BAB IV ANALISIS HASIL PENELITIAN
B. Analisis Hasil Penelitian
Statistik deskriptif adalah statistik yang digunakan untuk menganalisa data dengan cara mendeskripsikan atau menggambarkan data yang telah terkumpul sebagaimana adanya tanpa bermaksud membuat kesimpulan yang berlaku untuk umum atau generalisasi (Sugiyono, 2005:142). Deskripsi suatu data dilihat dari nilai rata-rata (mean), standar deviasi, maksimum, minimum. Berikut ini akan dijelaskan hasil statistik deskriptif data keuangan dan variabel penelitian tahun dari tahun 2006 - 2009.
Statistik deskriptif variabel penelitian dari sampel perusahaan selama periode pengamatan 2006 sampai dengan tahun 2009 disajikan pada tabel 4.2 berikut ini
Tabel 4.2
Statistik Deskriptif Variabel Penelitian Descriptive Statistics
N Minimum Maximum Mean Std. Deviation
EVA 240 -60227713 4530946 -71021.04 3989864.242 MVA 240 -153000 199584000 13257869.44 30389175.723 ROA 240 .000003 2.798462 .10464232 .203599663 ROE 240 .000015 3.217845 .23510833 .274703167 RETURN 240 -.956192 63.832231 .99588108 5.245484976 Valid N (listwise) 240
Sumber : Data yang diolah penulis, 2011
Tabel 4.2 menunjukkan hasil ouput SPSS mengenai statistik deskriptif variabel penelitian tahun 2006-2009 dengan jumlah sampel keseluruhan sebanyak 240 (60 perusahaan selama 4 tahun). Dari tabel tersebut, dapat dijelaskan statistik deskriptif masing-masing variabel, bahwa ;
a. Variabelreturn saham memiliki nilai maksimum sebesar 63,832231, nilai minimum sebesar -0,956192, nilai rata-rata (mean) sebesar 0,99588108, dengan standar deviasi sebesar 5,245484976 dan jumlah sampel sebanyak 240 perusahaan.
b. Variabeleconomic value added memiliki nilai maksimum sebesar 4530946 nilai minimum sebesar -60227713, nilai rata-rata (mean) sebesar -71021,04, dengan standar deviasi sebesar 3989864,242 dan jumlah sampel sebanyak 240 perusahaan.
c. Variabelmarket value added memiliki nilai maksimum sebesar 199584000 nilai minimum sebesar -60227713, nilai rata-rata (mean) sebesar 13257869,44, dengan standar deviasi sebesar 30389175,723 dan jumlah sampel sebanyak 240 perusahaan.
d. Variabelreturn on assets memiliki nilai maksimum sebesar 2,798462 nilai minimum sebesar 0,000003, nilai rata-rata (mean) sebesar 0,10464232, dengan standar deviasi sebesar 0,203599663 dan jumlah sampel sebanyak 240 perusahaan.
e. Variabelreturn on equity memiliki nilai maksimum sebesar 3,217845 nilai minimum sebesar 0,000015, nilai rata-rata (mean) sebesar 0,23510833, dengan standar deviasi sebesar 0,274703167 dan jumlah sampel sebanyak 240 perusahaan.
2. Uji Asumsi Klasik a. Uji Normalitas
Pengujian normalitas data dalam penelitian ini menggunakan uji statistik non parametrik 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 signifikansinya lebih kecil dari 0,05 maka H0 ditolak.
Tabel 4.3
Uji Normalitas Sebelum Data Ditransformasi One Sample Kolmogorov – Smirnov Test
One-Sample Kolmogorov-Smirnov Test
Unstandardiz ed Residual
N 240
Normal Parametersa,b Mean .0000000
Std. Deviation 5.17711550 Most Extreme Differences Absolute .354 Positive .354 Negative -.302 Kolmogorov-Smirnov Z 5.483
Asymp. Sig. (2-tailed) .000
a. Test distribution is Normal.
Sumber : Data yang diolah penulis, 2011
Dari hasil pengolahan data tersebut, besarnya nilai Kolmogorov-Smirnov adalah 5,483 dan signifikan pada 0,000 maka disimpulkan data tidak terdistribusi secara normal karena p = 0,000 < 0,05.
Data yang tidak berdistribusi normal dapat disebabkan oleh adanya data yang outlier, yaitu data yang memiliki nilai yang sangat menyimpang dari nilai data lainnya. Menurut Ghozali (2005), beberapa cara mengatasi data outlier, yaitu :
i. melakukan transformasi data ke bentuk lainnya, ii. melakukan trimming, yaitu membuang data outlier,
iii. melakukan winsorizing, yaitu mengubah nilai data yang outlier ke suatu nilai tertentu.
Dari ketiga cara di atas, penulis memutuskan untuk melakukan transformasi data terhadap semua variabel menjadi bentuk Logaritma natural (Ln), agar variabel-variabel dalam penelitian ini memenuhi asumsi normalitas. Setelah itu, dilakukan pengujian ulang dengan metode statistik.
Hasil output SPSS pengujian normalitas setelah transformasi data akan disajikan pada tabel 4.3 berikut ini:
Tabel 4.4
Hasil uji normalitas setelah transformasi One – Sample Kolmogorov – Smirnov Test
One-Sample Kolmogorov-Smirnov Test
Unstandardiz ed Residual
N 159
Normal Parametersa,b Mean .0000000
Std. Deviation 1.40605909 Most Extreme Differences Absolute .099 Positive .076 Negative -.099 Kolmogorov-Smirnov Z 1.253
Asymp. Sig. (2-tailed) .086
a. Test distribution is Normal.
Sumber : Data yang diolah penulis, 2011
Berdasarkan hasil pengujian K-S diatas, nilai K- S yang diperoleh adalah 1,253, dan signifikan pada 0,086, sehingga dapat disimpulkan bahwa data terdistribusi normal dimana nilai p lebih besar dari 0,05 (p=0,086> 0,05). Dengan demikian secara keseluruhan bahwa nilai
observasi telah terdistribusi normal. Pada grafik histogram, dapat dilihat bahwa distribusi data tidak menceng (skewnes) ke kiri atau ke kanan.
Gambar 4.1 Histogram
Pada grafik normal plot, dapat dilihat titik – titik menyebar disekitar garis diagonal dan agak mendekati garis diagonal sehingga dapat disimpulkan data berdistribusi normal.
Gambar 4.2 Grafik Normal P-Plot
b. Uji Multikolonieritas
Dalam penelitian ini, untuk mendeteksi ada tidaknya gajala multikolonieritas adalah dengan melihat besaran korelasi anatara variabel independen dan besarnya tingkat kolonieritas yang masih dapat ditolerir, yaitu Tolerance > 0,10 dan Variance Inflation Factor (VIF) < 10. Berikut disajikan tabel hasil pengujian:
Tabel 4.5
Uji multikolonieritas untuk
LN_RETURN=f(LN_EVA,LN_MVA,LN_ROA, LN_ROE) Coefficientsa Model Collinearity Statistics Tolerance VIF 1 LN_EVA .180 5.569 LN_MVA .228 4.394 LN_ROA .233 4.301 LN_ROE .262 3.818
a. Dependent Variabel: LN_RETURN Sumber : Data yang diolah penulis, 2011
Hasil pengujian menunjukkan angka tolerance untuk LN_EVA lebih besar dari 0,1 (0,180> 0,1), LN_MVA lebih besar dari 0,1 (0,228 > 0,1), LN_ROA lebih besar dari 0,1 (0,233 > 0,1), LN_ROE lebih besar dari 0,1 (0,262> 0,1). Angka VIF untuk LN_EVA lebih kecil dari 10 (5,569< 10), LN_MVA lebih kecil dari 10 (4,394 <10 ), LN_ROA lebih kecil dari 10 (4,301 < 10 ), LN_ROE lebih kecil dari 10 (3,818 < 10).
Berdasarkan hasil pengujian tersebut diperoleh kesimpulan tidak terdapat multikolonieritas.Hasil ini menunjukkan tidak ada hubungan antar variabel bebas (independen).
Tabel 4.6
Cofficient correlations Coefficient Correlationsa
Model LN_ROE LN_EVA LN_ROA LN_MVA
1 Correlations LN_ROE 1.000 -.524 -.853 .334 LN_EVA -.524 1.000 .618 -.867 LN_ROA -.853 .618 1.000 -.454 LN_MVA .334 -.867 -.454 1.000 Covariances LN_ROE .043 -.013 -.033 .007 LN_EVA -.013 .014 .014 -.010 LN_ROA -.033 .014 .035 -.008 LN_MVA .007 -.010 -.008 .009
a. Dependent Variabel: LN_RETURN
Sumber : Data yang diolah penulis, 2011
Dari tabel di atas dapat dilihat tingkat korelasi antar variabel bebas, yaitu : tingkat korelasi antar variabel bebas antara LN_EVA terhadap LN_MVA menunjukkan angka -0,867 atau -86,7%, tingkat ini masih jauh dibawah 95 %. Tingkat korelasi antara LN_EVA terhadap LN_ROA menunjukkan angka 0,618 atau 61,8 %. Tingkat korelasi antara LN_EVA terhadap LN_ROE menunjukkan angka -0,524 atau -52,4 %. Tingkat korelasi antara LN_MVA terhadap LN_ROA menunjukkan angka -0,454 atau -45,4 %. Tingkat korelasi antara LN_MVA terhadap LN_ROE menunjukkan angka 0,334 atau 33,4 %. Tingkat korelasi antara LN_ROA terhadap LN_ROE menunjukkan angka -0,853 atau -85,3 % Berdasarkan
hasil perhitungan tersebut dapat dibuktikan bahwa tidak terdapat korelasi antar variabel bebas atau tidak terdapat multikolonieritas.
c. Uji Heterokedastisitas
Untuk pengujian heteroskedastisitas, penulis menggunakan alat analisis grafik (Scatterplot). Pada analisis grafik Scatterplot,.deteksi ada tidaknya heteroskedastisitas dapat dilakukan dengan melihat jika tidak ada pola tertentu pada grafik Scatterplot maka tidak terjadi heteroskedastisitas dengan kata lain homoskedastisitas. Hasil pengujian dapat ditunjukkan grafik scatterplot antara ZPRED dan SRESID sebagai berikut.Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka nol pada sumbu Y. Maka dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada persamaan regresi.
Gambar 4.1 Grafik Scatterplot
d. UjiAutokorelasi
Uji ini bertujuan untuk menganalisis apakah dalam model regresi linier ada korelasi antara kesalahan pengganggu pada periode t dengan tingkat kesalahan pada periode t-1.Auto korelasi muncul karena observasi yang berurutan sepanjang tahun yang berkaitan satu dengan yang lainnya, hal ini sering ditemukan pada time series. Metode yang digunakan penulis telah diungkapkan dalam bab tiga.
Hasil pengujian pada tabel memperlihatkan nilai statistik Durbin – Watson sebesar 2,006. Nilai ini akan dibandingkan dengan nilai tabel Durbin – Watson dengan nilai signifikan 5 %, jumlah sampel =159, jumlah variabel independen 4 (k=4), maka di tabel Durbin – Watson akan didapat nilai dl = 1,6895 dan du = 1,7925. Nilai DW sebesar 2,006 terletak diatas batas atas du lebih kecil dari 2,2075 (4 – 1,7925), maka diperoleh kesimpulan tidak ada autokorelasi.
Tabel 4.7
Hasil Uji Autokorelasi Model Summary Model b R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .221a .049 .024 1.42420 2.006
a. Predictors: (Constant), LN_ROE, LN_EVA, LN_ROA, LN_MVA b. Dependent Variabel: LN_RETURN
Sumber : Data yang diolah penulis, 2011
3. Pengujian Hipotesis
Hasil uji asumsi klasik memperlihatkan data observasi tidak memenuhi asumsi normalitas, kemudian dilakukan transformasi ke dalam bentuk
logaritma natural (LN).Sehingga persamaan yang baru memenuhi asumsi klasik dan dapat dianalisis lebih lanjut untuk pengujian hipotesis. Penulis menggunakan analisis regresi berganda untuk melakukan pengujian hipotesis dengan bantuan program SPSS 18.
a. Persamaan regresi
Analisis Hasil Regresi Tabel 4.8 Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) -2.119 .736 -2.880 .005
LN_EVA -.079 .119 -.124 -.669 .505 .180 5.569
LN_MVA .174 .095 .301 1.829 .069 .228 4.394
LN_ROA .028 .186 .024 .150 .881 .233 4.301
LN_ROE .034 .208 .025 .163 .871 .262 3.818
a. Dependent Variable: LN_RETURN
Sumber : Data yang diolah penulis, 2011
Berdasarkan tabel di atas, di dapatlah persamaan regresi sebagai berikut : LN_RETURN = - 2,119 – 0,79 LN_EVA + 0,174 LN_MVA + 0,028
LN_ROA + 0,034 LN_ROE Keterangan :
1) Konstanta sebesar -2,119 menunjukkan bahwa apabila tidak ada
variabel independen (EVA, MVA, ROA, ROE) maka tingkat return
saham sebesar -2.119.
2) β1 sebesar -0,079 menunjukkan bahwa setiap penambahan economic
value added sebesar 1% akan diikuti oleh penurunan return saham
3) β2 sebesar 0,174 menunjukkan bahwa setiap penambahan market value
addedsebesar 1% akan diikuti oleh kenaikanreturn saham sebesar 17,4
% dengan asumsi variabel lain tetap.
4) β3 sebesar 0,028 menunjukkan bahwa setiap penambahan return on
assetssebesar 1% akan diikuti oleh kenaikanreturn saham sebesar 2,8%
dengan asumsi variabel lain tetap.
5) β4 sebesar 0,034 menunjukkan bahwa setiap penambahan return on
equitysebesar 1% akan diikuti oleh kenaikanreturn saham sebesar 3,4%
dengan asumsi variabel lain tetap.
b. Analisis koefisien korelasi
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 nol sampai dengan satu. Apabila nilai R square semakin mendekati
satu, maka variabel-variabel independen memberikan semua informasi yang
dibutuhkan untuk memprediksi variasi variabel dependen. Sebaliknya,
semakin kecil nilai R square, maka kemampuan variabel-variabel
Tabel 4.9 Model Summary Model Summary Model b R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .221a .049 .024 1.42420 2.006
a. Predictors: (Constant), LN_ROE, LN_EVA, LN_ROA, LN_MVA b. Dependent Variabel: LN_RETURN
Sumber : Data yang diolah penulis, 2011
Pada tampilan ouput SPSS model summary , nilai koefisien korelasi (R) sebesar 0,049 yang berarti bahwa korelasi atau hubungan antara EVA, MVA, ROA, dan ROE (variabel independen) terhadap return saham (variabel dependen) lemah. Koefisien korelasi dikatakan kuat apabila nilai R berada diatas 0,5 dan mendekati 1. Angka adjusted R Square atau koefisien determinasi adalah 0,024. Hal ini berarti 2,4% variasi atau perubahan dalam variabel dependen dapat dijelaskan oleh variabel independen, sedangkan sisanya 97,6 % dijelaskan oleh faktor – faktor lain. Standar Error of Estimate (SEE) adalah 1,42420, semakin kecil nilai SEE maka akan membuat model regresi semakin tepat dalam memprediksi variabel dependen.
c. Pengujian secara parsial
Uji – t digunakan untuk menguji signifikansi konstanta dan setiap variabel independennya. Hasil pengolahan dapat dilihat pada tabel 4.10.
Table 4.10 Hasil uji – t Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) -2.119 .736 -2.880 .005 LN_EVA -.079 .119 -.124 -.669 .505 LN_MVA .174 .095 .301 1.829 .069 LN_ROA .028 .186 .024 .150 .881 LN_ROE .034 .208 .025 .163 .871
a. Dependent Variabel: LN_RETURN Sumber : Data yang diolah penulis, 2011
Dari tabel hasil pengolahan SPSS dapat dilihat besarnya t hitung untuk variabel EVA sebesar -0,669 dengan nilai signifikan 0,505. Hasil uji tersebut dapat menunjukkan t hitung adalah lebih kecil dari t tabel (-0,669<1,97549). Dilihat signifikansinya, nilai signifikansi EVA adalah sebesar 0,505, lebih besar dari nilai signifikan sebesar 0,05. Hasil perhitungan baik melalui t hitung maupun nilai signifikannya, menunjukkan EVA tidak mempunyai pengaruh yang signifikan terhadapvariabel return saham. Nilai t tabel, dimana level of significance
(α) = 0,05 (5%) dan derajat kebebasan (df) = (n – k – 1) atau (159 – 4 – 1).
Nilai t hitung untuk variabel MVA adalah 1,829 dengan nilai signifikan 0,069. Hasil uji tersebut dapat menunjukkan t hitung adalah lebih kecil dari t tabel (1,829 < 1,97549). Dilihat signifikansinya, nilai signifikansi MVA adalah sebesar 0,069 lebih besar dari nilai signifikan
sebesar 0,05. Hasil perhitungan baik melalui t hitung maupun nilai signifikannya, menunjukkan MVA tidak mempunyai pengaruh yang signifikan terhadapvariabel return saham.
Nilai t hitung untuk variabel ROA adalah 0,15 dengan nilai signifikan 0,881. Hasil uji tersebut dapat menunjukkan t hitung adalah lebih kecil dari t tabel (0,15< 1,97549). Dilihat signifikansinya, nilai signifikansi ROA adalah sebesar 0,881 lebih besar dari nilai signifikan sebesar 0,05. Hasil perhitungan baik melalui t hitung maupun nilai signifikannya, menunjukkan ROAtidak mempunyai pengaruh yang signifikan terhadapvariabel return saham.
Nilai t hitung untuk variabel ROE adalah 0,163 dengan nilai signifikan 0,871. Hasil uji tersebut dapat menunjukkan t hitung adalah lebih kecil dari t tabel (0,163 < 1,97549). Dilihat signifikansinya, nilai signifikansi ROE adalah sebesar 0,871 lebih besar dari nilai signifikan sebesar 0,05. Hasil perhitungan baik melalui t hitung maupun nilai signifikannya, menunjukkan ROE tidak mempunyai pengaruh yang signifikan terhadap variabel return saham.