2. Pengujian Asumsi Klasik
Salah satu satu syarat yang menjadi dasar penggunaan model regresi berganda dengan metode estimasi Ordinary Least Square OLS adalah dipenuhinya semua
asumsi klasik, agar hasil pengujian bersifat tidak bias dan efisien Best Linear Unbiased Estimator. Pengujian asumsi klasik dalam penelitian ini dilakuka n
dengan bantuan program statistik. Menurut Ghozali 2005:123, asumsi klasik yang harus dipenuhi adalah:
• Berdistibusi normal.
• Non-Multikolinearitas, artinya antara variabel independen dalam
model regresi tidak memiliki korelasi atau hubungan secara sempurna ataupun mendekati sempurna.
• Non-Autokorelasi, artinya kesalahan pengganggu dalam model regresi
tidak saling berkorelasi. •
Non-Heterokedastisitas, artinya variance variabel independen dari satu pengamatan ke pengamatan lain adalah konstan atau sama.
a. Uji Normalitas
Uji data statistik dengan model Kolmogorov-Smirnov dilakukan untuk mengetahui apakah data sudah terdistribusi secara normal atau tidak. Ghozali
2005:115, memberikan pedoman pengambilan keputusan rentang data mendekati atau merupakan distribusi normal berdasarkan uji Kolmogorov Smirnov
yang dapat dilihat dari:
a
nilai sig. atau signifikan atau probabilitas 0,05, maka distribusi data adalah tidak normal,
b
nilai sig. atau signifikan atau probabilitas 0,05, maka distribusi data adalah normal.
Universitas Sumatera Utara
Hasil uji normalitas dengan menggunakan model Kolmogorov-Smirnov adalah seperti yang ditampilkan berikut ini
Tabel 4.7 Hasil Uji Normalitas 1
One-Sample Kolmogorov-Smirnov Test
DER PER
ROE HARGA
SAHAM N
44 44
44 44
Normal Parameters
a
Mean 1.158864 23.955227 26.692174 17658.39
Std. Deviation
.8613732 32.235295
78.709424 7
33706.187 Most Extreme
Differences Absolute
.211 .272
.380 .360
Positive .211
.272 .380
.360 Negative
-.157 -.258
-.370 -.301
Kolmogorov-Smirnov Z 1.401
1.807 2.518
2.389 Asymp. Sig. 2-tailed
.039 .003
.000 .000
Sumber : Output SPSS, diolah Penulis, 2010 Berdasarkan hasil uji statistik dengan model Kolmogorov-Smirnov seperti yang
terdapat dalam tabel 4.7 dapat disimpulkan bahwa data tidak terdistribusi normal, hal ini dapat dilihat dari nilai Asymp.Sig.2-tailed Kolmogorov-Smirnov yang
lebih kecil dari 0,05. Karena data tidak terdistribusi normal, maka dilakukan tindakan perbaikan treatment agar model regresi memenuhi asumsi normalitas.
Dalam penelitian ini penulis melakukan transformasi data ke model logaritma natural Ln kemudian, data diuji ulang berdasarkan asumsi normalitas.
Hasil uji statistik dengan model Kolmogorov-Smirnov yang baru setelah dilakukan transformasi data yang tidak normal tersebut dapat dilihat pada tabel
4.7
Universitas Sumatera Utara
Tabel 4.7 Hasil Uji Normalitas 1
One-Sample Kolmogorov-Smirnov Test
LNDER LNPER LNROE LNHS
N 44
44 44
44 Normal Parameters
a
Mean -.0804
2.7420 2.3865 7.7575
Std. Deviation .67249
.86265 1.17993 2.16730 Most Extreme
Differences Absolute
.137 .105
.119 .137
Positive .137
.105 .098
.137 Negative
-.068 -.068
-.119 -.102
Kolmogorov-Smirnov Z .907
.698 .788
.909 Asymp. Sig. 2-tailed
.383 .715
.564 .381
Sumber : Output SPSS, diolah Penulis, 2010 Tabel 4.7 menunjukkan bahwa hasil pengujian statistik dengan model
Kolmogorov-Smirnov menunjukkan bahwa data telah terdistribusi normal karena nilai Asymp.Sig 2-tailed Kolmogorov-Smirnov lebih besar dari 0,05. Berikut ini
ditampilkan hasil uji normalitas dengan menggunakan grafik Histogram dan plot.
Universitas Sumatera Utara
Sumber : Output SPSS, diolah Penulis, 2010
Gambar 4.1 Uji Normalitas data 2
Grafik histogram di atas menunjukkan bahwa data telah terdistribusi secara normal. Hal ini dapat dilihat dari grafik histogram yang menunjukkan distribusi
data mengikuti garis diagonal yang tidak menceng skewness kiri maupun menceng ke kanan. Hal ini juga didukung dengan hasil uji normalitas dengan
menggunakan grafik plot yang ditampilkan pada Gambar 4.2.
Universitas Sumatera Utara
Sumber : Output SPSS, diolah Penulis, 2010
Gambar 4.2 Uji Normalitas data 3
Menurut Ghozali 2005:112, pendeteksian normalitas dapat dilakukan dengan melihat penyebaran data titik pada sumbu diagonal dari grafik, yaitu jika data
titik menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal, hal ini menunjukkan data yang telah terdistribusi normal. Gambar 4.2 menunjukkan
bahwa data titik menyebar di sekitar dan mendekati garis diagonal. Hal ini sejalan dengan hasil pengujian dengan menggunakan histogram bahwa data telah
terdistribusi normal. Karena secara keseluruhan data telah terdistribusi secara normal, maka dapat dilakukan pengujian asumsi klasik lainnya.
Universitas Sumatera Utara
b. Uji Multikolinieritas
Kategori