110
hal ini berarti dari 72 sampel,tingkat Umur Perusahaan terkecil adalah 1. Nilai rata-rata Umur Perusahaan adalah 19,53. Tingkat standart deviasinya sebesar
14,056 7.
Variabel reputasi underwriter X
5
yang diwakili oleh Dummy_Underwriter memiliki nilai maksimum 1. Hal ini berarti dari 72 sampel tingkat
Dummy_Underwriter terbesar
adalah 1.
Nilai minimum
Dummy_Underwriter adalah 0, hal ini berarti dari 72 sampel,tingkat Dummy_Underwriter terkecil adalah 0. Nilai rata-rata Dummy_Underwriter
adalah 0,6667. Tingkat standart deviasinya sebesar 0,47471.
4.2.2 Uji Asumsi Klasik 4.2.2.1 Uji Normalitas
Ghozali 110:2005, untuk menditeksi apakah residual berdistribusi normal atau tidak dapat dilakukan dengan 2 dua cara, yaitu melalui uji statistik dan
analis grafik. Uji statistik yang dilakukan untuk uji normalitas data yaitu dengan melihat grafik histogram dengan grafik non probability plot serta menggunakan
uji statistik non parametrik Kolmogrov-Smirnov K-S.
Universitas Sumatera Utara
111
Gambar 4.1 Pendekatan Histogram
Sumber: Hasil penelitian, 2015 Data Diolah
Gambar 4.1 memperlihatkan bahwa pada grafik histogram, distribusi data mengikuti kurva berbentuk lonceng yang tidak menceng skewness ke arah kiri
atau kanan, sehingga dapt disimpulkan data tersebut terdistribusi normal.
Gambar4.2 Pendekatan Grafik
Sumber: Hasil penelitian, 2016 Data Diolah
Universitas Sumatera Utara
112
Gambar 4.2 merupakan kurva P-P Plot. Pada scatterplot terlihat titik data berada di sepanjang garis diagonal dan mengikuti arah garis diagonal tersebut. Hal
in berarti data pada variabel dependen yang digunakan, yaitu tingkat underpricing dapat berdistribusi dengan normal.
Pengujian normalitas dengan menggunakan pendekatan histogram dan pendekatan grafik P-P Plot dengn tujuan untuk melihat apakah terdistribusi
normal atau tidak ssaja tidak cukup. Hal ini sering kali menimbulkan perbedaan persepsi dari para pengamat karena sifatnya yang subjektif, sehingga untuk
memastikan apakah data disepanjang garis diagonal berdistribusi normal atau tidak maka, kita perlu melakukan uji normalitas data dengan analisis statistik agar
lebih meyakinkan. Untuk meningkatkan akurasi pengujian nomalitas data pada penelitian ini,maka digunakan uji statistik nonparametik , yakni pendekatan
Kolmogrof-Smirnov 1 Sampel KS. Jika diperoleh milai Asymp. Sig 2-tailed tingkat signifikansi α, dalam penelitian ini α sebesar 0,05, maka dapat dikatakan
variabel residual berdistribusi normal.
Tabel 4.2 Pengujian Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual N
72 Normal Parameters
a,,b
Mean .0000000
Std. Deviation .97956399
Most Extreme Differences Absolute
.089 Positive
.047 Negative
-.089 Kolmogorov-Smirnov Z
.752 Asymp. Sig. 2-tailed
.625 a. Test distribution is Normal.
b. Calculated from data.
Sumber: Hasil penelitian, 2016 Data Diolah
Universitas Sumatera Utara
113
Dari Tabel 4.2, Asymp. Sig 2-tailed = 0,625 dimana angka ini lebih besar dibandingkan nilai signifikan 0,05. Berdasarkan hasil tersebut dapat disimpulkan
bahwa variabel residual berdistribusi normal.
4.2.2.2 Uji Heteroskedastisitas
Pada persamaan regresi pasti muncul residu, yakni variabel lain yang terlibat, tetapi tidak dimuat dalam model, sehingga variabel tersebut diasumsikan bersifat
acak. Jika data residu tidak bersifat acak, maka dapat dikatakan data terkena heteroskedastisitas. Uji ini juga berguna untuk menguji apakah sebuah group
mempunyai variance yang sama diantara anggota grup tersebut. Jika variance sama, maka dapat dikatakan terdapat homokedastisitas, namun jika sebaliknya,
maka terjadi heterokedastisitas. Data yang baik adalah yang tidak mengalami heteroskedastisitas. Uji heterokedastisitas yang digunakan dalam penelitian ini
adalah metode dan grafik.
Gambar 4.3 Scatterplot
Sumber: Hasil penelitian, 2016 Data Diolah
Universitas Sumatera Utara
114
Gambar 4.3 merupakan grafik scatterplot dari variabel dependen underpricing. Grafik menunjukkan titik-titik menyebar secara acak dan tidak
membentuk sebuah pola tertentu yang jelas serta tersebar baik di atas maupun dibawah angka 0 pada sumbu Y. Hal ini menunjukkan bahwa tidak terjadi
heteroskedastisitas pada model regresi. Metode grafik ini memiliki kelemahan pada memprediksi heteroskedastisitas.
Kelemahan yakni jika jumlah pengamatan yang dilakukan atau data yang ada jumlahnya sedikit, maka sulit untuk mengintrepretasikan hasil grafik scatterplot.
Oleh karena itu, dalam penelitian ini digunakan uji lain untuk memprediksi heteroskedastisitas, yakni Glesjer Test.
Tabel 4.3 Pengujian Heteroskedastisitas
Dengan Uji Park
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients T
Sig. B
Std. Error Beta
1 Constant
-9.519 4.577
-2.080 .041
Ln_ROE -.224
.240 -.118
-.934 .354
DER .054
.124 .052
.439 .662
Ln_EPS .044
.151 .038
.291 .772
Ln_UKURAN .206
.159 .165
1.297 .199
Ln_UMUR .592
.300 .235
1.975 .052
Dummy_Underwriter .427
.492 .111
.867 .389
a. Dependent Variable: Ln_U2i
Sumber: Hasil penelitian, 2016 Data Diolah
Tabel 4.3 menunjukkan hasil pengujian Uji Park. Jika variabel independen berpengaruh secara signifikan terhadap vriabel dependen underpricing, maka hal
ini dapat mengindikasikan terjadinya heteroskedastisitas . namun hasil pengujian
Universitas Sumatera Utara
115
menunjukkan probabilitas signifikan variabel independen berada doi atas tingkat kepercayaan 5. Hal ini berarti model regresi tidak mengalami persoalan
heteroskedastisitas.
4.2.2.3 Uji Multikolenearitas
Uji ini diperlukan untuk mengetahui ada tidaknya variabel independen yang memiliki kemiripan dengan variabel independen lainya. Model regresi yang baik
seharusnya tidak terjadi korelasi di antara variabel independen. Cara untuk menditeksi terjadinya multikolinearitas yaitu dengan melihat nilai VIF Variable
Inflation Factor dan nilai tolerance. Jika nilai VIF 5 dan nilai tolerance0,10 maka dapat disimpulkan tidak terjadi multikolinearitas. Pengujian multikolineritas
juga dapat dilakukan dengan melihat korelasi di antara variabel independen. Berikut disajikan tabel hasil perhitungan nilai Tolerance dan VIF serta matrik
korelasi antar variabel independen.
Tabel 4.4 Pengujian Multikolinearitas
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients T
Sig. Collinearity Statistics
B Std. Error Beta
Tolerance VIF
1 Constant -.055 2.593
-.021 .983
Ln_ROE -.036 .136
-.032 -.264
.793 .869
1.151 DER
.022 .070
.036 .319
.750 .974
1.027 Ln_EPS
-.134 .086 -.193
-1.564 .123
.824 1.214
Ln_UKURAN -.020 .090
-.027 -.218
.828 .848
1.180 Ln_UMUR
-.137 .170 -.092
-.807 .422
.976 1.025
Dummy_Underwriter -.665 .279 -.291
-2.384 .020
.843 1.187
a. Dependent Variable: Ln_underpricing
Sumber: Hasil penelitian, 2016 Data Diolah
Berdasarkan Tabel 4.4 dapat diketahui bahwa nilai tolerance dari masing- masing variabel independent lebih besar dari 0,10, yaitu untuk variabel ROE
Universitas Sumatera Utara
116
sebesar 0,869, variabel DER sebesar 0,0974, variabel EPS sebesar 0,824, variabel Ukuran Perusahaan sebesar 0,848, variabel Umur Perusahaan sebesar 0,976, dan
variabel Reputasi Underwriter sebesar 0,843. Nilai VIF dari masing-masing variabel independen diketahui kurang dari 5,
yaitu untuk variabel ROE sebesar1,151, variabel DER sebesar 1,027, variabel EPS sebesar 1,214, variabel Ukuran Perusahaan sebesar 0,848, variabel Umur
Perusahaan sebesar 1,025, dan variabel Reputasi Underwriter sebesar 1,187. Berdasarkan Tabel 4.4 di atas dapat disimpulkan bahwa tidak ada
multikolinearitas antar variabel independen dalam model ini.
4.2.2.4 Uji Autokorelasi
Autokorelasi menunjukkan adanya kondisi yang berurutan antara gangguan atau distribusi yang masuk dalam regresi. Uji autokorelasi bertujuan untuk
melihat apakah dalam suatu model regresi linear ada korelasi antara kesalahan penggangu pada periode t dengan kesalahan pada peride t-1 sebelumya. Untuk
mendiagnosis adanya gangguan autokolerasi dalam model dapat dilakukan dengan menggunakan Durbin Watson DW test. Kriteria yang menunjukkan tidak terjadi
autokorelasi adalah sebagai berikut:
Tabel 4.5 Pengambilan Keputusan Durbin Watson
Hipotesis Nol Keputusan
Jika
Tidak ada autokorelasi positif Tidak ada autokorelasi positif
Tidak ada korelasi negatif Tidak ada korelasi negatif
Tidak ada autokorelasi positif atau negatif Tolak
No decision Tolak
No decision Tidak ditolak
0 d dl dl ≤ d ≤ du
4 – dl d 4
4 – du ≤ d ≤ 4 - dl
du d 4 – du
Universitas Sumatera Utara
117 Sumber : Ghozali 2006:96
n jumlah sampel = 72
k jumlah variabel bebas = 6
Pada tingkat signifikansi 5 diperoleh du=1,8025 dan dl =1,4379 du d 4
– du = 1,8025 1,947 2,1975 memenuhi kriteria
Tabel 4.6 Pengujian Autokorelasi
Model Summary
b
Model R
R Square Adjusted R Square
Std. Error of the Estimate
Durbin-Watson 1
.429
a
.184 .109
1.02378 1.947
a. Predictors: Constant, Dummy_Underwriter, Ln_UMUR, DER, Ln_ROE, Ln_UKURAN, Ln_EPS
b. Dependent Variable: Ln_underpricing
Sumber: Hasil penelitian, 2016 Data Diolah
Berdasarkan Tabel 4.6 menunjukkan bahwa tidak ada autokorelasi positif atau negatif berarti hipotesis nol diterima sehingga dapat disimpulkan bahwa tidak
terjadi autokorelasi positif maupun negatif.
4.2.3 Analisis Regresi
