4.1. Gambaran Umum Objek Penelitian
Objek penelitian yang digunakan didalam penelitian ini adalah sektor perbankan yang terdaftar di Bursa Efek Indonesia periode 2009 – 2011. Dari total keseluruhan perusahaan yang ada setelah memenuhi kriteria sampling yang ditetapkan, maka diperoleh 24 perusahaan Perbankan yang menjadi sampel dalam penelitian ini.
Data tingkat suku bunga dan kurs/nilai tukar yang digunakan dalam penelitian ini diperoleh dari Bank Indonesia melalui situs www.bi.go.id dan data return on asset (ROA) dan return saham diperoleh dari laporan keuangan perbankan yang terdaftar di Bursa Efek Indonesia melalui situs www.idx.co.id dengan periode tahunan yaitu 2009-2011. Berikut ini adalah data dari variabel dependen dan independen selama periode penelitian.
Tabel 4.1
Data Tingkat Suku Bunga, Kurs, ROA dan Return Saham sektor perbankan Periode 2009-2011
(dalam % kecuali kurs)
Tahun Nama Bank Kode
Bank
Tingkat Suku Bunga
Kurs ROA Return Saham Bank Agro Niaga Tbk. AGRO 7.15 10435 0.15 -40 Bank Artha Graha
Inter-nasional Tbk.
INPC
7.15 10435 0.42 52 Bank Bukopin Tbk. BBKP 7.15 10435 1.40 87.5
2009
Bank Capital Indonesia Tbk.
BACA
7.15 10435 0.85 -2.97 Bank Central Asia BBCA 7.15 10435 3.17 49.23 Bank CIMB Niaga Tbk. BNGA 7.15 10435 2.02 0.00 Bank Ekonomi Raharja
Tbk.
BAEK
7.15 10435 2.09 43.43 Bank Himpunan Saudara
1906 Tbk.
SDRA
7.15 10435 2.13 21.35 Bank Kesawan Tbk. BKSW 7.15 10435 0.27 460 Bank Mandiri (Persero)
Tbk.
BMRI
7.15 10435 2.74 10.45 Bank Mayapada
Inter-nasional Tbk.
MAYA
7.15 10435 0.78 132.10 Bank Mega Tbk. MEGA 7.15 10435 1.61 0.00 Bank Mutiara Tbk. BCIC 7.15 10435 3.27 -34.29 Bank Negara Indonesia
(Persero) Tbk.
BBNI
7.15 10435 1.51 91.18 Bank NISP OCBC Tbk. NISP 7.15 10435 1.65 42.86 Bank Nusantara
Parahya-ngan Tbk.
BBNP
7.15 10435 1.06 13.91 Bank Pan Indonesia Tbk. PNBN 7.15 10435 1.81 31.03 Bank Permata Tbk. BNLI 7.15 10435 1.37 63.27 Bank Rakyat Indonesia
Tbk.
BBRI
7.15 10435 3.12 67.21 Bank Swadesi Tbk. BSWD 7.15 10435 3.29 0.00 Bank Tabungan Pensiunan
Nasional Tbk.
BTPN
7.15 10435 2.79 225 Bank Victoria Internasional
Tbk.
BVIC
7.15 10435 0.85 48.39 Bank Windu Kentjana
Internasional Tbk.
MCOR
7.15 10435 0.82 49.33 Bank Agro Niaga Tbk. AGRO 6.50 9068 0.63 19.15 Bank Artha Graha
Inter-nasional Tbk.
INPC
6.50 9068 0.69 40.79 Bank Bukopin Tbk. BBKP 6.50 9068 1.40 73.33 Bank Bumi Arta Tbk. BNBA 6.50 9068 1.37 23.31 Bank Capital Indonesia
Tbk.
BACA
6.50 9068 0.66 4.08 Bank Central Asia Tbk. BBCA 6.50 9068 3.28 31.96 Bank CIMB Niaga Tbk. BNGA 6.50 9068 2.36 0.00 Bank Ekonomi Raharja
Tbk.
BAEK
6.50 9068 1.84 69.01 Bank Himpunan Saudara
Tbk.
SDRA
6.50 9068 2.51 -7.41 Bank Kesawan Tbk. BKSW 6.50 9068 4.45 3.57
2010
Bank Mandiri (Persero) Tbk.
BMRI
6.50 9068 3.11 40.54 Bank Mayapada
Inter-nasional Tbk.
MAYA
6.50 9068 1.05 38.30 Bank Mega Tbk. MEGA 6.50 9068 2.02 -20.36 Bank Mutiara Tbk. BCIC 6.50 9068 2.02 38.04 Bank Negara Indonesia
(Persero) Tbk.
BBNI
6.50 9068 2.21 95.71 Bank NISP OCBC Tbk. NISP 6.50 9068 0.96 70 Bank Nusantara
Parahya-ngan Tbk.
BBNP
6.50 9068 1.20 -5.38 Bank Pan Indonesia Tbk. PNBN 6.50 9068 1.74 50 Bank Permata Tbk. BNLI 6.50 9068 1.68 123.75 Bank Rakyat Indonesia
(Persero) Tbk.
BBRI
6.50 9068 3.69 37.25 Bank Swadesi Tbk. BSWD 6.50 9068 3.06 0.00 Bank Tabungan Pensiunan
Nasional Tbk.
BTPN
6.50 9068 3.27 238.46 Bank Victoria Internasional
Tbk.
BVIC
6.50 9068 1.28 15.94 Bank Windu Kentjana
Internasional Tbk.
MCOR
6.50 9068 0.87 33.93
2011
Bank Agro Niaga Tbk. AGRO 6.58 8776 1.29 -29.76 Bank Artha Graha
Inter-nasional Tbk.
INPC
6.58 8776 0.66 -10.28 Bank Bukopin Tbk. BBKP 6.58 8776 1.64 -10.77 Bank Bumi Arta Tbk. BNBA 6.58 8776 1.92 -15.24 Bank Capital Indonesia
Tbk.
BACA
6.58 8776 0.73 56.8 Bank Central Asia Tbk. BBCA 6.58 8776 3.57 25 Bank CIMB Niaga Tbk. BNGA 6.58 8776 2.63 0.00 Bank Ekonomi Raharja
Tbk.
BAEK
6.58 8776 1.17 -3.13 Bank Himpunan Saudara
Tbk.
SDRA
6.58 8776 2.40 -18 Bank Kesawan Tbk. BKSW 6.58 8776 0.40 -24.14 Bank Mandiri (Persero)
Tbk.
BMRI
6.58 8776 2.99 -31.74 Bank Mayapada
Inter-nasional Tbk.
MAYA
6.58 8776 1.78 3.85 Bank Mega Tbk. MEGA 6.58 8776 1.92 7.52 Bank Mutiara Tbk. BCIC 6.58 8776 1.85 10.24 Bank Negara Indonesia
(Persero) Tbk.
BBNI
Bank Nusantara Parahya-ngan Tbk.
BBNP
6.58 8776 1.40 5.69 Bank Pan Indonesia Tbk. PNBN 6.58 8776 2.19 -31.58 Bank Permata Tbk. BNLI 6.58 8776 1.54 -24.02 Bank Rakyat Indonesia
(Persero) Tbk.
BBRI
6.58 8776 3.99 -35.71 Bank Swadesi Tbk. BSWD 6.58 8776 3.13 0.00 Bank Tabungan Pensiunan
Nasional Tbk.
BTPN
6.58 8776 3.80 -74.24 Bank Victoria Internasional
Tbk.
BVIC
6.58 8776 2.03 -19.38 Bank Windu Kentjana
Internasional Tbk.
MCOR
6.58 8776 0.75 25.33
4.2. Deskriptif Statistik Variabel Penelitian
Data yang ada pada tabel 4.1 akan diolah dengan menggunakan SPSS versi 18 dengan tujuan untuk mendeskripsikan variabel penelitian. Adapun hasil olahan data SPSS dalam bentuk deskriptif statistik akan menampilkan karateristik sampel yang digunakan di dalam penelitian antara lain meliputi: jumlah sampel (N), rata-rata sampel (mean), nilai maksimum, nilai minimum serta standar deviasi (σ)
untuk masing-masing variabel, yang disajikan dalam tabel 4.2 berikut: Tabel 4.2 Descriptive Statistics N Minimu m Maximu m Mean Std. Deviation TINGKAT SUKU BUNGA 72 6.50 7.15 6.7433 .29144 KURS 72 8776 10435 9426,33 728,203 ROA 72 .15 4.45 1.8914 .99992 RETURN SAHAM 72 -74.24 460.00 30.7590 73.44949 Valid N (listwise) 72
Tabel 4.2 diatas menunjukkan bahwa jumlah pengamatan pada perusahaan perbankan yang terdaftar di Bursa Efek Indonesia periode 2009-2011 dalam
penelitian ini sebanyak 72 sampel. Mean atau rata-rata return saham sebesar 30.7590%. Return saham terendah (minimum) adalah -74.24% dan return saham tertinggi (maksimum) 460%. Dari data di atas dapat diketahui bahwa return saham secara rata-rata (mean) mengalami perubahan return positif. Hal ini menunjukkan bahwa selama periode tahun 2009 sampai dengan 2011, secara umum harga saham bank-bank yang menjadi sampel dalam penelitian ini mengalami peningkatan. Standar deviasi return saham sebesar 73.44949% lebih besar dari nilai rata-rata (mean) return saham sebesar 30.7590%. Dengan melihat nilai standar deviasi yang lebih besar dari nilai mean-nya maka data yang digunakan dalam variabel return saham mempunyai sebaran yang besar.
Nilai rata-rata (mean) tingkat suku bunga sebesar 6.7433% menunjukkan rendahnya tingkat suku bunga selama periode penelitian yakni tahun 2009-2011. Nilai maksimum sebesar 7.15% dan minimum sebesar 6.50%. Standar deviasi tingkat suku bunga sebesar 0.29144% lebih kecil jika dibandingkan nilai mean -nya sebesar 6.7433%. Dengan melihat besar-nya nilai standar deviasi yang lebih kecil dari mean-nya maka data yang digunakan dalam variabel tingkat suku bunga mempunyai sebaran yang kecil.
Nilai rata-rata (mean) kurs/nilai tukar Rupiah sebesar 9426,33 menunjukkan bahwa nilai tukar rupiah terhadap mata uang asing (US $) selama tahun 2009 sampai 2011 mengalami penurunan, dengan nilai maksimum sebesar 10435 rupiah dan minimum sebesar 8776 rupiah. Standar deviasi kurs rupiah sebesar 728.203 lebih kecil jika dibandingkan nilai mean-nya dengan nilai 9426,33.
Dengan demikian dapat dikatakan bahwa data pada variabel kurs/nilai tukar rupiah memiliki sebaran data yang kecil.
Variabel return on asset (ROA) memiliki nilai terkecil (minimum) sebesar 0.15% dan terbesar (maksimum) adalah 4.45%. Rata-rata (mean) dari return on asset (ROA) adalah 1.8914% dengan nilai standar deviasi sebesar 0.99992%. Hal ini menunjukkan bahwa data pada variabel return on asset (ROA) memiliki sebaran yang kecil, karena standar deviasi lebih kecil dari nilai mean-nya.
4.3. Proses dan Hasil Analisis Data 4.3.1. Pengujian Asumsi Klasik
Uji asumsi klasik digunakan untuk menguji apakah model regresi yang digunakan dalam penelitian ini layak diuji atau tidak. Pengujian asumsi klasik meliputi normalitas data, multikolinearitas, heteroskedastisitas dan autokorelasi yang dilakukan sebagai berikut:
4.3.1.1. Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel dependen dan variabel independen mempunyai distribusi normal atau tidak. Untuk menguji apakah distribusi data normal atau tidak, ada dua cara untuk mendeteksinya, yaitu dengan analisis grafik dan uji statistik. Analisis grafik merupakan cara yang termudah untuk melihat normalitas residual dengan melihat grafik histogram yang membandingkan antara data observasi dengan distribusi yang mendekati distribusi normal.
Gambar 4.1
Grafik Histogram (Data Asli)
Dari Gambar 4.1 terlihat bahwa pola distribusi mendekati normal, akan tetapi jika kesimpulan normal tidaknya data hanya dilihat dari grafik histogram, maka hal ini dapat menyesatkan khususnya untuk jumlah sampel yang kecil. Metode lain yang digunakan dalam analisis grafik adalah dengan melihat normal probability plot yang membandingkan distribusi kumulatif dari distribusi normal. Jika distribusi data residual normal, maka garis yang akan menggambarkan data sesungguhnya akan mengikuti garis diagonalnya.
Gambar 4.2
Normal Probability Plot (Data Asli)
Grafik probabilitas pada Gambar 4.2 diatas menunjukkan data terdistribusi secara tidak normal karena distribusi data residualnya terlihat menjauhi garis normalnya.
Pengujian normalitas data secara analisis statistik dapat dilakukan dengan menggunakan Uji Kolmogorov–Smirnov (K-S). Secara multivarians pengujian normalitas data dilakukan terhadap nilai residualnya. Data yang berdistribusi normal ditunjukkan dengan nilai signifikansi di atas 0.05 (Ghozali, 2011).
H0 : Data residual berdistribusi normal HA : Data residual tidak berdistribusi normal
Apabila nilai signifikansi lebih besar dari 0.05, maka H0 diterima dan sebaliknya jika nilai signifikansi lebih kecil dari 0.05, maka H0 ditolak atau HA
diterima. Hasil pengujian normalitas pada pengujian terhadap 72 sampel terlihat dalam Tabel 4.3 berikut:
Tabel 4.3
Normalitas Data (Data Asli)
One-Sample Kolmogorov-Smirnov Test
Unstandardiz ed Residual N 72 Normal Parameters(a,b) Mean ,0000000 Std. Deviation 66,60767448 Most Extreme Differences Absolute ,223 Positive ,223 Negative -,134 Kolmogorov-Smirnov Z 1,895
Asymp. Sig. (2-tailed) ,002
a Test distribution is Normal. b Calculated from data.
Dari hasil pengolahan data pada tabel 4.3 diperoleh besarnya nilai Kolmogorov-Smirnov adalah 1.895 dan signifikan pada 0.002. Nilai signifikansi lebih kecil dari 0.05, maka H0 ditolak yang berarti data residual berdistribusi tidak normal. Data yang tidak berdistribusi normal dapat disebabkan oleh adanya data yang outlier yaitu data yang memiliki nilai yang sangat menyimpang dari nilai data lainnya. Beberapa cara mengatasi data outlier menurut Erlina (106 : 2008) yaitu:
lakukan transformasi data dalam bentuk lainnya, lakukan trimming, yaitu membuang data outlier,
lakukan winsorizing, yaitu mengubah data yang outlier ke suatu nilai tertentu.
Banyaknya variabel yang terdistribusi tidak normal tersebut dikarenakan sektor perbankan yang terdaftar di BEI periode 2009-2011 mempunyai fluktuasi data yang tidak stabil, artinya banyak data rasio yang menimbulkan angka yang bias (fluktuasi data antara tahun sekarang dan tahun sebelumya sangat tinggi).
Untuk mengubah nilai residual agar berdistribusi normal, peneliti melakukan transformasi data ke model logaritma natural (Ln) dari Return Saham = f(Tingkat Suku Bunga, Kurs, ROA) menjadi LnReturnSaham = f(LnTingkatSukuBunga, LnKurs, LnROA). Transformasi data ke dalam bentuk logaritma natural menyebabkan data yang bernilai negatif tidak dapat ditransformasi sehingga menghasilkan missing values. Setiap data yang terdapat missing values akan dihilangkan dan diperoleh jumlah sampel yang valid menjadi 44 pengamatan. Kemudian data diuji ulang berdasarkan asumsi normalitas. Berikut ini hasil pengujian dengan Kolmogorov-Smirnov.
Tabel 4.4
Hasil Uji One Sample Kolmogorov-Smirnov (Setelah transform Ln) One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual N 44 Normal Parameters(a,b) Mean ,0000000 Std. Deviation ,94290909 Most Extreme Differences Absolute ,089 Positive ,058 Negative -,089 Kolmogorov-Smirnov Z ,591
Asymp. Sig. (2-tailed) ,876
a Test distribution is Normal. b Calculated from data.
Dari hasil pengolahan data pada tabel 4.4 diperoleh besarnya nilai Kolmogorov-Smirnov adalah 0.591 dan signifikan pada 0.876. Nilai signifikansi lebih besar dari 0.05, maka H0 diterima yang berarti data residual berdistribusi normal. Setelah data berdistribusi normal dapat dilanjutkan dengan uji asumsi klasik lainnya.
Hasil terakhir diatas juga didukung hasil analisis grafiknya, yaitu dari grafik histogram maupun grafik normal probability plot-nya seperti Gambar 4.3 dan 4.4 dibawah ini:
Gambar 4.3
Gambar 4.4
Normal Probability Plot (Setelah Transform-Ln)
Data yang terdistribusi normal akan membentuk satu garis lurus diagonal, dan ploting data akan dibandingkan dengan garis diagonal. Jika distribusi data normal, maka garis yang menggambarkan data sesungguhnya akan mengikuti garis diagonalnya (Ghozali, 2011). Grafik Normal P-P Plot di atas menunjukkan bahwa return saham mengikuti dan mendekati garis diagonal dan dapat dikatakan normal.
4.3.1.2. Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah terdapat korelasi antar variabel independen dalam model regresi. Jika pada model regresi terjadi multikolinearitas, maka koefisien regresi tidak dapat ditaksir dan nilai standard
error menjadi tidak terhingga. Cara yang digunakan untuk mendeteksi ada tidaknya multikolinearitas adalah dengan melihat nilai tolerance dan VIF. Pada suatu model regresi dinyatakan terjadi multikolinearitas apabila nilai tolerance lebih besar dari 0.10 dan VIF lebih kecil dari 10.
Tabel 4.5
Hasil Uji Multikolinearitas Coefficientsa Model Collinearity Statistics Tolerance VIF 1 (Constant) LNTINGKATSUKUB UNGA .058 17.337 LNKURS .058 17.301 LNROA .987 1.013
a. Dependent Variable: LNRETURNSAHAM
Tabel 4.5 menunjukkan bahwa variabel independen tingkat suku bunga dan kurs tidak terjadi multikolinearitas karena nilai tolerance < 0.10 dan nilai VIF > 10. Sedangkan variabel independen ROA terjadi multikolinearitas karena nilai tolerance > 0.10 dan nilai VIF < dari 10.
4.3.1.3. Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t-1 (sebelumnya). Menurut Ghozali (2011), model regresi yang baik adalah regresi yang bebas dari
autokorelasi. Untuk mengetahui ada tidaknya autokorelasi kita harus melihat nilai uji D-W dengan ketentuan sebagai berikut:
Hipotesis Nol Keputusan Jika
Tidak ada autokorelasi positif Tolak 0 < d < dl Tidak ada autokorelasi positif No Decision dl ≤ d ≤ du
Tidak ada korelasi negatif Tolak 4-dl < d < 4 Tidak ada korelasi negatif No Decision 4-dl ≤ d ≤ 4
Tidak ada autokorelasi, positif atau negatif
Tidak Ditolak du < d < 4-du
Tabel 4.6 Hasil Uji Autokorelasi Model Summaryb
Model R R Square
Adjusted R Square
Std. Error of
the Estimate Durbin-Watson
1 .472a .223 .165 .97763 2.230
a. Predictors: (Constant), LNROA, LNKURS, LNTINGKATSUKUBUNGA b. Dependent Variable: LNRETURNSAHAM
Tabel 4.6 dapat dilihat bahwa nilai DW sebesar 2.230 pada tingkat signifikansi 0.05 dengan jumlah sampel (N) 44, dan jumlah variabel independen tiga (K = 3), memberikan nilai du (batas atas) 1.6647 dan nilai dL (batas bawah) 1.3749. Nilai DW lebih besar dari pada nilai dU dan kurang dari 4- dU (4 – 1.66). Maka dapat disimpulkan bahwa tidak terjadi autokolerasi.
4.3.1.4. Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varian dari residual satu pengamatan ke pengamatan yang lain. Jika varian dari residual satu pengamatan ke pengamatan yang lain tetap, maka disebut homoskedastisitas dan jika berbeda akan disebut heteroskedastisitas. Model regresi yang baik adalah model yang tidak terjadi heteroskedastisitas (Ghozali, 2011).
Untuk menentukan heteroskedastisitas dapat menggunakan grafik scatterplot, titik-titik yang terbentuk harus menyebar secara acak, tersebar baik diatas maupun dibawah angka 0 pada sumbu Y, bila kondisi ini terpenuhi maka tidak terjadi heteroskedastisitas dan model regresi layak digunakan. Hasil uji heteroskedastisitas dengan menggunakan grafik scatterplot ditunjukkan pada Gambar 4.5 dibawah ini:
Gambar 4.5
Dengan melihat grafik scatterplot di atas, terlihat titik-titik menyebar secara acak, serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y. Maka dapat diambil kesimpulan bahwa tidak terdapat gejala heteroskedastisitas pada model regresi yang digunakan.
4.3.2. Hasil Analisis Regresi Berganda
Dari data yang diperoleh kemudian dianalisis dengan metode regresi dan dihitung dengan menggunakan program SPSS versi 18. Berdasarkan output SPSS tersebut secara parsial pengaruh dari ketiga variabel independen yaitu tingkat suku bunga, kurs/nilai tukar, dan ROA terhadap return saham ditunjukkan pada Tabel 4.7 sebagai berikut:
Tabel 4.7
Hasil Analisis Regresi Berganda Coefficientsa Model Unstandardized Coefficients Standardize d Coefficients T Sig. B Std. Error Beta 1 (Constant) -140.393 51.017 -2.752 .009 LNTINGKATSUKU BUNGA -28.367 13.507 -1.219 -2.100 .042 LNKURS 21.641 8.260 1.519 2.620 .012 LNROA -.238 .242 -.138 -.984 .331
Model regresi dalam penelitian ini telah diubah menjadi model logaritma natural, sehingga beta dan koefisien dari penelitian ini juga dalam bentuk logaritma natural. Model regresi berdasarkan hasil analisis regresi dinyatakan dalam bentuk fungsi Ln return saham. Maka persamaan regresi linier berganda dapat disusun sebagai berikut:
Y = -140.393 – 28.367 X1 + 21.641 X2– 0.238 X3
Persamaan regresi diatas mempunyai makna sebagai berikut: β0 = -140.393
Nilai konstanta ini menunjukkan bahwa apabila tidak ada variabel LnTingkatSukuBunga, LnKurs, dan LnROA (X1=X2=X3=0), maka LnReturnSaham adalah sebesar -140.393.
β1 = -28.367
Koefisien regresi β1 ini menunjukkan bahwa setiap variabel LnTingkatSukuBunga meningkat sebesar satu satuan, maka LnReturnSaham akan menurun sebesar 28.367 dengan asumsi variabel independen lainnya dianggap tetap atau sama dengan nol.
β2 = 21.641
Koefisien regresi β2 menunjukkan bahwa setiap variabel LnKurs meningkat sebesar satu satuan, maka LnReturnSaham akan bertambah sebesar 21.641 dengan asumsi variabel independen lainnya dianggap tetap atau sama dengan nol.
Koefisien regresi β3 ini menunjukkan bahwa setiap variabel LnROA meningkat sebesar satu satuan, maka LnReturnSaham akan menurun sebesar 0.238 dengan asumsi variabel independen lainnya dianggap tetap atau sama dengan nol.
4.3.3. Koefisien Determinasi (R2)
Koefisien determinasi pada intinya mengukur seberapa jauh kemampuan model dalam menerangkan (R2) variasi variabel dependennya. Nilai R2 yang mendekati satu berarti variabel-variabel independennya memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen (Ghozali, 2011). Hasil perhitungan koefisien determinasi tersebut dapat terlihat pada Tabel 4.8 berikut:
Tabel 4.8
Hasil Perhitungan Koefisien Determinasi Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate 1 .472a .223 .165 .97763
a. Predictors: (Constant), LNROA, LNKURS, LNTINGKATSUKUBUNGA b. Dependent Variable: LNRETURNSAHAM
Angka koefisien determinasi (Adjusted R Square) adalah 0.165. Hal ini berarti 16.5% variasi dari LnReturnSaham dijelaskan oleh variasi dari ketiga variabel independen (LnTingkatSukuBunga, LnKurs, LnROA), sedangkan sisanya 83.5% lagi dijelaskan oleh variasi atau faktor lainnya.
4.3.4. Pengujian Hipotesis 4.3.4.1. Uji t (Parsial)
Uji t dilakukan untuk mengetahui pengaruh masing-masing tingkat suku bunga, kurs dan return on asset terhadap return saham perusahaan perbankan di BEI. Ada tiga hipotesis yang akan diuji dengan uji t yaitu:
H1 : Diduga tingkat suku bunga berpengaruh secara parsial terhadap return saham H2 : Diduga kurs/nilai tukar berpengaruh secara parsial terhadap return saham. H3 : Diduga return on asset berpengaruh secara parsial terhadap return saham.
Uji t ini dilakukan dengan membandingkan signifikansi thitung dengan ketentuan:
jika thitung < ttabel pada α 0.05, maka Ha ditolak. jika thitung > ttabelpada α 0.05, maka Ha diterima.
Tabel 4.9 Hasil Uji t Coefficientsa Model T Sig. 1 (Constant) -2.752 .009 LNTINGKATSUKUBU NGA -2.100 .042 LNKURS 2.620 .012 LNROA -.984 .331
Dari hasil uji t yang disajikan pada tabel 4.9 dapat diketahui pengaruh masing-masing variabel independen terhadap variabel dependen yaitu sebagai berikut:
Tingkat Suku Bunga (LnTingkatSukuBunga) mempunyai nilai signifikansi sebesar 0.042 yang berarti nilai ini lebih kecil dari 0.05, sedangkan nilai thitung diperoleh sebesar -2.100 dan ttabel sebesar 1.684. Nilai thitung ini lebih kecil dari nilai ttabel. Berdasarkan nilai tersebut dapat disimpulkan bahwa H1 ditolak atau tingkat suku bunga tidak berpengaruh signifikan terhadap return saham. Kurs/Nilai Tukar (LnKurs) mempunyai nilai signifikansi sebesar 0.012 yang
berarti nilai ini lebih kecil dari 0.05, sedangkan nilai thitung diperoleh sebesar 2.620 dan ttabel sebesar 1.684. Nilai thitung ini lebih besar dari ttabel. Berdasarkan nilai tersebut dapat disimpulkan bahwa H2 diterima atau kurs/nilai tukar berpengaruh signifikan terhadap return saham.
Return on Asset atau ROA (LnROA) mempunyai nilai signifikansi sebesar 0.331 yang berarti nilai ini lebih besar dari 0.05, sedangkan nilai thitung diperoleh sebesar -0.984 dan ttabel sebesar 1.684. Nilai thitung ini lebih kecil dari ttabel . Berdasarkan nilai tersebut dapat disimpulkan bahwa H3 ditolak atau ROA tidak berpengaruh signifikan terhadap return saham.
4.3.4.2. Uji F (Simultan)
Uji F dilakukan untuk melihat pengaruh variabel independen secara simultan (bersama-sama) terhadap variabel dependen. Adapun hipotesis untuk uji F adalah sebagai berikut:
H4 : Diduga tingkat suku bunga, kurs dan return on asset berpengaruh secara simultan terhadap return saham.
Uji ini dilakukan dengan membandingkan signifikansi Fhitung dengan ketentuan:
jika Fhitung < Ftabelpada α 0.05, maka Ha ditolak
jika Fhitung > Ftabelpada α 0.05, maka Ha diterima.
Hasil perhitungan Uji F ini dapat dilihat pada Tabel 4.10 berikut ini: Tabel 4.10
Hasil Uji F ANOVAb Model
Sum of
Squares df Mean Square F Sig.
1 Regression 10.962 3 3.654 3.823 .017a
Residual 38.230 40 .956
Total 49.193 43
a. Predictors: (Constant), LNROA, LNKURS, LNTINGKATSUKUBUNGA a. Dependent Variable: LNRETURNSAHAM
Berdasarkan tabel 4.10 diperoleh Fhitung sebesar 3.823 dan Ftabel sebesar 2.8387. Nilai Fhitung ini lebih besar dari Ftabel (3.823 > 2.8387). Hal ini menunjukkan bahwa H4 diterima, sehingga dapat disimpulkan bahwa semua variabel independen yaitu tingkat suku bunga, kurs dan ROA berpengaruh secara signifikan terhadap return saham.
4.4. Implikasi Hasil Penelitian
Berdasarkan hasil penelitian yang telah diuraikan secara statistik, maka untuk memperoleh gambaran yang lebih komprehensif, hasil penelitian ini akan ditelaah lebih lanjut.
4.4.1. Tingkat Suku Bunga
Tingkat suku bunga secara parsial tidak berpengaruh terhadap return saham. Dari hasil perhitungan uji secara parsial diperoleh nilai signifikansi sebesar 0,042 dan nilai thitung lebih kecil dari nilai ttabel (-2.100 < 1.684). Karena nilai thitung lebih kecil dari ttabel maka hipotesis ditolak yang berarti tingkat suku bunga tidak berpengaruh terhadap return saham. Hasil penelitian ini mendukung hasil penelitian dari Rayun Sekar Meta (2005) tetapi tidak dengan penelitian Erlinda Lusiana Fatta (2007) dan Nini Sartika Aziz (2012) yang menyatakan bahwa suku bunga berpengaruh negatif secara signifikan terhadap return saham.
Variabel suku bunga tidak berpengaruh terhadap return saham dapat disebabkan karena tipe investor di Indonesia merupakan investor yang senang melakukan transaksi saham dalam jangka pendek (trader/spekulan), sehingga investor cenderung melakukan aksi profit taking dengan harapan memperoleh capital gain yang cukup tinggi di pasar modal dibandingkan berinvestasi di SBI. Selain itu, perusahaan-perusahaan emiten yang memberikan dividen yang cukup tinggi bagi pemegang sahamnya juga menjadi salah satu stimulus bagi investor untuk berinvestasi di saham dibandingkan dalam bentuk surat berharga di pasar uang (Manullang (2008), dalam Kewal (2012)).
4.4.2. Kurs/Nilai Tukar
Hipotesis kedua yang diajukan menyatakan bahwa nilai tukar berpengaruh secara parsial terhadap return saham. Dari hasil penelitian diperoleh nilai koefisien regresi untuk variabel nilai tukar sebesar 2.620 dengan nilai signifikansi sebesar 0.012 dimana nilai ini signifikan pada tingkat signifikansi 0.05 karena lebih kecil dari 0.05. Dengan demikian hipotesis kedua yang menyatakan bahwa nilai tukar berpengaruh secara parsial terhadap return saham dapat diterima. Hasil penelitian ini mendukung penelitian Mudji Utami dan Mudjilah Rahayu (2003) dan Erlinda Lusiana Fatta (2007), tetapi bertolak belakang dengan Dheni Wahyu Fuadi (2009) dan Ratna Prihantini (2009). Hubungan nilai tukar dengan kinerja perbankan adalah ketika nilai tukar berfluktuasi maka akan mempengaruhi likuiditas sebuah bank dan kegiatan ekonomi melalui perubahan perilaku perbankan dalam pemberian kredit kepada nasabah. Bank-bank besar yang mendanai proyek miliaran kadang-kadang meminjamkan uang dalam bentuk dolar. Ketika nilai tukar dolar terhadap rupiah melemah atau menurun, bank mengalami risiko nilai tukar karena perusahaan menikmati penurunan harga dolar. Perusahaan membayar hutang kepada bank lebih sedikit karena dolar bisa didapat dengan uang rupiah yang lebih sedikit ketika dikonversi. Sedangkan bank mengalami risiko nilai tukar karena harus membayar rupiah yang lebih banyak kepada deposan ketika bank mengkonversi dolar yang dibayarkan oleh kreditur. Ketika nilai tukar berfluktuasi, bank akan lebih selektif dalam mengucurkan kredit. Hal ini mendorong para investor untuk mengusulkan proyek yang menjanjikan tingkat hasil tinggi tetapi dengan risiko
yang tinggi pula (moral hazard) sehingga risiko kredit macet meningkat. Kredit macet membuat kinerja bank menjadi menurun karena harus bergelut dengan
