BAB IV ANALISIS HASIL PENELITIAN
B. Analisis Hasil Penelitian
1. Analisis Statistik Deskriptif
Informasi yang dibutuhkan dalam penelitian ini merupakan data sekunder yang diperoleh dari www.idx.co.id
Variabel dari penelitian ini terdiri dari laba akuntansi, arus kas dari aktivitas operasi, arus kas dari aktivitas investasi dan arus kas dari aktivitas pendanaan sebagai variabel bebas (independent variable) dan harga saham sebagai variabel terikat (dependent variable). Statistik deskriptif dari variabel
dan Indonesian Capital Market Directory
berupa data keuangan sampel perusahaan industri dasar dan kimia dari tahun 2007 sampai tahun 2009 yang dijabarkan dalam bentuk statistik.
142 tersebut dari sampel perusahaan industri dasar dan kimia selama periode 2007 sampai dengan tahun 2009 disajikan dalam tabel 4.2 berikut
Tabel 4.2
Statistik Deskriptif Variabel Penelitian
Sumber : Data yang diolah penulis, 2011.
Tabel di atas menunjukkan bahwa variabel arus kas dari aktivitas operasi (AKO), arus kas dari aktivitas investasi (AKI), dan arus kas dari aktivitas pendanaan (AKP) memiliki nilai minimum negatif sedangkan laba akuntansi dan harga saham memiliki nilai minimum positif. Untuk nilai maksimum, semua variabel memiliki nilai positif.
Berikut perincian data deskriptif yang telah diolah :
a. Variabel LA memiliki nilai rata sebesar 422,1506, artinya rata-rata perusahaan industri dasar dan kimia di BEI memiliki perbandingan laba bersih sebelum pajak lembar saham sebesar 422,1506. Deviasi standar dari variabel LA sebesar 861.16041. Hal ini menunjukkan penyebaran data dari laba akuntansi berkisar di sekitar nilai rata-rata 422,1506.
N Minimum Maximum Mean Std. Deviation
LA 66 .01 5097.01 422.1506 861.16041 AKO 66 -164.44 4550.56 375.1280 768.86187 AKI 66 -1186.46 408.26 -102.6180 226.24329 AKP 66 -2960.56 756.53 -167.2041 503.53712 HS 66 50.00 31000.00 2608.7879 5643.25933 Valid N (listwise) 66
143 b. Variabel AKO memiliki nilai rata sebesar 375,1280, artinya
rata-rata perusahaan industri dasar dan kimia di BEI memiliki perbandingan arus kas operasi per lembar saham sebesar 375,1280. Deviasi standar dari variabel AKO sebesar 768.86187. Hal ini menunjukkan penyebaran data dari arus kas operasi berkisar di sekitar nilai rata-rata 375,1280.
c. Variabel AKI memiliki nilai rata sebesar -102,6180, artinya rata-rata perusahaan industri dasar dan kimia di BEI memiliki perbandingan arus kas investasi per lembar saham sebesar -102,6180. Deviasi standar dari variabel AKI sebesar 226,24329. Hal ini menunjukkan penyebaran data dari arus kas investasi berkisar di sekitar nilai rata-rata -102,6180.
d. Variabel AKP memiliki nilai rata sebesar -167,2041, artinya rata-rata perusahaan industri dasar dan kimia di BEI memiliki perbandingan arus kas pendananaan per lembar saham sebesar V. Deviasi standar dari variabel AKP sebesar 503,53721. Hal ini menunjukkan penyebaran data dari arus kas pendanaan berkisar di sekitar nilai rata-rata -167,2041.
e. Variabel HS memiliki nilai rata sebesar 2608,7879, artinya rata-rata perusahaan industri dasar dan kimia di BEI memiliki harga saham sebesar 2608,7879. Deviasi standar dari variabel HS sebesar 5643,25933
144 2. Uji Asumsi Klasik
a. Uji Normalitas
Pengujian normalitas data dalam penelitian ini mengunakan uji statistik non parametric Kolmogorov-Smirnov (K-S) dengan membuat hipotesis:
H0 : Data residual berdistribusi normal
Ha : Data residual tidak berdistribusi normal.
Apabila nilai signifikansinya lebih besar dari 0,05 maka H0 diterima,
sedangkan jika nilai signifikansinya lebih kecil dari 0,05 maka H0
1) Uji Normalitas Sebelum Data Ditransformasi ditolak.
Tabel 4.3
Uji Normalitas Sebelum Data Ditransformasi
Sumber : Data diolah oleh penulis, 2011.
One-Sample Kolmogorov-Smirnov Test Laba Akuntansi Arus Kas Operasi Arus Kas Investasi Arus Kas
Pendanaan Harga Saham
N 66 66 66 66 66 Normal Parametersa,b Mean 422.1506 375.1280 -102.6180 -167.2041 2608.7879 Std. Deviation 861.16041 768.86187 226.24329 503.53712 5643.25933 Most Extreme Differences Absolute .312 .266 .259 .285 .325 Positive .268 .266 .219 .240 .303 Negative -.312 -.253 -.259 -.285 -.325 Kolmogorov-Smirnov Z 2.535 2.159 2.107 2.313 2.641
Asymp. Sig. (2-tailed) .000 .000 .000 .000 .000
145 Dari hasil pengolahan data tersebut, besarnya nilai Kolmogorov-Smirnov untuk masing-masing variabel adalah 2,535 untuk laba akuntansi, 2,159 untuk arus kas dari aktivitas operasi, 2,107 untuk arus kas dari aktivitas investasi, 2,313 untuk arus kas dari aktivitas pendanaan, dan 2,641 untuk harga saham. Untuk probababilitas signifikansi Asymp. Sig (2-tailed) dari masing-masing variabel adalah 0,000 untuk laba akuntansi, arus kas dari aktivitas investasi, arus kas dari aktivitas pendanaan dan harga saham yang mana nilainya jauh di bawah α = 0,05
maka disimpulkan data tidak terdistribusi secara normal. Data yang tidak terdistribusi secara normal tersebut juga dapat dilihat melalui grafik histogram dan grafil normal plot data.
Gambar 4.1
Histogram (sebelum data ditransformasi) Sumber : Penulis, 2011.
146 Dengan cara membandingkan antara data observasi dengan distribusi yang mendekati distribusi normal, dari grafik di atas dapat disimpulkan bahwa distribusi data normal karena grafik histogram menunjukkan distribusi data mengikuti garis diagonal.
Gambar 4.2
Grafik Normal P-P Plot (sebelum data ditransformasi) Sumber : Penulis, 2011
Namun hasil uji normalitas dengan menggunakan grafik plot terlihat titik-titik menyebar disekitar garis diagonal serta penyebarannya agak menjauh dari garis diagonal sehingga dapat disimpulkan bahwa data
147 dalam model regresi tidak terdistribusi secara normal. Dari hasil uji normalitas dengan Kolmogorov-Smirnov (K-S), grafik histogram dan grafik normal plot menunjukkan data tidak terdistribusi secara normal.
2) Uji Normalitas Setelah Data Ditransformasi
Ada beberapa cara mengubah model regresi menjadi normal menurut Jogiyanto (2004 : 172), yaitu:
1) Dengan melakukan transformasi data,
2) Lakukan trimming,
3) Lakukan winsorizing.
Untuk mengubah nilai residual agar berdistribusi normal, penulis melakukan transformasi data ke model LN dari persamaan HS = f(LA, AKO, AKI, AKP), menjadi LN_HS = f(LN_LA, LN_AKO, LN_AKI, LN_AKP). Transformasi data ke dalam bentuk LN menyebabkan data yang bernilai negatif tidak dapat ditransformasi sehingga menghasilkan
missing values.
Setiap data yang terdapat missing values akan diganti dengan data mean (rata-rata). Kemudian, data diuji ulang berdasarkan asumsi normalitas. Berikut ini hasil pengujian Kolmogorov-Smirnov (K-S):
Tabel 4.4
Uji Normalitas Setelah Data Ditransformasi One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
148
Normal Parametersa,b Mean .0000000
Std. Deviation .90832197
Most Extreme Differences Absolute .074
Positive .074
Negative -.052
Kolmogorov-Smirnov Z .602
Asymp. Sig. (2-tailed) .861
a. Test distribution is Normal. b. Calculated from data.
Sumber : Penulis, 2011
Dari tabel diatas, besarnya Kolmogorv-Smirnov (K-S) adalah 0,602 untuk laba akuntansi, arus kas dari aktivitas operasi, arus kas dari aktivitas investasi, arus kas dari aktivitas pendanaan, dan harga saham. Untuk probababilitas signifikansi Asymp. Sig (2-tailed) dari masing-masing variabel adalah 0,861 untuk laba akuntansi, arus kas dari aktivitas operasi, arus kas dari aktivitas investasi, arus kas dari aktivitas pendanaan dan harga saham, dimana nilai signifikansinya > 0,05. Dengan demikian, secara keseluruhan dapat disimpulkan bahwa nilai-nilai observasi data telah terdistribusi secara normal dan dapat dilanjutkan dengan uji asumsi klasik lainnya. Untuk lebih jelas, berikut ini turut dilampirkan grafik histogram dan plot data yang terdistribusi normal.
149 Gambar 4.3
Histogram (setelah data ditransformasi) Sumber: Penulis, 2011.
150 Gambar 4.4
Grafik Normal P-P Plot (setelah data ditransformasi) Sumber: Data yang diolah penulis, 2011.
Dengan cara membandingkan antara data observasi dengan distribusi yang mendekati distribusi normal, dari grafik di atas dapat disimpulkan bahwa distribusi data normal karena grafik histogram menunjukkan distribusi data mengikuti garis diagonal yang tidak menceng (skewness) ke kiri maupun ke kanan atau normal.
Demikian pula dengan hasil uji normalitas dengan menggunakan grafik plot. Pada grafik normal plot, terlihat titik-titik menyebar disekitar garis diagonal serta penyebarannya mendekati dengan garis diagonal
151 sehingga dapat disimpulkan bahwa data dalam model regresi terdistribusi secara normal. Hasil dari transformasi di atas menunjukkan bahwa variabel-variabel yang tidak normal dapat dinormalkan dengan cara me-ln-kan data. Setelah data sudah menunjukkan data yang memenuhi asumsi normalitas maka pengujian dapat dilanjutkan dengan pengujian parametrik.
b. Uji Multikolinieritas.
Dalam penelitian ini, untuk mendeteksi ada tidaknya gejala multikolinieritas adalah dengan melihat nilai tolerance dan variance inflation factor (VIF), serta menganalisis matrik korelasi variabel-variabel independen. Besarnya tingkat kolinieritas yang masih dapat ditolerir, yaitu: Tolerance > 0.10, dan Variance Inflation Factor (VIF) < 10. Berikut disajikan tabel hasil pengujian:
Tabel 4.5 Uji Multikolinieritas
Coefficients untuk LN_HS = f(LN_LA, LN_AKO, LN_AKI, LN_AKP)
Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics B Std.
Error Beta Tolerance VIF
1 (Constant) .093 1.519 .061 .952
LN_LA .370 .068 .512 5.419 .000 .580 1.723
152 Sumber : Data yang diolah penulis, 2011
Hasil perhitungan nilai tolerance menunjukkan variabel independen memiliki nilai tolerance > 0,10 yaitu 0,580 untuk variabel LN_LA, 0,591 untuk variabel LN_AKO, 0,975 untuk variabel LN_AKI dan 0,933 untuk variabel LN_AKP yang berarti tidak terjadi korelasi antar variabel independen. Hasil perhitungan VIF juga menunjukkan hal yang sama dimana variabel independen memiliki nilai VIF kurang dari 10 yaitu 1,723 untuk variabel laba akuntansi, 1,691 untuk variabel arus kas dari aktivitas operasi, 1,025 untuk variabel arus kas dari aktivitas investasi, 1,072 untuk variabel arus kas dari aktivitas pendanaan. Berdasarkan tabel tersebut dapat disimpulkan bahwa tidak ada multikolinieritas antar variabel independen dalam model ini.
Tabel 4.6
Cofficients Correlations
LN_HS = f(LN_LA, LN_AKO, LN_AKI, LN_AKP)
LN_AKI .354 .324 .080 1.092 .279 .975 1.025
LN_AKP .397 .149 .198 2.660 .010 .933 1.072
a. Dependent Variable : LN_HS
Model LN_AKP LN_AKO LN_AKI LN_LA
1 Correlations LN_AKP 1.000 .165 -.146 -.207 LN_AKO .165 1.000 -.011 -.638 LN_AKI -.146 -.011 1.000 -.020 LN_LA -.207 -.638 -.020 1.000 Covariances LN_AKP .022 .002 -.007 -.002 LN_AKO .002 .009 .000 -.004
153
a. Dependent Variable : LN_HS
Sumber : Penulis, 2011
Hasil besaran korelasi antar variabel memperlihatkan bahwa antara variable independen yang diuji variabel laba akuntansi dan arus kas operasi mempunyai korelasi paling tinggi yaitu sebesar 0,638 atau sebesar 63,8%. Hal ini tidak menunjukkan gejala korelasi karena masih di bawah 0,95 sehingga dapat disimpulkan bahwa tidak ada gejala multikoliniaritas antar variabel independen dalam penelitian ini.
c. Uji Heteroskedastisitas
Dalam penelitian ini, untuk mendeteksi ada tidaknya gejala heteroskedastisitas adalah dengan melihat plot grafik yang dihasilkan dari pengolahan data dengan menggunakan program SPSS. Dasar pengambilan keputusannya adalah:
1) Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur (bergelombang, melebar kemudian menyempit), maka mengindikasikan telah terjadi heteroskedastisitas,
2) Jika tidak ada pola yang jelas, seperti titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas atau terjadi homoskedastisitas.
LN_AKI -.007 .000 .105 .000
154 Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi heteroskedastisitas atau terjadi homoskedastisitas dengan
mengamati penyebaran titik-titik pada gambar. Gambar 4.5
Scatterplot Sumber : Penulis, 2011
Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y, sehingga dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada
155 model regresi. Adanya titik-titik yang menyebar menjauh dari titik-titik yang lain dikarenakan adanya data observasi yang sangat berbeda dengan data observasi yang lain . Hasil tampilan output SPSS ini dengan jelas menunjukkan tidak ada indikasi terjadi heteroskedastisitas.
d. Uji Autokorelasi
Uji ini bertujuan untuk melihat apakah dalam suatu model regresi linear ada korelasi antar kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1. Autokorelasi muncul karena observasi yang berurutan sepanjang tahun yang berkaitan satu dengan yang lainnya. Hal ini sering ditemukan pada data time series. Cara yang dapat digunakan untuk mendeteksi masalah autokorelasi adalah dengan menggunakan nilai uji Durbin Watson.
Hasil pengujian pada tabel memperlihatkan nilai statistik Durbin – Watson sebesar 2,073. Nilai ini akan dibandingkan dengan nilai tabel Durbin – Watson dengan nilai signifikan 5 %, jumlah sampel 66, jumlah variabel independen 4 (k=4), maka di tabel Durbin – Watson akan didapat nilai dl = 1,4758 dan du = 1,7319. Nilai DW sebesar 2,073 terletak di atas batas atas du lebih kecil dari 2,2681 (4 – 1,7319), maka diperoleh kesimpulan tidak ada autokorelasi.
156 Tabel 4.7
Hasil Uji Durbin Watson
a. Predictors: (Constant), LN_AKP, LN_AKO, LN_AKI, LN_LA b. Dependent Variable: LN_HS
Sumber : Data yang diolah penulis, 2011
3. Analisis Regresi
Dari hasil pengujian asumsi klasik disimpulkan bahwa bahwa model regresi yang dipakai dalam penelitian ini telah memenuhi model estimasi yang Best Linear Unbiased Estimator (BLUE) dan layak dilakukan analisis regresi. Untuk menguji hipotesis, peneliti menggunakan analisis regresi berganda. Berdasarkan hasil pengolahan data dengan program SPSS 18, maka diperoleh hasil sebagai berikut:
a. Persamaan Regresi
Dalam pengolahan data dengan menggunakan regresi linear, dilakukan beberapa tahapan untuk mencari hubungan antara variabel independen dan variabel dependen, melalui pengaruh LN_LA, LN_AKO, LN_AKI dan LN_AKP terhadap LN_HS. Hasil regresi dapat dilihat pada tabel 4.8 berikut ini:
Model R R Square Adjusted R Square Std. Error of the Estimate Change Statistics Durbin-Watson R Square Change F change df1 df2 Sig.F change 1 .827a .684 .663 .93763 .684 32.989 4 61 .000 2.073
157 Tabel 4.8
Analisis Hasil Regresi
Berdasarkan tabel di atas, didapatlah persamaan regresi sebagai berikut:
LN_HS = 0,093 + 0,370 LN_LA + 0,343 LN_AKO + 0,354 LN_AKI + 0,397 LN_AKP + e
Atau,
Y = 0,093 + 0,370X1 + 0,343X2 + 0,354X3 – 0,397X4
1) Konstanta sebesar 0,093 menunjukkan bahwa apabila tidak ada variabel independen (X1 = 0, X2 = 0, X3 = 0 dan X4 = 0) maka harga saham sebesar 0,093. + e Keterangan : Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics B Std.
Error Beta Tolerance VIF
1 (Constant) .093 1.519 .061 .952 LN_LA .370 .068 .512 5.419 .000 .580 1.723 LN_AKO .343 .093 .346 3.698 .000 .591 1.691 LN_AKI .354 .324 .080 1.092 .279 .975 1.025 LN_AKP .397 .149 .198 2.660 .010 .933 1.072 a. Dependent Variable : LN_HS
158 2) b1 sebesar 0,370 menunjukkan bahwa setiap kenaikan dari laba
akuntansi sebesar 1% akan diikuti oleh kenaikan harga saham sebesar 0,370 dengan asumsi variabel lain tetap.
3) b2 sebesar 0,343 menunjukkan bahwa setiap kenaikan arus kas dari aktivitas operasi sebesar 1% akan diikuti oleh kenaikan harga saham sebesar 0,343 dengan asumsi variabel lain tetap.
4) b3 sebesar 0,354 menunjukkan bahwa setiap kenaikan arus kas dari aktivitas investasi sebesar 1% akan diikuti oleh kenaikan harga saham sebesar 0,354 dengan asumsi variabel lain tetap.
5) b4 sebesar 0,397 menunjukkan bahwa setiap kenaikan arus kas dari
aktivitas pendanaan sebesar 1% akan diikuti oleh kenaikan harga saham sebesar 0,397 dengan asumsi variabel lain tetap.
b. Analisis Koefisien Korelasi dan Koefisien Determinasi
Nilai koefisien korelasi (R) menunjukkan seberapa besar korelasi atau hubungan antara variabel-variabel independen dengan variabel dependen. Koefisien korelasi dikatakan kuat apabila nilai R berada di atas 0.5 dan mendekati 1. Koefisien determinasi (R square) menunjukkan seberapa besar variabel independen menjelaskan variabel dependennya. Nilai R square
adalah 0 sampai dengan 1. Apabila nilai R square semakin mendekati 1, maka variabel-variabel independen memberikan semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen. Sebaliknya, semakin kecil nilai
159
R square, maka kemampuan variabel-variabel independen dalam menjelaskan variasi variabel dependen semakin terbatas.
Nilai R square memiliki kelemahan yaitu nilai R square akan meningkat setiap ada penambahan satu variabel independen meskipun variabel independen tersebut tidak berpengaruh signifikan terhadap variabel dependen.
Tabel 4.9
Hasil analisis Koefisien Korelasi dan Koefisien Determinasi
a. Predictors: (Constant), LN_AKP, LN_AKO, LN_AKI, LN_LA b. Dependent Variable: LN_HS
Sumber : Data yang diolah penulis, 2011
Pada model summary, nilai koefisien korelasi (R) sebesar 0,827 yang berarti bahwa korelasi atau hubungan antara harga saham (LN_HS) dengan variabel independennya (LN_LA, LN_AKO, LN_AKI dan LN_AKP) kuat karena berada diatas 0,5. Angka adjusted R square atau koefisien determinasi adalah 0,663. Hal ini berarti 66,3% variasi atau perubahan dalam harga saham dapat dijelaskan oleh variasi dari laba akuntansi, arus kas dari aktivitas operasi, arus kas dari aktivitas investasi dan arus kas dari aktivitas pendanaan, sedangkan sisanya (33,7%) dijelaskan oleh variabel-variabel lain yang tidak dimasukkan dalam persamaan. Standar Error of Estimate (SEE)
Model R R Square Adjusted R Square Std. Error of the Estimate Change Statistics Durbin-Watson R Square Change F change df1 df2 Sig.F change 1 .827a .684 .663 .93763 .684 32.989 4 61 .000 2.073
160 adalah 0,93763, yang mana semakin besar SEE akan membuat model regresi kurang tepat dalam memprediksi variabel dependen.
c. Pengujian Hipotesis
Untuk mengetahui apakah variabel independen dalam model regresi berpengaruh terhadap variabel dependen, maka dilakukan pengujian dengan menggunakan uji t (t test) dan uji F (F test).
1) Uji t (t Test)
Uji t digunakan untuk menguji signifikansi konstanta dan setiap variabel independennya. Berdasarkan hasil pengolahan SPSS versi 16, diperoleh hasil sebagai berikut.
Tabel 4.10 Hasil Uji t Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics B Std.
Error Beta Tolerance VIF
1 (Constant) .093 1.519 .061 .952 LN_LA .370 .068 .512 5.419 .000 .580 1.723 LN_AKO .343 .093 .346 3.698 .000 .591 1.691 LN_AKI .354 .324 .080 1.092 .279 .975 1.025 LN_AKP .397 .149 .198 2.660 .010 .933 1.072 a. Dependent Variable : LN_HS
161 Dari tabel regresi dapat dilihat besarnya thitung untuk variabel laba
akuntansi sebesar 5,419 dengan nilai signifikan 0,000, sedangkan ttabel adalah 1,99962, sehingga thitung > ttabel ( 5,419 > 1,99962) maka laba
akuntansi secara individual mempengaruhi harga saham. Signifikansi penelitian juga menunjukkan angka < 0,05 (0,000 < 0,05), maka H0
ditolak dan Ha diterima, artinya laba akuntansi berpengaruh signifikan
positif terhadap harga saham. Thitung untuk variabel arus kas dari aktivitas operasi sebesar 3,698 dengan nilai signifikan 0,000, sedangkan t tabel adalah 1,99962, sehingga thitung > ttabel ( 3,698 >1,99962), maka arus kas dari aktivitas operasi secara individual mempengaruhi harga saham. Signifikansi penelitian juga menunjukkan angka < 0,05 (0,00 < 0,05), maka H0 ditolak dan Ha diterima, artinya arus kas dari aktivitas operasi berpengaruh signifikan positif terhadap harga saham.
Thitung untuk variabel arus kas dari aktivitas investasi sebesar 1,092 sedangkan ttabel adalah 1,99962, sehingga thitung < ttabel (1,092 < 1,99962),
maka arus kas dari aktivitas investasi tidak berpengaruh terhadap harga saham secara individual. Signifikansi 0,279 menyimpulkan bahwa sig penelitian > 0,05 (0,279 > 0,05), maka H0 diterima dan Ha
Tabel diatas juga menunjukkan besarnya t
ditolak, artinya arus kas investasi tidak berpengaruh terhadap harga saham.
hitung untuk variabel arus kas
dari aktivitas pendanaan sebesar 2,660 sedangkan ttabel adalah 1,99962,
162 pendanaan secara individual mempengaruhi harga saham. Signifikansi 0,01 menyimpulkan bahwa sig penelitian < 0,05 (0,01 < 0,05), maka H0 ditolak dan Ha
2) Uji F (F Test)
diterima, artinya arus kas dari aktivitas pendanaan berpengaruh signifikan positif terhadap harga saham.
Untuk melihat pengaruh laba akuntansi, arus kas dari aktivitas operasi, arus kas dari aktivitas investasi dan arus kas dari aktivitas pendanaan terhadap harga saham secara simultan dapat dihitung dengan menggunakan F test. Berdasarkan hasil pengolahan data dengan program SPSS 18, maka diperoleh hasil sebagai berikut.
Tabel 4.11 Hasil uji F
Model Sum of Squares df Mean Square F Sig.
1 Regression 116.008 4 29.002 32.989 .000a
Residual 53.628 61 .879
Total 169.636 65
a. Predictors: (Constant), LN_AKP, LN_AKO, LN_AKI, LN_LA b. Dependent Variable: LN_HS
Dari uji ANOVA atau F test, diperoleh Fhitung sebesar 32,989 dengan
tingkat signifikansi 0,000, sedangkan Ftabel sebesar 2,52 dengan signifikansi 0,05. Berdasarkan hasil tersebut dapat disimpulkan bahwa laba akuntansi, arus kas dari aktivitas operasi, arus kas dari aktivitas
163 investasi dan arus kas dari aktivitas pendanaan berpengaruh secara simultan dan signifikan terhadap harga saham karena Fhitung > Ftabel (32,989 > 2,52 ) dan sig penelitian < 0,05 (0,000 < 0,05).