ANALISIS DAN PEMBAHASAN
B. Analisis Statistik
Penggunaan model analisis yang digunakan peneliti dalam menguji hipotesis adalah dengan regresi berganda. Peneliti melakukan Uji-F dan Uji-t pada tiap variabel dependent (harga saham) dengan variabel independent (EPS, NPM,
ROA, ROE). Untuk melihat keabsahan persamaan regresi yang dibuat, pembuatan regresi dilandasi oleh asumsi-asumsi yang tidak boleh dilanggar.
1. Regresi Linear berganda
Regresi linear berganda dilakukan untuk mengetahui pengaruh variabel bebas yakni EPS, NPM, dan ROE terhadap variabel terikat yaitu harga saham perusahaan makanan dan minuman. Berikut ini menunjukkan hasil uji regresi melalui pengolahan data dengan SPSS 16.00 for windows.
Tabel 4.6 Hasil Uji Regresi
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) 5.538 .446 12.430 .000 LNEPS -.231 .077 -.492 -3.000 .004 LNNPM .070 .168 .067 .415 .680 LNROE .348 .172 .282 2.022 .048
a. Dependent Variable: LNPRICE
Sumber : SPSS 16.00 for Windows (diolah peneliti, Desember 2010)
Berdasarkan Tabel 4.6 maka dihasilkan persamaan regresi linier berganda sebagai berikut:
Harga saham = 5,538 - 0,231GPM + 0,70NPM + 0348ROE Dimana :
Y = Harga Saham
X1 = Earning Per Share (EPS) X2 = Net Profit Margin (NPM) X3 = Return on Equity (ROE)
a = konstanta
b1,2,3,.. = Koefisien Regresi Variabel X1,X2,X3, e = Standar error
Interprestasi model :
a. Konstanta sebesar 5,538. Hal ini menunjukkan bahwa jika tidak terdapat variabel bebas yaitu EPS, NPM, dan ROE maka harga saham adalah sebesar 5,538.
b. Koefisien regresi variabel EPS adalah negatif sebesar 0,231. Hal ini menyatakan bahwa setiap kali terjadi penurunan 1 satuan GPM, maka harga saham akan berkurang sebesar 0,231 dengan asumsi variabel lain tetap.
c. Koefisien regresi variabel NPM adalah negatif sebesar 0,70. Hal ini menyatakan bahwa setiap kali terjadi knaikan 1 satuan GPM, maka harga saham akan bertambah sebesar 0,70 dengan asumsi variabel lain tetap.
d. Koefisien regresi variabel ROE adalah positif sebesar 0,348. Hal ini menyatakan bahwa setiap kali terjadi kenaikan 1 satuan ROE, maka harga saham akan berkurang sebesar 0,348 dengan asumsi variabel lain tetap.
2. Pengujian Asumsi klasik
Persamaan regresi linear berganda harus memberikan hasil yang representatif, agar model persamaan regresi linier berganda memberikan hasil yang representatif sesuai kriteria Best, Linear, Unbiased, Estimated
(BLUE), maka dilakukan uji asumsi dasar klasik sebelum model tersebut digunakan untuk menguji hipotesis yang diajukan. Persamaan yang dibangun harus memenuhi asumsi dasar : data berdistribusi normal, tidak terjadi gejala multikolinearitas, tidak ada gejala autokorelasi, dan tidak terjadi heterokedastisitas. Adapun uji asumsi dasar klasik yang dilakukan adalah sebagai berikut:
a. Uji Normalitas
Uji normalitas adalah uji yang digunakan untuk mengetahui apakah distribusi sebuah data mengikuti atau mendekati distribusi normal, yakni distribusi data dengan bentuk seperti lonceng. Data yang baik adalah data yang mempunyai pola residul data seperti distribusi normal, yakni distribusi data tersebut tidak menceng ke kiri atau menceng ke kanan.
Sumber : SPSS 16.00 for Windows (diolah, Desember 2010) Gambar 4.1 Histogram Variabel Dependen
Gambar 4.1 memperlihatkan bahwa variabel terikat yaitu harga saham (Price) mempunyai data residul yang tidak berdistribusi normal. Hal ini ditunjukkan oleh distribusi data (titik) pada garis diagonal dari grafik normalitas (normal P-P Plot). Jika data menyebar di sekitar garis diagonal, maka dapat disimpulkan bahwa data berdistribusi normal. Namun jika data menyebar jauh dari garis diagonal atau tidak mengikuti arah garis diagonal, maka dapat disimpulkan bahwa data tidak berdistribusi normal.
Cara lain untuk menguji normalitas data dengan grafik adalah dengan melihat penyebaran data (titik) pada garis diagonal dari grafik normalitas (Normal P-P Plot). Jika data menyebar disekitar garis diagonal, maka dapat disimpulkan bahwa data berdistribusi normal. Namun jika data menyebar jauh dari garis diagonal atau tidak mengikuti arah garis diagonal, maka dapat disimpulkan bahwa data tidak berdistribusi normal yang dapat dilihat pada gambar 4.2 :
Normal p-p plot of regression standardized residual
Sumber : SPSS 16.00 for Windows (diolah, Desember 2010) Gambar 4.2 Normal P-P Plot
Gambar 4.2 memperlihatkan titik-titik yang tidak tersebar di sepanjang garis diagonal dan memotong arah garis diagonal. Hal ini menunjukkan bahwa data tidak berdistribusi normal.
Namun, seringkali data kelihatan normal karena mengikuti arah garis diagonal, padahal belum tentu data tersebut berdistribusi normal. Untuk memastikan apakah data di sepanjang garis diagonal tersebut berdistribusi normal atau tidak, maka dilakukan uji Kolmogorov Smirnov (1 sample KS) yakni dengan melihat data residual apakah berdistribusi normal atau tidak. Jika nilai Asym.sig (2-tailed) > taraf nyata (α=0,05) maka data residual berdistribusi normal,
sebaliknya jika nilai Asym.sig (2-tailed) < taraf nyata (α) maka data residual tidak
berdistribusi normal.
Tabel 4.7 Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 65
Normal Parametersa Mean .0000000
Std. Deviation 6.15934440E2
Most Extreme Differences Absolute .201
Positive .201
Negative -.169
Kolmogorov-Smirnov Z 1.622
Asymp. Sig. (2-tailed) .010
a. Test distribution is Normal.
Tabel 4.7 memperlihatkan bahwa nilai Asymp.Sig (2-tailed) adalah sebesar 0,01 (lebih kecil dari taraf nyata α = 0,05). Dengan demikian dapat disimpulkan bahwa data residua l tidak berdistribusi normal.
Data yang tidak berdistribusi normal dapat diperbaiki dengan menggunakan Logaritma Natural pada data tersebut. Pada gambar 4.3 disajikan Histogram variabel dependen setelah data diperbaiki
Sumber : SPSS 16.00 for Windows (diolah, Desember 2010) Sumber : SPSS 16.00 for Windows (diolah, Desember 2010) Gambar 4.3 Histogram Variabel Dependent LN Price
Gambar 4.3 menunjukkan penyebaran data (titik) pada garis diagonal dari grafik normalitas (normal p-p plot). Jika data menyebar disekitar garis diagonal, maka dapat disimpulkan bahwa data berdistribusi normal. Namun jika data menyebar jauh dari garis diagonal atau tidak mengikuti arah garis diagonal, maka dapat disimpulkan bahwa data tidak berdistribusi normal.
Sumber : SPSS 16.00 for Windows (diolah, Desember 2010) Gambar 4.4 Normal P-P Plot Dependent LNPrice
Gambar 4.4 memperlihatkan titik-titik yang tersebar di sepanjang garis diagonal dan mengikuti arah garis diagonal. Hal ini menunjukkan bahwa data berdistribusi normal. Namun, seringkali data kelihatan normal karena mengikut i arah garis diagonal, padahal belum tentu data tersebut berdistribusi normal.
Untuk memastikan apakah data di sepanjang garis diagonal tersebut berdistribusi normal atau tidak, maka dilakukan uji Kolmogorov Smirnov (1-sample KS) yakni dengan melihat data residualnya apakah berdistribusi normal atau tidak. Jika nilai Asym.sig (2-tailed) > taraf nyata (α=0,05) maka data residual
berdistribusi normal, sebaliknya jika nilai Asym.sig (2-tailed) < taraf nyata (α)
Tabel 4.8 Uji Normalitas One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 65
Normal Parametersa Mean .0000000
Std. Deviation 1.15416306
Most Extreme Differences Absolute .084
Positive .084
Negative -.071
Kolmogorov-Smirnov Z .677
Asymp. Sig. (2-tailed) .750
a. Test distribution is Normal.
Sumber : SPSS 16.00 for Windows (diolah, Desember 2010)
Tabel 4.9 memperlihatkan bahwa nilai Asymp.Sig (2-tailed) adalah sebesar 0,750 lebih besar dari taraf nyata (α=0,05). Dengan demikian dapat
disimpulkan bahwa data residua l telah berdistribusi normal. b. Uji multikolinieritas
Uji multikolinieritas dilakukan untuk mengetahui apakah terdapat hubungan linier antara variabel bebas. Kriteria keputusan :
Nilai Tolerance > 0,1 Nilai VIF < 5
Pada awalnya, terdapat empat variabel bebas yang digunakan dalam penelitian ini yakni EPS, NPM,, ROA, dan ROE. Namun setelah dilakukan uji multikolinieritas terhadap kelima variabel bebas tersebut, terjadi masalah multikonieritas pada variabel NPM dan ROA.
Hasil pengujian multikolinieritas ditampilkan pada Tabel 4.9 sebagai berikut: Tabel 4.9 Uji Multikolinieritas Coefficientsa Model Unstandardized Coefficients Standardize d Coefficients t Sig. Collinearity Statistics B Std. Error Beta Toleranc e VIF 1 (Constant ) 595.138 95.531 6.230 .000 EPS -.051 .029 -.231 -1.747 .086 .821 1.218 NPM .802 8.653 .031 .093 .927 .132 7.593 ROA -10.631 13.175 -.338 -.807 .423 .082 12.172 ROE 2.743 1.903 .283 1.442 .155 .373 2.682
a. Dependent Variable: PRICE
Sumber : SPSS 16.00 for Windows (diolah, Desember 2010)
Tabel 4.9 varaiabel NPM dan ROA sebagai variabel bebas terkena uji multikolinearitas. Penulis melihat nilai VIF variabel NPM dan ROA lebih besar dari 5. jika variabel terkena Uji multikolineritas maka pemecahan masalah tersebut dapat dilakukan beberapa cara. Menurut Situmorang (2008) ada beberapa cara yang dapat dilakukan untuk memperbaiki data yang terkena uji multikolinieritas yaitu : mengkombinasikan data cross-section and time series, mengeluarkan variabel yang bias dan transformasi variabel dan juga penambahan data baru. Maka penulis melakukan memilih untuk mengeluarkan data variabel yang bias yaitu variabel memiliki nilai VIF yang tertinggi.
Pada tabel 4.9 dapat dilihat hasil uji multikolinieritas nilai VIF tertinggi dimiliki variabel ROA yang memiliki nilai VIF sebesar 12,172. maka penulis mengeluarkan variabel ROA. Setelah dilakukan kembali uji multikolinieritas, maka diperoleh Hasil pengujian multikolinieritas yang dijelaskan dalam tabel 4.10 sebagai berikut: Tabel 4.10 Hasil Multikolinieritas Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 5.538 .446 12.430 .000
LNEPS -.231 .077 -.492 -3.000 .004 .511 1.956
LNNPM .070 .168 .067 .415 .680 .523 1.913
LNROE .348 .172 .282 2.022 .048 .707 1.415
a. Dependent Variable: LNPRICE
Sumber : SPSS 16.00 for Windows (diolah, Desember 2010)
Pada Tabel 4.10 dapat dilihat bahwa semua variabel bebas tidak terkena masalah multikolinieritas. Hal ini dapat dilihat dari nilai Variance Inflation Factor (VIF) masing-masing variabel bebas yakni EPS, NPM, dan ROE adalah lebih kecil dari 5 (VIF < 5)
c. Uji Autokorelasi
Uji ini dilakukan untuk mengetahui apakah pada model regresi terdapat korelasi kesalahan antara kesalahan pengganggu pada periode ke-t dan kesalahan pengganggu pada periode sebelumnya (periode ke t-1). Gejala autokorelasi dideteksi dengan menggunakan Durbin Watson test. Kriteria yang menunjukkan bahwa tidak terjadi
autokorelasi adalah du<DW<4-du. Hasil pengujian autokorelasi yang dilakukan dengan SPSS ditampilkan pada Tabel 4.11 sebagai berikut :
Tabel 4.11
Hasil uji autokorelasi Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .401a .161 .120 1.18220 2.724
a. Predictors: (Constant), LNROE, LNNPM, LNEPS
b. Dependent Variable: LNPRICE
Sumber : SPSS 16.00 for Windows (diolah, Desember 2010
Tabel 4.11 tersebut memperlihatkan bahwa nilai Durbin Watson adalah sebesar 2,724 sedangkan hasil pengujian menurut tabel adalah sbb :
N=jumlah sampel = 65 K=jumlah variabel bebas= 3
Pada tingkat signifikan α= 0,05 diperoleh du sebesar 1,77 sehingga diperoleh keputusan du<DW<4-du sebesar 1,4709 < 2,724 < 3,5291 sehingga keputusan yang diambil adalah bahwa tidak tidak ada autokorelasi positif atau negatif.
d. Uji heteroskedastisitas
Uji ini bertujuan untuk menguji apakah dalam model regresi terdapat ketidaksamaan varians dari residual satu pengamatan ke pengamatan lainnya. Model regresi yang baik adalah tidak terjadi heterokedastisitas. Heteroskedastisitas dapat dideteksi dengan melihat penyebaran plot melalui gambar scatterplot yang dapat dilihat pada gambar 4.5:
Sumber : SPSS 16.00 for Windows (diolah, Desember 2010)
Gambar 4.5 Diagram Scatterplot Variabel Dependen LNPrice
Gambar 4.5 memperlihatkan titik-titik menyebar secara acak tidak membentuk sebuah pola tertentu yang jelas serta tidak tersebar baik diatas maupun dibawah angka nol pada sumbu Y. Hal ini memenuhi salah satu asumsi bahwa tidak terjadi heterokedastisitas pada model regresi.
Heterokedastisitas dapat juga dideteksi melalui uji glejser. Tabel 4.12 berikut ini menampilkan hasil pengujian heterokedastisitas dengan uji glejser.
Tabel 4.12
Hasil Uji Heteroskedastisitas Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) -2.342 .806 -2.908 .005 LNEPS .131 .139 .161 .944 .349 LNNPM -.506 .304 -.281 -1.664 .101 LNROE .581 .311 .271 1.866 .067
a. Dependent Variable: lnu2i
Tabel 4.12 memperlihatkan bahwa semua variabel bebas tidak signifikan terhadap variabel terikat. Hal ini ditunjukkan oleh nilai signifikansi dari
masing-masing variabel bebas lebih besar dari tingkat signifikansi α (sig>0,05). Dengan demikian dapat disimpulkan bahwa data bebas dari heterokedastisitas.
3. Koefisien determinasi
Tabel 4.13
Hasil Adjusted R Square Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate 1 .401a .161 .120 1.18220
a. Predictors: (Constant), LNROE, LNNPM, LNEPS
b. Dependent Variable: LNPRICE
Sumber : SPSS 16.00 for Windows (diolah, Desember 2010)
Nilai adjusted R Square pada Tabel 4.13 menunjukkan proporsi variabel dependen yang dijelaskan oleh variabel independen. Semakin tinggi nilai Adjusted R Square maka akan semakin baik model bagi regresi karena menandakan bahwa kemampuan variabel bebas menjelaskan variabel terikat juga semakin besar. Adjusted R Square pada model regresi adalah bernilai 0,120 berarti pengaruh EPS, NPM, dan ROE terhadap harga saham adalah sebesar 12 % saja sedangkan 88 % dipengaruhi oleh variabel-variabel lain yang tidak termasuk dalam model seperti inflasi, suku bunga, dan nilai tukar. Hal tersebut menunjukkan bahwa korelasi antara variabel terikat harga saham dengan variabel bebas (EPS , NPM , ROE) adalah lemah karena nilainya di bawah 100%. Tingkat keeretan hubungan antara variabel bebas dengan variabel terikat yang dilihat dari Adjusted R Square
ditunjukkan dengan range 0-1 yang dimana apabila semakin mendekati 1 maka hubungannya akan semakin erat (Situmorang, 2008:155).
4. Pengujian hipotesis
Hipotesis yang dibuat oleh penulis yaitu :
“Terdapat pengaruh antara rasio profitabilitas (Earning Per Share, Net profit Margin, dan Return on Equity) terhadap harga saham pada perusahaan industri makanan dan minuman terbuka di Bursa Efek Indonesia”.
a. Uji global (uji-F)
Uji-F bertujuan untuk menunjukkan apakah semua variabel independen atau bebas yang dimasukkan dalam model mempunyai pengaruh secara bersama-sama terhadap variabel dependen (terikat). H0 : bi =0 artinya variabel bebas (EPS, NPM, dan ROE) pada model
regresi ini tidak dapat mengestimasi variabel terikat (harga saham perusahaan makanan dan minuman)
Ha : bi ≠ 0 tidak semua bi (b1, b2, b3, ) sama dengan nol Kriteria pengambilan keputusan :
H0 diterima jika Fhitung≤ Ftabelpada α=5%atau Sig >α
Tabel 4.14 Uji global (uji F)
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 16.340 3 5.447 3.897 .013a
Residual 85.254 61 1.398
Total 101.594 64
a. Predictors: (Constant), LNROE, LNNPM, LNEPS
b. Dependent Variable: LNPRICE
Sumber : SPSS 16.00 for Windows (diolah, Desember 2010)
Tabel 4.14 mengungkapkan bahwa nilai Fhitung adalah 3,897 dengan tingkat sigifikansi 0,013. Sedangkan Ftabelpada tingkat kepercayaan 95% (α=0,05)
adalah 2,76. Oleh karena itu, maka dari Tabel di atas menunjukkan sig 0,013 < 0,05, artinya signifikan, sedangkan Fhitung 3,897 > Ftabel 2,76 artinya signifikan. Signifikan di sini berarti risiko kesalahan mengambil keputusan 0% atau tidak ada kesalahan sehingga Ho ditolak dan Ha diterima. Artinya variabel bebas yaituEPS, NPM, dan ROE secara bersama-sama berpengaruh terhadap variabel terikat yaitu harga saham.
Derajat bebas pembilang=k-1=4-1=3 Derajat bebas penyebut=n-k=64-3=61 Ftabel = 2,76
Hasil penelitian ini juga sejalan dengan hasil penelitian yang dilakukan oleh Bancin (2005) yang juga menganalisis pengaruh profitabilitas terhadap perubahan harga saham perusahaan perbankan di Bursa Efek Jakarta yang menggunakan variabel ROA, ROE, NPM, IML yang dimana uji-F terdapat hubungan yang signifikan antara seluruh variabel.
Model regresi dapat digunakan untuk mengestimasi variabel harga saham. Dalam hal ini, uji-F dapat disebut sebagai Global test yang bertujuan menguji kelayakan variabel independen untuk dijadikan suatu model penelitian terhadap variabel dependen (Wathen, 2008).
b. Uji parsial (uji-t)
Uji-t bertujuan untuk menunjukkan seberapa jauh pengaruh satu variabel independen secara individual (secara parsial) dalam menerangkan variasi dependen.
Bentuk pengujian : H0 : b1 = 0
Artinya tidak terdapat pengaruh yang signifikan dari variabel EPS secara parsial terhadap variabel harga saham.
Ha : b1≠ 0
Artinya terdapat pengaruh yang signifikan dari variabel EPS secara parsial terhadap variabel harga saham.
H0 : b2 = 0
Artinya tidak terdapat pengaruh yang signifikan dari variabel NPM secara parsial terhadap variabel harga saham.
Ha : b2≠ 0
Artinya terdapat pengaruh yang signifikan dari variabel NPM secara parsial terhadap variabel harga saham.
H0 : b3 = 0 H0 : b5 = 0
Artinya tidak terdapat pengaruh yang signifikan dari variabel ROE secara parsial terhadap variabel harga saham.
Ha : b5≠ 0
Artinya terdapat pengaruh yang signifikan dari variabel ROE secara parsial terhadap variabel harga saham.
Kriteria pengambilan keputusan :
H0 diterima jika Fhitung≤ Ftabelpada α=5%atau Sig > α
Ha diterima jika Fhitung > Ftabelpada α=5%atau Sig < α
Tabel 4.15 Hasil uji parsial (uji-t) Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) 5.538 .446 12.430 .000 LNEPS -.231 .077 -.492 -3.000 .004 LNNPM .070 .168 .067 .415 .680 LNROE .348 .172 .282 2.022 .048
a. Dependent Variable: LNPRICE
Sumber : SPSS 16.00 for Windows (diolah, Desember 2010)
Berdasarkan pada hasil uji yang ditampilkan pada Tabel 4.15 kesimpulan yang dapat diambil dari analisa tersebut adalah sebagai berikut :
a. Variabel EPS berpengaruh secara negatif dan signifikan terhadap harga saham. Hal ini terlihat dari nilai signifikan (0,004) di atas (lebih kecil dari 0,05) dan nilai thitung (-3,00) < ttabel (1,67). Signifikan disini berarti risiko kesalahan mengambil keputusan sebesar 4 % yang lebih kecil 0,05 sehingga Ho ditolak dan Ha diterima yang artinya EPS secara parsial
berpengaruh terhadap harga saham. Dimana maksudnya adalah walaupun diturunkan variabel EPS sebesar satu satuan maka harga saham akan berkurang sebesar 0,04 satuan (Rp). Secara teori, EPS mengukur berapa besar keuntungan yang diperoleh investor atau pemegang saham untuk setiap lembar saham. Semakin tinggi nilai EPS, semakin besar laba yang tersedia bagi pemegang saham. (Darmadji 2006:195).
b. Variabel NPM berpengaruh positif dan tidak signifikan terhadap harga saham. Hal ini terlihat dari nilai signifikan (0,680) di atas (lebih besar dari 0,05) dan nilai thitung (0,415) < ttabel (1,67). Signifikan disini berarti risiko kesalahan mengambil keputusan sebesar 68% yang melewati batas 0,05 sehingga Ho diterima dan Ha ditolak yang artinya NPM secara parsial tidak berpengaruh terhadap harga saham. Dimana maksudnya adalah walaupun ditingkatkan variabel NPM sebesar satu satuan maka harga saham tidak akan bertambah sebesar 0,680 satuan (Rp). Secara teori, rasio ini menunjukkan tingkat keuntungan bersih yang diperoleh dari bisnis. Angka rasio ini semakin besar semakin baik. Namun, rasio ini belum bisa dijadikan ukuran untuk menilai sukses atau tidaknya perusahaan. Sehingga, NPM belum tentu mempengaruhi harga saham karena laba penjualan belum menjamin berhasilnya perusahaan di dalam menghasilkan laba dan mempengaruhi harga saham (Kuswadi, 2004:188). Tetapi, hal ini tidak sejalan dengan penelitian sebelumnya yang dilakukan oleh Silitonga (2009) yang melakukan penelitian pada industri rokok yang menyatakan bahwa NPM berpengaruh terhadap harga saham. Tetapi hasil penelitian
Puspitasari (2007) sejalan dengan hasil penelitian penulis yang menyatakan bahwa variabel NPM tidak memiliki pengaruh terhadap harga saham secara parsial.
c. Variabel ROE berpengaruh secara positif dan signifikan terhadap harga saham. Hal ini terlihat dari nilai signifikan (0,048) di atas (lebih kecil dari 0,05) dan nilai thitung (2,022) > ttabel (1,67). Signifikan disini berarti risiko kesalahan mengambil keputusan sebesar 4,8 % sehingga Ho ditolak dan Ha
diterima yang artinya ROE secara parsial berpengaruh terhadap harga saham. Dimana maksudnya adalah walaupun dinaikkan variabel ROE sebesar satu satuan maka harga saham akan menurun sebesar 0,048 satuan (Rp). ROE signifikan terhadap nilai saham artinya perubahan kemampuan perusahaan dalam menghasilkan pendapatan dari pengelolaan mempengaruhi perubahan nilai saham perusahaan . Hasil penelitian in tidak searah dengan hasil penelitian Simanjuntak (2005) yang meneliti Pengaruh Kinerja Keuangan Perusahaan terhadap Harga Saham Pada Industri Makanan dan Minuman yang Go public di Bursa Efek Indonesia yang menyatakan bahwa ROE tidak berpengaruh terhadap harga saham.
BAB V