BAB IV ANALISIS DAN HASIL PENELITIAN
4.2. Analisis Hasil Penelitian
4.2.1. Analisis Statistik Deskriptif
Pengolahan data dalam penelitian ini menggunakan model regresi linier berganda dengan menggunakan software IBM SPSS (Statistical Product and Service Solution) Statistics Version 20. Penelitian ini menggunakan variabel terikat yaitu harga saham dari perusahaan LQ-45 selama periode 2009-2012, serta menggunakan variabel bebas yaitu Return on Asset, Return on Equity, Net Profit Margin, Debt to Equity Ratio, dan Earning per Share.
Sebelum membahas lebih lanjut mengenai analisis regresi berganda, pengujian asumsi klasik dan pengujian hipotesis, dalam bagian analisis dan pembahasan ini akan diberikan gambaran atau deskripsi terlebih dahulu mengenai data yang dikumpulkan. Deskripsi statistik ini akan menunjukkan ukuran statistik seperti nilai minimum, nilai maksimum, mean, dan standar deviasi. Nilai minimum adalah nilai terendah dari jumlah data yang dianalisis pada suatu periode tertentu. Nilai maksimum adalaha nilai tertinggi dari sejumlah data yang dianalisis pada suatu periode tertentu. Mean adalah nilai rata-rata dari sejumlah data yang dianalisis pada periode tertentu. Standar deviasi adalah suatu nilai yang
menunjukan variasi atau dispersi data yang dianalisis pada periode tertentu. Hasil uji statistik deskripsi tahun 2009-2012 dapat dilihat pada tabel 4.3 di bawah ini :
Tabel 4.3 Hasil Statistik Deskriptif
Descriptive Statistics
N Minimum Maximum Mean Std. Deviation
ROA (%) 100 1,092 40,669 12,18760 9,851650
ROE (%) 100 3,625 85,476 23,59327 15,779333
NPM (%) 100 3,269 43,840 19,86788 9,025990
DER (%) 100 15,364 1088,210 226,64259 310,898172
EPS (%) 100 18,295 4439,017 387,00621 808,397454
Harga Saham (Rupiah) 100 260,0 26350,0 6957,533 6841,9275
Valid N (listwise) 100
Sumber : Data diolah dengan IBM SPSS Statistics Version 20
Interpretasi terhadap tabel 4.3 di atas adalah sebagai berikut: statistik deskriptif menunjukkan bahwa jumlah data yang valid dan digunakan dalam penelitian ini adalah 100 data, sesuai dengan jumlah observasi yang terdapat dalam penelitian ini. Dari Tabel 4.3, dapat dijelaskan bahwa:
1. Variabel Return on Asset (ROA) memiliki sampel (N) sebanyak 100 observasi memiliki nilai minimum 1,092%, nilai maksimum 40,669%, dan nilai rata-rata 12,189%. Standar deviasi (simpangan baru) yang terjadi sebesar 9,852%.
2. Variabel Return on Equity (ROE) memiliki sampel (N) sebanyak 100 observasi memiliki nilai minimum 3,625%, nilai maksimum 85,476%, dan nilai rata-rata 23,593%. Standar deviasi (simpangan baru) yang terjadi sebesar 15,779%.
3. Variabel Net Profit Margin (NPM) memiliki sampel (N) sebanyak 100 observasi memiliki nilai minimum 3,269%, nilai maksimum 43,840%, dan nilai rata-rata 19,868%. Standar deviasi (simpangan baru) yang terjadi sebesar 9,026%.
4. Variabel Debt to Equity Ratio (DER) memiliki sampel (N) sebanyak 100 observasi memiliki nilai minimum 15,364%, nilai maksimum 1088,210%, dan nilai rata-rata 226,643%. Standar deviasi (simpangan baru) yang terjadi sebesar 310,898%.
5. Variabel Earning per Share (EPS) memiliki sampel (N) sebanyak 100 observasi memiliki nilai minimum 18,295%, nilai maksimum 4439,017%, dan nilai rata-rata 387,006%. Standar deviasi (simpangan baru) yang terjadi sebesar 808,397%. 6. Variabel Harga Saham memiliki sampel (N) sebanyak 100 observasi memiliki
nilai minimum Rp.260,00, nilai maksimum Rp.26350,00, dan nilai rata-rata Rp.6957,533. Standar deviasi (simpangan baku) yang terjadi sebesar Rp.6841,928.
4.2.2. Pengujian Asumsi Klasik
Untuk menghasilkan suatu model regresi yang baik diperlukan pengujian asumsi klasik terlebih dahulu sebelum melakukan pengujian hipotesis. Pengujian gejala
penyimpangan klasik perlu dilakukan mengetahui sifat dari data sehingga dapat ditentukan uji yang tepat untuk menganalisis antar variabel-variabel yang diteliti. Persyaratan asumsi klasik yang harus dipenuhi adalah berdistribusi normal, non-multikolinearitas, homoskedastisitas, non-autokorelasi. Pengujian asumsi klasik dalam penelitian ini dilakukan dengan bantuan program statistik.
4.2.2.1. Uji Normalitas
Uji normalitas data bertujuan untuk menguji apakah dalam sebuah model regresi variabel independen, variabel dependen atau keduanya mempunyai distribusi normal atau tidak. Model regresi yang baik adalah memiliki distribusi data normal atau mendekati normal. Uji normalitas dapat dilakukan dengan menguji uji One-sampel Kolmogorov-Smirnov dengan menggunakan signifikan 0,05. Deteksi normalitas yaitu dengan melihat signifikansi > 0,05 maka data dinyatakan telah berdistribusi secara normal, apabila nilai signifikansi < 0,05 maka data dinyatakan tidak berdistribusi normal.
Hasil pengujian normalitas dapat diliat dari tabel 4.4 sebagai berikut:
Tabel 4.4
Hasil Uji Normalitas One-Sample Kolmogorov-Smirnov Test
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 100
Normal Parametersa,b Mean 0E-7
Std. Deviation 5607,90295273
Differences Positive ,136
Negative -,067
Kolmogorov-Smirnov Z 1,177
Asymp. Sig. (2-tailed) ,125
a. Test distribution is Normal. b. Calculated from data.
Sumber : Data diolah dengan IBM SPSS Statistics Version 20
Dari hasil pengolahan data pada tabel 4.4 diperoleh besarnya nilai Kolmogorov-Smirnov adalah 1,177 dan signifikan (Asymp. Sig. (2-tailed)) pada 0,125. Nilai signifikansi 0,125 > 0.05, maka data dinyatakan telah berdistribusi secara normal dan menunjukkan bahwa data tersebut telah memenuhi asumsi normalitas. Setelah data berdistribusi normal dapat dilanjutkan dengan uji asumsi klasik lainnya. Untuk lebih jelas berikut ini dilampirkan grafik histogram dan grafik p-plot data yang telah berdistribusi normal.
Gambar 4.1 Histogram
Sumber : Data diolah dengan IBM SPSS Statistics Version 20
Grafik histogram pada gambar 4.1 menunjukkan pola distribusi normal karena grafik tidak menceng (skewness) kiri maupun menceng kanan. Dengan demikian, dapat disimpulkan bahwa model regresi telah memenuhi asumsi normalitas. Demikian pula hasil uji normalitas dengan menggunakan grafik normal p-plot.
Gambar 4.2 Grafik Normal P-Plot
Berdasarkan grafik normal p-plot di atas terlihat bahwa data menyebar disekitar garis diagonal, maka dapat disimpulkan bahwa model regresi telah memenuhi asumsi nomalitas. Hal ini sesuai dengan pernyataan Priyatno (2008: 28), dimana uji normalitas data dilakukan dengan melihat peyebaran data (titik pada sumbu diagonal dan mengikuti arah garis diagonal dari grafik), yaitu jika data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal maka model regresi memenuhi asumsi normalitas, hal ini menunjukkan data yang telah terdistribusi normal.
4.2.2.2. Uji Heterokedastisitas
Uji heterokedastisitas merupakan sebuah pengujian yang bertujuan untuk menguji apakah dalam suatu model regresi terjadi ketidaksamaan varians dari residual suatu pengamatan ke pengamatan yang lain. Jika terdapat ketidaksamaan varians maka terjadi heteroskedatisitas pada data yang diuji. Model regresi yang baik menuntut tidak terjadinya heteroskedastisitas.
Teknik yang digunakan dalam pengujian heteroskedastisitas adalah melihat ada atau tidaknya pola tertentu pada grafik pengujian heteroskedastisitas, dimana sumbu X adalah Y yang telah di prediksi dan sumbu Y adalah residual (Y prediksi – Y sesungguhnya) yang telah distudentized. Dasar pengambian keputusannya adalah jika ada pola tertentu, seperti titik-titik (point-point) yang membentuk suatu pola tertentu yang teratur, maka telah terjadi heteroskedastisitas, tetapi jika tidak ada pola yang jelas, dimana titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.
Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi heterokedastisitas dengan mengamati penyebaran titik-titik pada gambar.
Gambar 4.3
Hasil Uji Heteroskedastisitas (Scatterplot)
Sumber : Data diolah dengan IBM SPSS Statistics Version 20
Dari grafik scatterplot tersebut dapat kita lihat bahwa titik-titik menyebar secara acak serta tidak membentuk pola tertentu atau tidak teratur (bergelombang, melebar kemudian menyempit), melainkan menunjukkan titik-titik yang tersebar di atas dan
dibawah angka 0 sumbu Y. Hal ini mengidentifikasikan tidak terjadinya heteroskedasitas pada model regresi sehingga model regresi ini dianggap layak digunakan.
4.2.2.3. Uji Multikolinearitas
Uji asumsi multikolinearritas, sering juga disebut uji independensi, bertujuan untuk menguji apakah variabel-variabel independen yang diteliti mempunyai korelasi signifikan satu dengan yang lain. Jika terdapat korelasi, artinya terdapat masalah multikolinearitas antar variabel independen.
Suatu model regresi yang baik seharusnya tidak memiliki korelasi di antara berbagai variabel independennya dengan tujuan untuk menghindari kebiasan dalam proses pengambilan keputusan mengenai pengaruh pada uji parsial masing-masing variabel independen terhadap variabel dependen. Jika terjadi multikolinearitas, maka salah satu variabel independen harus dikeluarkan dari model regresi atau mentransformasi model dalam bentuk non linier seperti LOG atau LN.
Deteksi adanya multikolinearitas adalah dengan menguji nilai VIF dan tolerance
masing-masing variabel bebas. Pedoman untuk model regresi berganda yag bebas multikolineritas adalah mempunyai VIF kurang dari 10 dan mempunyai angka tolerance
lebih besar dari 0,10. Apabila tolerance value < 0,1 atau VIF > 10 = terjadi multikolinearitas. Apabila tolerance value > 0,1 atau VIF < 10 = tidak terjadi multikolinearitas.
Tabel 4.5
Uji Multikolinearitas Variance Inflation Factor (VIF)
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 991,354 1836,732 ,540 ,591 ROA (%) 550,294 175,815 ,792 3,130 ,003 ,152 6,582 ROE (%) -69,784 132,040 -,161 -,529 ,599 ,105 9,524 NPM (%) -30,675 95,978 -,040 -,320 ,750 ,607 1,647 DER (%) 5,934 3,717 ,270 1,596 ,115 ,341 2,931 EPS (%) ,440 1,754 ,052 ,251 ,802 ,227 4,411
a. Dependent Variable: Harga Saham (Rupiah)
Sumber : Data diolah dengan IBM SPSS Statistics Version 20
Berdasarkan hasil pengujian uji multikolinearitas pada tabel 4.5 di atas diperoleh besaran Variance Inflation Faktor (VIF) menurut hasil output IBM SPSS Statistics 20
untuk Return on Asset sebesar6,582, Return on Equity sebesar 9,524, Net Profit Margin
sebesar 1,647, Debt to Equity Ratio sebesar 2,931, dan Earning per Share sebesar 4,411. Hasil tersebut menunjukkan bahwa model regresi tidak terjadi masalah multikolinearitas
karena kelimanya memenuhi pedoman model regresi yang bebas multikolinearitas yaitu mempunyai di bawah 10.
Besarnya tolerance menurut hasil output IBM SPSS Statistics 20 untuk Return on Asset sebesar 0,152, Return on Equity sebesar 0,105, Net Profit Margin sebesar 0,607,
Debt to Equity Ratio sebesar 0,341, dan Earning per Share sebesar 0,227. Hasil tersebut menunjukkan bahwa model regresi tidak terjadi masalah miltikolinearitas karena kelimanya memenuhi pedoman model regresi yang bebas multikolinearitas yaitu mempunyai tolerance di atas 0,10.
4.2.2.4. Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam suatu model regresi linier ada korelasi antara kesalahan pengganggu pada periode saat ini (t) dengan kesalahan pengganggu sebelumnya (t-1). Jika terjadi korelasi, maka terdapat problem autokorelasi. Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lain. Masalah ini timbul karena residual atau kesalahan pengganggu tidak bebas dari satu observasi ke observasi lainnya. 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.
Uji autokorelasi dilakukan dengan panduan pengujian yang sering digunakan untuk mendeteksi ada atau tidaknya autokorelasi adalah dengan uji Durbin-Watson (uji
D-W) dengan ketentuan sebagai berikut:
1) Jika D-W < dL berarti ada autokorelasi positif, 2) Jika (4-dU) < D-W berarti ada autokorelasi negatif,
3) Jika dU ≤ D-W ≤ (4-dU) berarti tidak terdapat autokorelasi,
4) Jika dL < D-W < dU atau (4-dU) < D-W < (4-dL), maka tidak dapat menghasilkan kesimpulan (incon clusive).
Tabel 4.7 menyajikan hasil uji Durbin Watson dengan menggunakan program
IBM SPSS Statistics Version 20.
Tabel 4.6
Uji Autokorelasi Durbin-Watson (D-W)
Model Summaryb
Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 ,573a ,328 ,280 5807,5346 2,161
a. Predictors: (Constant), EPS (%), NPM (%), DER (%), ROA (%), ROE (%) b. Dependent Variable: Harga Saham (Rupiah)
Sumber : Data diolah dengan IBM SPSS Statistics Version 20
Menentukan D-W tabel dengan melihat tabel D-W alpha 0,05, kolom = 6, dan baris = 75 sehingga diperoleh dL = 1,4623 dan dU = 1,8011.
Gambar 4.4
Hasil tabel Durbin-Watson Ada
autokorelasi positif
Incon closive Tidak ada
autokorelasi Incon closive
Ada autokorelasi
negatif
0 dL dU 2 4-dU 4-dL 4
0 1,4623 1,8011 2,1989 2,5377 4
Berdasarkan uji autokorelasi dari data di atas, dapat dilihat bahwa nilai D-W
berada di antara dU sampai 4-dU. Hasil Durbin-Watson statistik tersebut berada di daerah tidak ada autokorelasi. Hal ini berarti bahwa dalam model regresi berganda tidak terdapat autokorelasi. Hasil uji autokorelasi menunjukan bahwa model regresi berganda layak untuk digunakan dalam penelitian ini.