BAB III METODE PENELITIAN
4.3. Analisis dan Pengujian Hipotesis
Uji normalitas digunakan untuk mengetahui apakah suatu data mengikuti sebaran normal atau tidak (Sumarsono, 2002:40). Dalam penelitian ini uji normalitas menggunakan metode Kolmogorov Smirnov. Adapun hasil dari pengujian normalitas adalah :
Tabel 4.5 : Hasil Uji Normalitas
No. Variabel Penelitian Kolmogorov
Smirnov Tingkat Signifikan 1 2 3 4 Return On Equity (X1) Return On Assets (X2)
Earning Per Share (X3) Harga saham (Y)
1.106 0,928 0,740 0, 921 0, 173 0, 355 0, 644 0, 364 Sumber : Lampiran 3
Berdasarkan tabel 4.5 di atas menunjukkan bahwa distribusi data pada variabel Return On Equity (X1), Return On Assets (X2), Earning Per Share (X3) dan harga saham (Y) telah mengikuti distribusi normal, karena tingkat signifikan yang dihasilkan variabel tersebut lebih dari 0,05 (sig > 5%). 4.3.2. Uji Asumsi Klasik
Model regresi yang diperoleh dengan metode Kuadrat Terkecil Biasa (Ordinary Least Square atau OLS) merupakan model regresi yang menghasilkan estimasi linier tidak bias yang terbaik (Best Linier Unbias
linier dan tidak bias (Gujarati, 1999:153). Kondisi ini akan terjadi jika dipenuhi beberapa asumsi, yang disebut dengan asumsi klasik, sebagai berikut :
4.3.2.1. Uji Autokorelasi
Untuk mengetahui ada tidaknya gejala autokorelasi maka perlu dilihat tabel Watson dengan jumlah variabel bebas (k) dan jumlah data (n) sehingga diketahui dL dan dU maka dapat diperoleh distribusi daerah keputusan ada tidaknya autokorelasi. (Gujarati, 1999:201)
k = 2 n = 15
dL = 0,9455 dU = 1,5432 (Lampiran 7) d = 2.002 (Lampiran 5)
Gambar 4.5 : Distribusi Daerah Keputusan Autokorelasi
Sumber : Gujarati
Pada Kurva ini di atas menunjukkan bahwa nilai d yang dihasilkan berada diantara dU (1,5432) dengan 4-dU (2,4568) atau berada pada daerah tidak autokorelasi sehingga asumsi autokorelasi terpenuhi.
Ada autokore lasi positif Daerah keragu-raguan Daerah keragu-raguan Ada autokore lasi negatif
Tidak ada autokorelasi positif dan tidak ada autokorelasi negatif 0 0,945 dL 1,543 dU 2,456 4-dU 3,054 4-dL 4 2,002
4.3.2.2. Uji Multikolinieritas
Multikolinearitas merupakan satu keadaan dimana satu atau lebih variable independent terdapat korelasi atau hubungan dengan variable independent lainnya. (Prasetyo, tt:28). Tujuan pengujian ini adalah untuk menguji apakah pada model regresi ditemukan adanya korelasi antar variabel independent. Jika terjadi korelasi, maka dinamakan terdapat problem multikolinieritas. Model regresi yang seharusnya tidak terjadi pada korelasi diantara variabel independen. Deteksi adanya multikolinearitas dapat dilihat dari besaran VIF yaitu :
a. Jika besaran VIF > 10 maka terjadi multikolinearitas b. Jika besaran VIF < 10 maka tidak terjadi multikolinearitas.
Adapun nilai VIF yang dihasilkan oleh ketiga variabel bebas yang digunakan dalam penelitian ini adalah :
Tabel 4.6 : Nilai VIF
No. Variabel Bebas VIF
1. 2. 3.
Return On Equity (X1)
Return On Assets (X2)
Earning Per Share (X3)
56,671 66,572 3,032 Sumber : Lampiran 4
Pada tabel 4.6 di atas menunjukkan bahwa nilai VIF pada variabel
Return On Equity (X1) dan Return On Assets (X2) lebih dari 10, maka dapat dikatakan bahwa antar variabel tersebut terjadi multikolinieritas. Menurut Gujarati (1999:210) Ada beberapa cara untuk mengatasi
kolinearitas ganda (Multicollinearity) yaitu :
b. Menggabungkan data cross section dengan berkala (time series)
c. Mengeluarkan satu variabel atau lebih dan kesalahan spesifikasi. Salah satu cara yang paling mudah untuk dilakukan ialah mengeluarkan salah satu variabel yang berkorelasi dengan variabel lainnya.
d. Transformasi variabel-variabel
Model transformasi yang digunakan adalah model regresi dalam bentuk perbedaan pertama. Transformasi atau perubahan bentuk menjadi perbedaan pertama menimbulkan persoalan misalnya tidak memenuhi salah satu asumsi daripada model regresi linear.
e. Penambahan data baru
Kadang dengan hanya sekedar meningkatkan ukuran sampel , bisa mengurangi masalah kolinearitas.
Pada penelitian ini, cara yang digunakan untuk mengatasi multikolinieritas adalah mengeluarkan salah satu variabel yang berkorelasi dengan variabel lainnya, dan variabel yang dikeluarkan adalah Return On Assets (X2) dengan nilai VIF tertinggi yaitu sebesar 66,572.
Tabel 4.7 : Nilai VIF Setelah Pengujian Ulang
No. Variabel Bebas VIF
1. 2.
Return On Equity (X1)
Earning Per Share (X3)
1.203 1.203 Sumber : Lampiran 5
Pada tabel 4.7 di atas menunjukkan bahwa nilai VIF pada variabel
dapat dikatakan bahwa antar variabel tersebut tidak terjadi multikolinieritas.
4.3.2.3. Uji Heteroskedastisitas
Pada regresi linier, nilai residual tidak boleh ada hubungan dengan variabel bebas (X). Hal ini bisa diidentifikasikan dengan menghitung korelasi Rank Spearman antara nilai mutlak residual dengan seluruh variabel bebas. Menurut Gujarati (1999:177) mendeteksi adanya heterokedastisitas adalah jika nilai probabilitas > 0,05 berarti bebas dari heterokedastisitas, yang artinya tidak adanya variabel yang bias. Hasil dari uji Rank Spearman adalah sebagai berikut :
Tabel 4.8 : Hasil Korelasi Rank Spearman
Variabel Bebas Koefisien korelasi
Rank Spearman
Tingkat signifikansi
Return On Equity (X1)
Earning Per Share (X3)
-0,061 -0,136
0,830 0,629
Sumber : Lampiran 6
Berdasarkan tabel 4.8 atas, dapat dijelaskan bahwa masing-masing variabel bebas menghasilkan tingkat signifikan (sig) lebih dari 5%, sehingga dapat dikatakan bahwa model regresi yang dihasilkan tidak terjadi heteroskedastisitas dan asumsi heteroskedastisitas terpenuhi. 4.3.3. Hasil Pengujian Regresi Linier Berganda
Dalam analisis ini menggunakan model analisis regresi linier berganda yang berguna untuk mengetahui terdapat atau tidaknya pengaruh diantara variabel bebas terhadap variabel terikat. Hasil analisis dengan menggunakan
alat bantu komputer program SPSS (Statistical Program for The Social
Sciences) sebagai berikut:
Tabel 4.9 : Persamaan Regresi Linier Berganda
Variabel bebas Koefisien regresi R2 R Konstanta
Return On Equity (X1)
Earning Per Share (X3)
-1194,812 -3,506 15,446
0,828 0,910
Sumber : Lampiran 5
Berdasarkan hasil analisis regresi di atas diperoleh nilai koefisien regresi untuk variabel Return On Equity (X1) sebesar -3,506 ; nilai koefisien regresi untuk variabel Earning Per Share (X3) sebesar 15,446 dan konstanta sebesar -1194,812 sehingga persamaan regresi yang dihasilkan adalah :
Y = -1194,812 – 3,506 X1 + 15,446 X2
a. Nilai konstanta (b0) sebesar -1194,812 menunjukkan besarnya nilai dari harga saham, apabila variabel Return On Equity (X1) dan Earning Per
Share (X3) sama dengan nol atau konstan.
b. Koefisien regresi pada variabel Return On Equity (X1) (b1) sebesar -3,506 yang artinya jika Return On Equity (X1) naik satu satuan, maka harga saham (Y) akan turun sebesar Rp.3,506 dengan asumsi variabel Earning
Per Share (X3) sama dengan nol atau konstan.
c. Koefisien regresi pada variabel Earning Per Share (X3) (b2) sebesar 15,446 yang artinya jika Earning Per Share (X3) naik satu satuan, maka harga saham (Y) akan naik sebesar Rp. 15,446 dengan asumsi variabel
Nilai R2 sebesar 0,828 yang berarti bahwa Return On Equity (X1) dan
Earning Per Share (X3) mampu menjelaskan variasi dari harga saham (Y) sebesar 82,8% dan sisanya sebesar 17,2% dijelaskan oleh variabel lain yang tidak dibahas pada penelitian ini. Nilai korelasi (R) sebesar 0,910 menunjukkan korelasi yang kuat antara Return On Equity (X1) dan Earning
Per Share (X3) dengan harga saham (Y) yaitu sebesar 91%.
4.3.4. Hasil Pengujian Hipotesis 4.3.4.1. Uji t
Untuk menguji pengaruh secara parsial Return On Equity (X1) dan
Earning Per Share (X3) terhadap harga saham (Y) dilakukan uji t. Berikut ini hasil dari uji t :
Tabel 4.10 : Hasil Uji t
Variabel Bebas thitung Tingkat
Signifikan
Return On Equity (X1)
Earning Per Share (X3)
-0,049 6.961
0,962 0,000 Sumber : Lampiran 5
Berdasarkan tabel 4.11 di atas, dapat dijelaskan :
1. Nilai thitung pada variabel Return On Equity (X1) adalah -0,049 dengan tingkat signifikan sebesar 0,962. Karena tingkat signifikan (sig t) > 0,050 maka H0 diterima dan H1 ditolak yang artinya Return On Equity (X1) tidak berpengaruh secara parsial terhadap harga saham (Y).
maka H0 ditolak dan H1 diterima yang artinya Earning Per Share (X3) berpengaruh secara parsial terhadap harga saham (Y).
Berdasarkan hasil uji t tersebut di atas dapat disimpulkan bahwa hanya variabel Earning Per Share (X3) yang secara parsial berpengaruh terhadap harga saham (Y), sehingga hipotesis penelitian ini “Diduga bahwa ROE (Return On Equity), ROA (Return On Asset) dan EPS (Earning Per Share) berpengaruh secara signifikan terhadap harga saham pada perusahaan rokok yang go public di BEI tahun 2007 – 2009” sebagian teruji kebenarannya. 4.3.4.2. Uji Signifikansi Persamaan Regresi
Tujuan dari penelitian ini adalah untuk menguji pengaruh Return On
Equity (X1) dan Earning Per Share (X3) terhadap harga saham (Y). Tujuan penelitian ini dapat tercapai dengan menggunakan metode regresi linier berganda. Model yang dihasilkan dari metode regresi linier berganda yang digunakan, perlu diuji signifikansi keseluruhan persamaan regresinya, yaitu melalui Uji F. Persamaan regresi yang dihasilkan adalah :
Y = -1194,812 – 3,506 X1 + 15, 446 X2 Adapun hasil dari uji F adalah sebagai berikut :
Tabel 4.11 : Hasil Uji F
ANOVAb
Model Sum of Squares df Mean Square F Sig.
Regression 1541993290.110 2 770996645.055 28.983 .000a Residual 319220803.224 12 26601733.602 Total 1861214093.333 14 a. Predictors: (Constant), X3, X1 b. Dependent Variable: Y Sumber : Lampiran 5
Berdasarkan nilai Fhitung yang dihasilkan sebesar 28,983 dengan tingkat signifikan sebesar 0,000. Karena tingkat signifikan < 5% (0,05) maka H0 ditolak dan H1 diterima yang berarti model regresi yang dihasilkan adalah signifikan atau cocok untuk mengetahui pengaruh Return On Equity (X1) dan Earning Per Share (X3) terhadap harga saham (Y).
4.4. Pembahasan Hasil Penelitian