 1.39056 1.815 a. Predictors: Constant, LN_AKP, LN_AKI, LN_LA, LN_AKO b. Dependent Variable: trans_HS Sumber: Diolah dari SPSS Hasil uji autokorelasi di atas menunjukkan nilai statistik Durbin Watson Dw sebesar 1,815, nilai ini kita bandingkan dengan nilai tabel dengan jumlah observasi sebanyak 60 n=60 dan variabel independen k sebanyak 4, maka berdasarkan tabel Durbin Watson didapat nilai batas atas du sebesar 1,727 dan nilai batas bawah dl sebesar 1,444. Oleh karena itu, nilai Dw lebih besar dari 1,727 dan lebih kecil dari 4 – 1,727 atau dapat dinyatakan bahwa 1,727 1,815 4 – 1,727 du d 4 – du. Dengan demikian dapat disimpulkan tidak terdapat autokorelasi baik positif maupun negatif. 4.3 Uji Hipotesis 4.3.1 Uji Signifikansi Uji Hipotesis