BAB III METODOLOGI PENELITIAN
B. Analisis Data Penelitian
1. Analisis Statistik Deskriptif
Statistik deskriptif memberikan penjelasan mengenai nilai minimum, nilai maksimum, nilai rata-rata (mean), dan nilai standar deviasi dari variabel-variabel independen dan variabel-variabel dependen.
Tabel 4.2 Statistik Deskriptif
Descriptive Statistics
N Minimum Maximum Mean Std. Deviation
Dividend Per Share 108 1.00 15000.00 740.3739 1979.10514
Harga Saham 108 58 130000 12137.08 22732.512
Valid N (listwise) 108
Sumber: Output SPSS
Berdasarkan data dari tabel 4.2 dapat dijelaskan bahwa:
a. Variabel Earning Per Share (EPS) memiliki nilai minimum 6,00 dan nilai maksimum 12210,00 dengan rata-rata sebesar 1153,0096 dan standar deviasi 2157,31677. Hal ini berarti nilai minimum EPS perusahaan manufaktur yang menjadi sampel penelitian dari tahun 2006 sampai 2009 adalah 6,00 dan nilai maksimum sebesar 12210,00 dengan rata-rata nilai EPS perusahaan manufaktur yang menjadi sampel penelitian ini sebesar 1153,0096.
b. Variabel Dividend Per Share (DPS) memiliki nilai minimum 1,00 dan nilai maksimum 15000,00 dengan rata-rata sebesar 740,3739 dan standar deviasi 1979,10514. Hal ini berarti nilai minimum DPS perusahaan manufaktur yang menjadi sampel penelitian dari tahun 2006 sampai 2009 adalah 1,00 dan nilai maksimum sebesar 15000,00 dengan rata-rata nilai DPS perusahaan manufaktur yang menjadi sampel penlitian ini sebebesar 740,3739.
c. Variabel Harga Saham (HS) memiliki nilai minimum 58 dan nilai maksimum 13000 dengan rata-rata sebesar 12137,08 dan standar deviasi 22732,512. Hal ini berarti nilai minimum DPS perusahaan manufaktur yang menjadi sampel penelitian dari tahun 2006 sampai 2009 adalah 58 dan nilai maksimum sebesar 13000 dengan rata-rata nilai DPS perusahaan manufaktur yang menjadi sampel penelitian ini sebebesar 22732,512.
2. Pengujian Asumsi Klasik
Untuk menghasilkan suatu model regresi yang baik, analisis regresi memerlukan pengujian asumsi klasik sebelum melakukan pengujian hipotesis. Apabila terjadi penyimpangan dalam pengujian asumsi klasik perlu dilakukan perbaikan terlebih dahulu.
a. Uji Normalitas Data
Uji normalitas data bertujuan untuk menguji apakah variabel residual berdistribusi normal atau tidak. Uji statistik yang dapat digunakan untuk menguji apakah residual berdistribusi normal adalah uji statitstik non parametrik Kolmogorov-Smirnov (K-S) dengan membuat hipotesis:
H0 : data residual berdistribusi normal,
Apabila nilai siginifikansi lebih besar dari 0,05 maka H0 diterima dan Ha ditolak, sebaliknya jika nilai signifikansi lebih kecil dari 0,05 maka H0
ditolak dan Ha diterima.
Dari hasil pengolahan data pada tabel 4.3 dibawah ini, diperoleh besarnya nilai Kolmogorov-Smirnov adalah 2,768 dan signifikansi pada 0,000. Nilai signifikansi ternyata lebih kecil dari 0,05 maka Ha diterima yang berarti data residual tersebut tidak berdistribusi 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.
Tabel 4.3
Hasil Uji Normalitas sebelum Tranformasi
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 108
Normal Parametersa,,b Mean .0000000
Std. Deviation 1.61973533E4
Most Extreme Differences Absolute .266
Positive .266
Kolmogorov-Smirnov Z 2.768
Asymp. Sig. (2-tailed) .000
a. Test distribution is Normal.
b. Calculated from data.
Sumber: Output SPSS
Beberapa cara mengatasi data outlier yaitu:
− lakukan transformasi data ke bentuk lainnya,
− lakukan trimming, yaitu membuang data outlier,
− lakukan winsorizing, yaitu mengubah nilai data yang outlier ke suatu nilai tertentu.
Untuk mengubah nilai residual agar normal, Peneliti melakukan transformasi data ke model logaritma natural (LN) dari HS = f(EPS, DPS) menjadi LN_HS = f(LN_EPS, LN_DPS). Setelah dilakukan transformasi data ke model logaritma natural, jumlah sampel observasi tetap berjumlah 108 sampel. Kemudian data diuji ulang berdasarkan asumsi normalitas, berikut ini hasil pengujian dengan Kolmogorov-Smirnov.
Tabel 4.4
Hasil Uji Normalitas setelah Transformasi
One-Sample Kolmogorov-Smirnov Test
N 108
Normal Parametersa,,b Mean .0000000
Std. Deviation .84934518
Most Extreme Differences Absolute .060
Positive .060
Negative -.042
Kolmogorov-Smirnov Z .627
Asymp. Sig. (2-tailed) .827
a. Test distribution is Normal.
b. Calculated from data.
Sumber: Ouput SPSS
Dari hasil pengolahan data pada tabel 4.4 diperoleh besarnya nilai
Kolmogorov-Smirnov adalah 0,627 dan signifikansi pada 0,827. Nilai
signifikansi lebih besar dari 0,05 maka H0 diterima yang berarti data residual berdistribusi normal. Data yang berdistribusi normal tersebut juga dapat dilihat melalui grafik histrogram dan grafik normal p-plot data.
Grafik histogram pada Gambar 4.1 menunjukkan pola distribusi normal karena grafik tidak melenceng ke kiri maupun melenceng ke kanan. Demikian pula hasil uji normalitas dengan menggunakan grafik
Sumber: Output SPSS
Gambar 4.1 Grafik Histogram
Sumber: Output SPSS
Gambar 4.2 Grafik Normal P-Plot
Pada grafik normal p-plot terlihat bahwa data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal, maka dapat disimpulkan bahwa model regresi telah memenuhi asumsi normalitas.
b. Uji Multikolinieritas
Uji multikolinieritas bertujuan untuk menguji apakah terdapat korelasi antar variabel independen dalam model regresi. Jika pada model regresi terjadi multikolinieritas, maka koefisien regresi tidak dapat ditaksir dan nilai standard error menjadi tidak terhingga. Menurut Nugroho (2005:58), “deteksi multikolinieritas pada suatu model dapat dilihat, yaitu jika nilai
Variance Inflation Factor (VIF) tidak lebih dari 10 dan nilai tolerance
tidak kurang dari 0,1 maka model dapat dikatakan terbebas dari multikolinieritas.”
Tabel 4.5
Hasil Uji Multikolinieritas
Coefficientsa
Model
Collinearity Statistics
Tolerance VIF
1 (Constant)
LN_Dividend Per Share .131 7.618
a. Dependent Variable: LN_Harga Saham
Sumber: Output SPSS
Dari data pada tabel 4.5, dapat disimpulkan bahwa tidak terjadi gejala multikolinieritas antara variabel independen yang diindikasikan dari nilai
tolerance setiap variabel independen lebih besar dari 0,1 yakni sebesar
0,131 dan nilai VIF lebih kecil dari 10 yakni sebesar 7,618. Maka dapat disimpulkan bahwa analisis lebih lanjut dapat dilakukan dengan
menggunakan model regresi berganda.
c. Uji Heteroskedastisitas
Uji heteroskedastisitias bertujuan untuk melihat apakah dalam model regresi terjadi ketidaksamaan variabel dari residual satu pengamatan ke pengamatan yang lain. Model regresi yang baik adalah tidak terjadi heteroskedastistas. Menurut Nugroho (2005:62) cara memprediksi ada tidaknya heteroskedastisitas pada suatu model dapat dilihat dari pola gambar Scatterplot model tersebut. Analisis pada gambar Scatterplot yang menyatakan model regresi linier berganda tidak terdapat
heteroskedastisitas jika:
1) titik-titik data menyebar di atas, di bawah atau di sekitar angka 0, 2) titik-titik data tidak mengumpul hanya di atas dan dibawah saja, 3) penyebaran titik-titik data tidak boleh membentuk pola
4) penyebaran titik-titik data sebaiknya tidak berpola.
Dari grafik Scatterplot terlihat bahwa titik-titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y. Hal ini dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi sehingga model regresi layak dipakai untuk memprediksi Harga Saham perusahaan manufaktur yang terdaftar di BEI berdasarkan masukan variabel independen earning per share dan dividend per share.
Sumber: Output SPSS
Gambar 4.3
Hasil Uji Heteroskedastisitas (Scatterplot)
Pengujian autokorelasi bertujuan untuk menguji apakah terdapat korelasi antara kesalahan pengganggu pada suatu periode dengan kesalahan pengganggu periode sebelumnya dalam model regresi. 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. Cara yang dapat dilakukan untuk mendeteksi ada tidaknya autokorelasi adalah dengan melakukan pengujian Durbin-Watson (D-W). Tabel 4.6 berikut menyajikan hasil uji D-W dengan menggunakan program SPSS Versi 17.0.
Tabel 4.6. Hasil Uji Autokorelasi
Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .892a .795 .791 .85740 1.546
a. Predictors: (Constant), LN_Dividend Per Share, LN_Earning Per Share
b. Dependent Variable: LN_Harga Saham
Sumber: Output SPSS
Kriteria untuk penilaian terjadinya autokorelasi yaitu:
4) nilai D-W lebih kecil dari -2 berarti ada korelasi positif,
5) nilai D-W di antara -2 sampai +2 berarti tidak ada autokorelasi, 6) nilai D-W lebih besar dari +2 berarti ada autokorelasi negatif.
Dari hasil tabel di atas diketahui bahwa nilai D-W yang didapat sebesar 1,546 yang berarti termasuk pada kriteria kedua, sehingga dapat
disimpulkan bahwa model regresi bebas dari masalah autokorelasi.
3. Pengujian Hipotesis
Untuk menguji hipotesis, Peneliti menggunakan analisis regresi berganda. Data diolah dengan menggunakan program SPSS Versi 17.0 Berdasarkan hasil pengolah data dengan program SPSS Versi 17.0, maka diperoleh hasil sebagai berikut.
Pada Tabel 4.7 di bawah ini, dapat dilihat hasil analisis regresi secara keseluruhan menunjukkan nilai R sebesar 0,892 menunjukkan bahwa korelasi atau hubungan antara harga saham (variabel dependen) dengan earning per
share dan dividend per share (variabel independen) mempunyai tingkat
hubungan yang sangat kuat, yaitu sebesar 89,2%. Tingkat hubungan yang sangat kuat ini dapat dilihat dari tabel pedoman untuk memberikan interpretasi koefisien korelasi. Tabel 4.7 Model Summary Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate 1 .892a .795 .791 .85740
a. Predictors: (Constant), LN_Dividend Per Share, LN_Earning Per Share
b. Dependent Variable: LN_Harga Saham
Sumber: Output SPSS
Nilai Adjusted R Square atau koefisien determinasi adalah sebesar 0,791. Angka ini mengidentifikasikan bahwa harga saham (variabel dependen) mampu dijelaskan oleh earning per share dan dividend per share (variabel independen) sebesar 79,1%, sedangkan selebihnya sebesar 20,9% dijelaskan oleh sebab-sebab lain. Kemudian standard error of the estimate adalah sebesar 0,85740 dimana semakin kecil angka ini akan membuat model regresi semakin tepat dalam memprediksi harga saham.
Tabel 4.8
Pedoman untuk Memberikan Interpretasi Koefisien Korelasi Interval Koefisien Tingkat hubungan
0,000 – 0,199 Sangat Rendah 0,200 – 0,399 Rendah 0,400 – 0,599 Sedang 0,600 – 0,799 Kuat 0,800 – 1,000 Sangat Kuat Sumber: Sugiyono (2006:183)
a. Uji Signifikansi Simultan (Uji-F)
Uji-F dilakukan untuk menilai pengaruh earning per share dan
dividend per share secara simultan terhadap harga saham. Dalam uji-F
H0 : artinya variabel earning per share dan dividend
per share secara bersama-sama tidak mempunyai pengaruh yang
signifikan terhadap harga saham pada perusahaan manufaktur yang terdaftar di BEI,
Ha : artinya variabel earning per share dan dividend
per share secara bersama-sama mempunyai pengaruh yang
signifikan terhadap harga saham pada perusahaan manufaktur yang terdaftar di BEI.
Uji ini dilakukan dengan membandingkan signifkansi hitung dengan F-tabel dengan ketentuan:
- jika F-hitung < F-tabel, maka H0diterima dan Ha ditolak untuk α = 5%,
- jika F-hitung > F-tabel, maka H0ditolak dan Ha diterima untuk α = 5%.
Berdasarkan hasil pengolahan data dengan program SPSS Versi 17.0, maka diperoleh hasil sebagai berikut.
Dari uji ANOVA (Analysis of Variance) pada Tabel 4.9 di bawah didapat F-hitung sebesar 203,571 dengan tingkat signifikansi sebesar 0,000. Sedangkan F-tabel diketahui sebesar 3,083. Berdasarkan hasil tersebut dapat diketahui bahwa F-hitung > F-tabel (203,571 > 3,083) maka H0 ditolak dan Ha diterima.
Tabel 4.9.
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 299.302 2 149.651 203.571 .000a
Residual 77.188 105 .735
Total 376.490 107
a. Predictors: (Constant), LN_Dividend Per Share, LN_Earning Per Share
b. Dependent Variable: LN_Harga Saham
Sumber: Output SPSS
Jadi dapat disimpulkan bahwa variabel earning per share dan dividend
per share secara simultan berpengaruh signifikan terhadap harga saham
perusahaan manufaktur yang terdaftar di BEI.
Tabel 4.10 Hasil Analisis Regresi
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) 3.523 .291 12.093 .000
LN_Earning Per Share .545 .120 .553 4.532 .000
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) 3.523 .291 12.093 .000
LN_Earning Per Share .545 .120 .553 4.532 .000
LN_Dividend Per Share .311 .107 .354 2.900 .005
a. Dependent Variable: LN_Harga Saham
Sumber: Output SPSS
Berdasarkan tabel 4.10 di atas, maka didapatlah persamaan regresi sebagai berikut:
Keterangan:
1) konstanta sebesar 3,523 menunjukkan bahwa apabila variabel independen ditiadakan maka harga saham adalah sebesar 3,523, 2) sebesar 0,535 menunjukkan bahwa setiap kenaikan earning per
share sebesar Rp.1 maka akan diikuti oleh kenaikan harga saham
3) sebesar 0,311 menunjukkan bahwa setiap kenaikan dividend per
share sebesar Rp.1 maka akan diikuti oleh kenaikan harga saham
sebesar 0,311 dengan asumsi variabel lain tetap.
b. Uji Signifikansi Parsial (Uji-t)
Uji-t dilakukan untuk mengetahui seberapa jauh pengaruh suatu
variabel independen terhadap variabel dependen secara parsial. Dalam uji-t digunakan hipotesis sebagai berikut.
H0 : artinya variabel earning per share dan dividend
per share secara parsial tidak berpengaruh signifikan terhadap
harga saham pada perusahaan manufaktur yang terdaftar di BEI,
Ha : artinya variabel EPS dan DPS secara parsial
berpengaruh signifikan terhadap harga saham pada perusahaan manufaktur yang terdaftar di BEI.
Uji ini dilakukan dengan membandingkan signifikansi hitung dengan t-tabel dengan ketentuan:
− jika t-hitung < t-tabel, maka H0 diterima dan Ha ditolak untuk α = 5%
atau signifikansi > 0,05,
− jika t-hitung > t-tabel, maka H0 ditolak dan Ha diterima untuk α = 5%
atau signifikansi < 0,05.
Tabel 4.11. Hasil Uji Parsial (Uji-t)
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) 3.523 .291 12.093 .000
LN_Earning Per Share .545 .120 .553 4.532 .000
LN_Dividend Per Share .311 .107 .354 2.900 .005
a. Dependent Variable: LN_Harga Saham
Sumber: Output SPSS
Hasil pengujian statistik t pada Tabel 4.11. dapat dijelaskan sebagai berikut.
1) Pengaruh Earning Per Share terhadap harga saham
Nilai t-hitung untuk variabel EPS adalah sebesar 4,532 dan t-tabel
dengan α = 5% diketahui sebesar 1,982. Dengan demikian t-hitung
lebih besar dari t-tabel (4,532 > 1,982) dan nilai signifikansi sebesar 0,000 (lebih kecil dari 0,05) artinya H0 ditolak dan Ha diterima, bahwa
earning per share secara parsial berpengaruh secara signifikan
terhadap harga saham pada perusahaan manufaktur pada tingkat kepercayaan 95%.
2) Pengaruh Dividend Per Share terhadap harga saham
Nilai t-hitung untuk variabel DPS adalah sebesar 2,900 dan t-tabel
lebih besar dari t-tabel (2,900 > 1,982) dan nilai signifikansi sebesar 0,005 (lebih kecil dari 0,05) artinya H0 ditolak dan Ha diterima, bahwa DPS secara parsial berpengaruh secara signifikan terhadap harga saham pada perusahaan manufaktur pada tingkat kepercayaan 95%.
