BAB IV HASIL PENELITIAN DAN PEMBAHASAN
4.2 Analisis Hasil Penelitian
4.2.1 Analisis Statistik Deskriptif
Deskripsi variabel ini memberikan gambaran mengenai nilai minimum, nilai maksimum, nilai rata-rata, serta standar deviasi data yang digunakan dalam penelitian. Deskripsi variabel dari hasil penelitian ini dapat dilihat pada tabel 4.2 berikut :
Tabel 4.2
Descriptive Statistics
N Minimum Maximum Mean Std. Deviation
LnHS 96 3.99 10.62 6.6430 1.64949 LnROA 96 -2.41 3.53 1.8402 1.06032 NPM 96 .13 28.95 8.2154 7.01103 DER 96 .15 4.32 1.0168 .90639 LnEPS 96 .22 8.37 4.2336 1.82118 Valid N (listwise) 96
Sumber : Data diolah peneliti
Berdasarkan tabel 4.2 diatas dapat dijelaskan bahwa :
a. Variabel harga saham (Y) memiliki sampel (N) sebanyak 96, dengan nilai minimum 3,99 dan nilai maksimum 10,62 serta nilai rata-rata 6,6430.
Standard Deviation variabel ini adalah 1,64949. Jika nilai rata-rata lebih besar dibandingkan nilai standar deviasi menunjukkan bahwa data terdistribusi dengan baik sedangkan nilai rata-rata yang lebih kecil dari nilai standar deviasi menunjukkan data terdistribusi dengan kurang baik.
b. Variabel ROA (X1) memiliki sampel (N) sebanyak 96, dengan nilai minimum -2,41 dan nilai maksimum 3,53 serta nilai rata-rata 1,8402.
61
c. Variabel NPM (X2) memiliki sampel (N) sebanyak 96, dengan nilai minimum 0,13 dan nilai maksimum 28,95 serta nilai rata-rata 8,2154.
Standard Deviation variabel ini adalah 7,01103.
d. Variabel DER (X3) memiliki sampel (N) sebanyak 96, dengan nilai minimum 0,15 dan nilai maksimum 4,32 serta nilai rata-rata 1,0168.
Standard Deviation variabel ini adalah 0,90639.
e. Variabel EPS (X4) memiliki sampel (N) sebanyak 96, dengan nilai minimum 0,22 dan nilai maksimum 8,37 serta nilai rata-rata 4,2336.
Standard Deviation variabel ini adalah 1,82118.
4.2.2 Uji Asumsi Klasik 4.2.2.1 Uji Normalitas
Uji Normalitas dilakukan untuk menguji apakah dalam sebuah model regresi, variabel independen, dan variabel dependen atau keduanya mempunyai distribusi normal atau tidak. Uji ini akan dideteksi melalui dua cara, yaitu analisis grafik (histogram dan Normal P-Plots) dan analisis statistik (Non-Parametrik Kolmogorov-Smirnov).
1. Analisis Grafik
Analisis grafik dilakukan dengan melihat grafik histogram dan grafik normal P-Plots berikut ini :
62 Sumber : Hasil Olahan SPSS 16.00, 2014
Gambar 4.1
Histogram Dependent Variabel
Pada gambar 4.1 di atas dapat disimpulkan bawa variabel tidak terdistribusi secara normal. Hal ini dikarenakan kurva histogram yang tidak memiliki keseimbangan ke kiri dan ke kanan atau berbentuk seperti lonceng.
Sumber: Hasil Olahan SPSS 16.00, 2014 Gambar 4.2
Normal P-P Plot of Regression Standardized Residual Gambar 4.2 memperlihatkan garis normal probability plot dimana variabel tidak terdistribusi secara normal. Hal ini dikarenakan
titik-63 titik penyebaran data menyebar jauh dari garis diagonal serta tidak mengikuti arah garis diagonal.
Menurut Erlina (2011) ada beberapa cara yang dapat digunakan mengatasi data yang tidak normal diantaranya:
1. Lakukan transformasi data ke bentuk lainnya. Pelanggaran asumsi normalitas biasanya disebabkan bentuknya menceng (skew), sehingga untuk mengubah bentuk yang menceng tersebut dapat mengubah nilai atau mentransformasikan nilai ke dalam bentuk logaritma natural.
2. Lakukan trimming. Trimming adalah membuang data yang
outlier.
3. Lakukan winsorizing, yaitu mengubah nilai data yang outlier
ke suatu nilai tertentu. Melakukan winsorizing yaitu mengubah nilai observasi yang outlier menjadi nilai maksimum dan minimum yang diizinkan.
Dalam penelitian ini cara yang digunakan yaitu dengan melakukan transformasi data ke dalam bentuk logaritma natural (Ln), dimana data yang ditransformasikan adalah harga saham menjadi LnHS, return on assets menjadi LnROA, dan earning per share
menjadi LnEPS dan kemudian data diuji ulang berdasarkan uji normalitas data, berikut ini hasil analisis grafik menggunakan histogram dan normal P-Plots setelah dilakukan transformasi data yaitu:
64 Sumber : Hasil olahan SPSS 16.00, 2014
Gambar 4.3
Histogram Dependent Variable
Gambar 4.3 ini menunjukkan kurva histogram yang memiliki kemiringan seimbang ke kiri dan ke kanan atau tidak condong kekiri dan kekanan, melainkan ketengah dengan bentuk seperti lonceng, sehingga data dengan pola seperti ini memiliki distribusi normal. Akan tetapi jika kesimpulan normal atau tidak nya 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. Jika distribusi data residual normal, maka garis yang akan menggambarkan data sesungguhnya akan mengikuti garis diagonalnya. Uji normalitas dengan melihat normal probability plot dapat dilihat pada gambar berikut :
65 Sumber : Hasil olahan SPSS 16.00, 2014
Gambar 4.4
Normal P-P Plot of Regression Standardized Residual
Gambar 4.4 ini merupakan kurva P-Plot yang menunjukkan penyebaran titik-titik data disekitar garis diagonal dan mengikuti arah garis diagonal. Hal ini berarti data pada variabel yang digunakan, yaitu variabel harga saham berdistribusi normal.
2. Analisis Statistik
Pengujian ini dilakukan dengan menggunakan uji kolmogorov-smirnov untuk mendapatkan tingkat uji normalitas yang lebih signifikan. Data yang berdistribusi normal ditunjukkan dengan nilai signifikansi diatas 0,05.
Hasil pengujian menggunakan Uji Kolmogorov-Smirnov yaitu sebagai berikut:
66 Tabel 4.3
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 96
Normal Parametersa Mean .0000000
Std. Deviation 5.00928668E3
Most Extreme Differences Absolute .268
Positive .268
Negative -.145
Kolmogorov-Smirnov Z 2.627
Asymp. Sig. (2-tailed) .000
a. Test distribution is Normal.
Sumber: Hasil Olahan SPSS 16.00, 2014
Dari tabel 4.3 di atas memperlihatkan bahwa variabel-variabel dalam penelitian ini tidak terdistribusi secara normal. Hal tersebut dapat dinilai melalui nilai signifikansi sebesar 0,000 yang diperoleh jauh lebih rendah dari nilai signifikansi yang diharapkan yaitu 0,05.
Setelah dilakukan transformasi data dengan mengubah variabel dependen dan independen dalam bentuk logaritma natural (Ln) maka didapatkan hasil sebagai berikut:
Tabel 4.4
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 96
Normal Parametersa Mean .0000000
Std. Deviation .78405863
Most Extreme Differences Absolute .141
67
Negative -.075
Kolmogorov-Smirnov Z 1.380
Asymp. Sig. (2-tailed) .144
a. Test distribution is Normal.
Sumber : Hasil olahan SPSS 16.00, 2014
Berdasarkan tabel 4.4 menunjukkan bahwa data sudah terdistribusi secara normal. Hal ini di lihat dari nilai kolmogorov-smirnov Z sebesar 1,380 dengan nilai Asymp.Sig (2-tailed) sebesar 0,144 atau probabilitas diatas 0,05. Hal ini berarti bahwa H0 diterima, yang berarti data residua l berasal dari distribusi normal.
4.2.2.2 Uji Multikolinearitas
Menurut Ghozali (2005), pengujian ini dapat dilihat melalui nilai
tolerance dan Variance Inflation Factor (VIF). Apabila nilai VIF > 5 dan nilai tolerance < 0,1 maka terjadi multikolinearitas dan apabila nilai VIF < 5 dan nilai tolerance > 0,1 maka tidak terjadi multikolinearitas. Hasil uji multikolinearitas dapat dilihat pada tabel berikut :
Tabel 4.5 Coefficientsa Model Unstandardized Coefficients Standardized
Coefficients T Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 3.937 .246 15.985 .000 LnROA -.692 .137 -.445 -5.036 .000 .318 3.140 NPM .084 .021 .358 3.967 .000 .305 3.276 DER -.137 .121 -.075 -1.128 .262 .560 1.786 LnEPS .809 .082 .894 9.849 .000 .302 3.316 a. Dependent Variable: LnHS
68 Berdasarkan tabel 4.5 nilai tolerance dan VIF dari variabel ROA adalah sebesar 0,318 dan 3,140. Untuk variabel NPM adalah sebesar 0,305 dan 3,276. Variabel DER adalah sebesar 0,560 dan 1,786. Variabel EPS adalah sebesar 0,302 dan 3,316. Oleh karena itu, dapat disimpulkan dalam model ini tidak terdapat masalah multikolinearitas antara variabel bebas karena nilai tolerance berada di bawah 1 dan nilai VIF jauh di bawah angka 5.
4.2.2.3 Uji Autokorelasi
Uji ini bertujuan untuk menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 (periode sebelumnya). Untuk mendeteksi ada tidaknya autokorelasi maka dilakukan pengujian Durbin Watson (DW) dengan ketentuan sebagai berikut :
a. Angka D-W (pada output Model Summary) di bawah -2 berarti ada autokorelasi positif.
b. Angka D-W (pada output Model Summary) di antara -2 sampai +2 berarti tidak ada autokorelasi.
c. Angka D-W (pada output Model Summary) di atas +2 berarti ada autokorelasi negatif.
69 Tabel 4.6 Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .880a .774 .764 .80111 1.949
a. Predictors: (Constant), LnEPS, DER, LnROA, NPM b. Dependent Variable: LnHS
Sumber : Hasil olahan SPSS 16.00, 2014
Berdasarkan tabel 4.6 menunjukkan bahwa nilai Durbin Watson
(DW) sebesar 1,949. Oleh karena nilai D_W di bawah antara -2 <1,949 < +2. Jadi dapat disimpulkan bahwa tidak ada terjadi autokorelasi pada model regresi yang digunakan dalam penelitian ini.
4.2.2.4 Uji Heteroskedastisitas
Pengujian ini digunakan untuk melihat apakah dalam sebuah model regresi terjadi ketidaksamaan varian dari residual dalam rangkaian suatu pengamatan ke pengamatan lain. Jika varians dari residual suatu pengamatan ke pengamatan lain tetap, maka disebut homoskedastisitas, dan jika berbeda disebut heteroskedastisitas. Salah satu uji untuk menguji heteroskedastisitas ini adalah dengan melihat penyebaran dari varians residual pada diagram pencar (Scatterplot).
70 Gambar 4.5
Scatterplot Standardized Predicted Value
Pada gambar 4.5 diatas terlihat penyebaran residual cenderung tidak teratur, terdapat beberapa plot yang berpencar dan tidak membentuk pola tertentu, sehingga dapat disimpulkan tidak terdapat gejala heteroskedastisitas pada model regresi dalam penelitian ini. untuk memperoleh tingkat uji heteroskedastisitas yang lebih signifikan, maka dalam penelitian ini juga dilakukan uji glejser. Apabila signifikansi dari variabel bebas lebih besar dari taraf nyata 5%, maka dianggap tidak terjadi masalah heteroskedastisitas dan begitu juga sebaliknya.
Tabel 4.7
Coefficientsa
Model
Unstandardized Coefficients Standardized Coefficients
T Sig. B Std. Error Beta 1 (Constant) .365 .172 2.118 .037 LnROA -.037 .096 -.070 -.381 .704 NPM .001 .015 .016 .084 .933 DER .061 .085 .100 .719 .474 LnEPS .043 .058 .139 .739 .462
a. Dependent Variable: abs_res
71 Berdasarkan tabel 4.7 menunjukkan bahwa nilai signifikansinya diatas tingkat kepercayaan 0,05 maka dapat disimpulkan bahwa dalam pengujian ini tidak ada terjadi heteroskedastisitas.
