EPS saham
ANALISIS HASIL PENELITIAN
A. Analisis Statistik Secara Deskriptif
Analisis deskriptif menggambarkan fenomena dan karakteristik data. Dalam suatu penelitian analisis deskriptif perlu dilakukan karena karakterisktik dari suatu data akan menggambarkan fenomena dari data (Erlina,2007: 82).
Objek penelitian ini adalah perusahaan manufaktur yang terdaftar di Bursa Efek Indonesia dari tahun 2006-2009. Setelah melakukan pemilihan sampel dengan teknik purposive sampling diperoleh 51 perusahaan sebagai sampel. Berikut ini merupakan data statistik secara umum dari seluruh data variabel yang digunakan dalam penelitian ini:
Tabel 4.1 Statistik Deskriptif
N Minimum Maximum Mean Std. Deviation
Harga Saham 204 50.000 244800.000 10509.167 28591.182
Earning Per Share 204 .120 16158.000 985.387 2319.307
Dividend Per Share 204 .000 16150.000 617.455 2056.877
Pertumbuhan Penjualan 204 -.590 1.420 .173 .254
Valid N (listwise) 204
Sumber : Output SPSS
Berdasarkan data dari tabel 4.1 dapat dijelaskan bahwa:
1. variabel Harga Saham (HS) menunjukkan harga saham perusahaan manufaktur periode 2006-2009 dengan nilai rata-rata harga saham
35
adalah 10.509,167. Nilai terendah adalah 50 dan nilai tertinggi 244.800 sedangkan nilai standar deviasi adalah sebesar 28.591,182.
2. variabel Earning Per Share (EPS) menggambarkan besar laba per lembar saham perusahaan manufaktur periode 2006-2009 dengan nilai rata–rata EPS adalah 985,387. Nilai terendah adalah 0,12 dan nilai tertinggi 16.158 sedangkan nilai standar deviasi adalah 2.319,307.
3. variabel Dividend Per Share (DPS) menggambarkan pendapatan per lembar saham perusahaan manufaktur periode 2006-2009 dengan nilai rata-rata DPS adalah 617,455. Nilai terendah adalah 0 dan nilai tertinggi 16.150 sedangkan nilai standar deviasi adalah 2.056,877.
4. variabel Pertumbuhan Penjualan (PP) merupakan perubahan penjualan perusahaan manufaktur dari tahun 2006-2009 dengan nilai rata-rata pertumbuhan penjualan adalah sebesar 0,173. Nilai terendah adalah -0,59 dan nilai tertinggi adalah 1,42 sedangkan nilai standar deviasi adalah 0,254.
B. Hasil Analisis 1. Uji Asumsi Klasik
a. Uji Normalitas Data
Uji normalitas bertujuan untuk menguji apakah dalam suatu model regresi data berdistribusi normal atau tidak. Uji statistik yang digunakan adalah uji Kolmogorov–Smirnov (K-S) dengan membuat hipotesis:
36
Ha : data tidak berdistribusi normal
Apabila nilai signifikansi lebih besar dari 0,05, maka Ho diterima dan Ha ditolak. Sebaliknya, jika nilai signifikansi lebih kecil dari 0,05, maka Ho ditolak dan Ha diterima (Ghozali 2006)
Tabel 4.2 Uji Normalitas Data
Dari hasil uji normalitas diatas, dapat dilihat bahwa nilai signifikansi variabel harga saham, EPS, DPS adalah 0,000 dan pertumbuhan penjualan bernilai 0,008. Nilai signifikansi dari keempat variabel ternyata lebih kecil dari 0,05 maka Ho ditolak dan Ha diterima yang berarti data tidak berdistribusi normal.
Normal tidaknya suatu data juga dapat dideteksi melalui plot grafik histogram. Berikut ini hasil tampilan grafik histogram variabel HS:
One-Sample Kolmogorov-Smirnov Test
Harga Saham Earning Per Share Dividend Per Share Pertumbuhan Penjualan N 204 204 204 204
Normal Parametersa Mean 1.051 9.854 6.175 .173
Std. Deviation 2.859 2.319 2.057 .254
Most Extreme Differences Absolute .357 .335 .382 .116
Positive .340 .318 .380 .116
Negative -.357 -.335 -.382 -.084
Kolmogorov-Smirnov Z 5.103 4.792 5.456 1.656
Asymp. Sig. (2-tailed) .000 .000 .000 .008
a. Test distribution is Normal.
37 Gambar 4.1
Histogram Uji Normalitas
Data yang tidak berdistribusi normal dapat ditransformasikan menjadi normal dengan cara mengetahui terlebih dahulu bagaimana bentuk grafik histogram dari data yang ada (Ghozali, 2006). Berdasarkan gambar 4.1 bentuk grafik histogramnya adalah positive skewness yaitu dimana gunung distribusi menceng disebelah kiri median dan kaki gunung distribusi lebih panjang sebelah kanan. Berdasarkan hasil grafik histogram data maka akan dilakukan dengan transformasi ke model logaritma natural (LN).
38
Setelah dilakukan transformasi data ke model LN, data diuji kembali dengan uji Komolgrov – Simirnov. Berikut ini merupakan hasil transformasi data ke model LN:
Tabel 4.3
Uji Normalitas Setelah Transformasi One-Sample Kolmogorov-Smirnov Test
LNHS LNEPS LNDPS LNPP
N 204 204 128 167
Normal Parametersa Mean 7.101 4.588 4.637 -1.767
Std. Deviation 2.082 2.383 2.277 .922
Most Extreme Differences Absolute .077 .054 .063 .083
Positive .077 .054 .063 .044
Negative -.063 -.049 -.049 -.083
Kolmogorov-Smirnov Z 1.094 .775 .713 1.071
Asymp. Sig. (2-tailed) .182 .585 .690 .202
a. Test distribution is Normal.
Sumber : Output SPSS
Berdasarkan tabel 4.3 dapat dilihat bahwa setelah dilakukan transformasi data dengan model LN, semua data variabel yang diuji menjadi normal dan nilai signifikan setiap variabel > 0,05.
Uji normalitas juga dapat dilakukan dengan melihat pola distribusi data pada histogram dan dari penyebaran data pada grafik p-plot. Setelah data ditransformasi ke model LN, hasilnya adalah sebagai berikut:
39
Gambar 4.2 Grafik Histogram
Histogram di atas terlihat membentuk gunung distribusi data dengan kaki gunung yang simetris baik kanan maupun kiri. Hal ini menunjukkan bahwa data telah berdistribusi secara normal.
40
Gambar 4.3 Grafik Normal P-Plot
Dari grafik di atas terlihat bahwa data berdistribusi secara normal dan menyebar di sekitar garis kenormalan. Hal ini menunjukkan data penelitian normal dan dapat digunakan untuk pengujian lebih lanjut.
b. Uji Multikolinearitas
Uji multikolonieritas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas. Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel bebas.
Pengujian multikolinearitas dilakukan dengan melihat nilai tolerance dan variation inflation factor (VIF). Nilai yang umum dipakai untuk
41
menunjukkan adanya gejala multikolinearitas adalah nilai tolerance < 0,1 atau sama dengan nilai VIF > 10.
Tabel 4.4 Uji Multikolinearitas Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 3.078 .286 10.744 .000 LNEPS .628 .095 .642 6.630 .000 .114 8.740 LNDPS .276 .086 .312 3.221 .002 .114 8.763 LNPP -.057 .086 -.022 -.664 .508 .971 1.030 a. Dependent Variable: LNHS Sumber : Output SPSS
Dari tabel 4.4 dapat disimpulkan bahwa tidak terjadi gejala multikolinearitas antara variabel bebas yang diindikasikan dari nilai tolerance setiap variabel bebas > 0,1 dan nilai VIF < 10.
c. Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah terdapat korelasi antara kesalahan pengganggu pada suatu periode dengan kesalahan pengganggu periode sebelumnya dalam model regresi. Model regresi yang baik adalah model regresi yang terbebas dari autokorelasi. Cara yang dapat dilakukan untuk mendeteksi ada tidaknya autokorelasi adalah dengan melakukan pengujian Durbin-Watson (D-W).
42
Kriteria yang dapat digunakan untuk melihat besaran Durbin-Watson sebagai berikut (Santoso, 2005 : 242):
1. angka D-W di bawah -2, berarti ada autokorelasi positif.
2. angka D-W di antara -2 sampai +2, berarti tidak ada autokorelasi. 3. angka D-W di atas +2, berarti ada autokorelasi negatif.
Tabel 4.5 Uji Autokorelasi
D a
Dari tabel diatas dapat diketahui bahwa nilai D-W adalah sebesar 1,682 yang menunjukkan nilai D-W termasuk pada kriteria kedua dan dapat disimpulkan bahwa model regresi bebas dari masalah autokorelasi.
d. Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varians dari satu pengamatan ke pengamatan yang lain. Model regresi yang baik adalah tidak terjadi heteroskedastisitas. Salah satu cara untuk mendeteksi ada atau tidaknya heteroskedastisitas adalah dengan melihat grafik plot antara nilai
Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .942a .887 .884 .705 1.682
a. Predictors: (Constant), LNPP, LNEPS, LNDPS b. Dependent Variable: LNHS
43
prediksi variabel terikat dengan residualnya. Jika ada pola tertentu, seperti titik – titik menyebar diatas dan dibawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.
Gambar 4.4 Uji Heteroskedastisitas
Berdasarkan gambar di atas terlihat bahwa titik – titik menyebar secara acak diatas dan dibawah angka 0 pada sumbu Y serta tidak membentuk pola tertentu atau tidak teratur. Hal ini menunjukkan bahwa tidak terjadi heteroskedastisitas pada model regresi.
44 2. Pengujian Hipotesis
Hipotesis diuji dengan menggunakan analisis regresi linear berganda. Analisis ini digunakan untuk mengetahui pengaruh variabel independen terhadap variabel dependen. Uji hipotesis menggunakan uji signifikansi parsial dan uji signifikansi simultan.
Sebelum melakukan pengujian hipotesis, perlu diketahui nilai koefisien determinasi (R2) yaitu untuk mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel dependen. Nilai R2 adalah antara nol dan satu. Nilai R2 yang kecil menunjukkan keterbatasan kemampuan variabel-variabel independen dalam menjelaskan variasi variabel dependen. Nilai yang mendekati satu berarti variabel-variabel independen memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen.
Hasil pengolahan data terlihat dibawah ini: Tabel 4.6 Koefisien Determinasi Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate 1 .942a .887 .884 .705
a. Predictors: (Constant), LNPP, LNEPS, LNDPS b. Dependent Variable: LNHS
Sumber : Output SPSS
Berdasarkan hasil model summary dapat diketahui bahwa nilai R2 adalah sebesar 0,887. Angka ini menunjukkan bahwa variabel independen yaitu
45
EPS,DPS dan pertumbuhan penjualan dapat menjelaskan variabel dependennya yaitu harga saham sebesar 88,7%. Sedangkan sisanya 11,3% dijelaskan oleh variabel lainnya yang tidak dimasukkan dalam model regresi.
a. Uji Signifikansi Parsial
Uji signifikansi parsial atau uji t digunakan untuk mengetahui pengaruh variabel independen secara individu terhadap variabel dependen. Hipotesis yang digunakan adalah:
H0 = variabel independen tidak berpengaruh secara parsial terhadap variabel dependen
H1= variabel independen berpengaruh secara sparsial terhadap variabel dependen.
Uji ini dilakukan dengan membandingkan signifikansi t hitung dengan ketentuan :
1. jika t hitung < t tabel pada α = 0,05 maka H0 diterima dan H1 ditolak 2. Jika t hitung > t tabel pada α = 0,05 maka H0 ditolak dan H1 diterima. Hasil uji t dapat dilihat pada tabel berikut:
46
Tabel 4.7
Uji Signifikansi Parsial
Sumber : Output SPSS
Hasil uji parsial dapat dijelaskan sebagai berikut:
1. Nilai t hitung variabel EPS adalah sebesar 6,63 sedangkan nilai ttabel
pada α = 0,05 diketahui sebesar 1,972. Dengan demikian thitung > t tabel sehingga Ho ditolak dan H1 diterima. Maka EPS secara parsial berpengaruh secara signifikan terhadap harga saham. 2. Nilai t hitung variabel DPS adalah sebesar 3,321 sedangkan nilai
ttabel pada α = 0,05 diketahui sebesar 1,972. Dengan demikian thitung > t tabel sehingga Ho ditolak dan H1 diterima. Maka DPS secara parsial berpengaruh secara signifikan terhadap harga saham.
3. Nilai t hitung variabel pertumbuhan penjualan adalah sebesar -0,664 sedangkan nilai ttabel pada α = 0,05 diketahui sebesar 1,972. Dengan demikian thitung < t tabel sehingga H0 diterima dan H1 ditolak. Maka pertumbuhan penjualan secara parsial tidak berpengaruh secara segnifikan terhadap harga saham.
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) 3.078 .286 10.744 .000 LNEPS .628 .095 .642 6.630 .000 LNDPS .276 .086 .312 3.221 .002 LNPP -.057 .086 -.022 -.664 .508 a. Dependent Variable: LNHS
47
Berdasarkan tabel 4.7, maka persamaan regresi dapat disusun sebagai berikut:
Y = 3,078 + 0,628 LNX1+ 0,276LNX2 – 0,57LNX3 Keterangan:
1. Konstanta sebesar 3,078 menunjukkan bahwa harga saham adalah sebesar 3,078 apabila variabel independen ditiadakan. 1. EPS memiliki koefisien bertanda positif sebesar 0,628 yang
berarti apabila terjadi kenaikan EPS sebesar 1% maka akan diikuti kenaikan harga saham sebesar 0,628% dengan asumsi variabel lain tetap.
2. DPS memiliki koefisien bertanda positif sebesar 0,276 yang berarti apabila terjadi kenaikan DPS sebesar 1% maka akan diikuti kenaikan harga saham sebesar 0,276% dengan asumsi variabel lain tetap.
3. Pertumbuhan penjualan memiliki koefisien bertanda negatif sebesar 0,57 yang berarti apabila terjadi kenaikan pertumbuhan penjualan sebesar 1% maka akan diikuti penurunan harga saham sebesar 0,57% dengan asumsi variabel lain tetap.
48 b. Uji Signifikansi Simultan
Uji signifikansi simultan atau uji F digunakan untuk menilai pengaruh variabel independen secara simultan terhadap variabel dependen. Dalam uji F digunakan hipotesis sebagai berikut:
H0 = tidak semua variabel independen berpengaruh secara parsial terhadap variabel dependen.
H1 = semua variabel independen berpengaruh secara simultan terhadap variabel dependen.
Uji ini dilakukan dengan membandingkan signifikansi F hitung dengan ketentuan :
1. jika F hitung < F tabel pada α = 0,05 maka H0 diterima dan H1 ditolak
3. jika F hitung > F tabel pada α = 0,05 maka H0 ditolak dan H1 diterima.
Berdasarkan hasil pengolahan data diperoleh hasil sebagai berikut:
Tabel 4.8
Uji Signifikansi Simultan ANOVAb
Model Sum of Squares df
Mean
Square F Sig.
1 Regression 411.705 3 137.235 275.743 .000a
Residual 52.258 105 .498
Total 463.963 108
a. Predictors: (Constant), LNPP, LNEPS, LNDPS b. Dependent Variable: LNHS
49
Dari tabel diatas diperoleh nilai F hitung sebesar 275,743 sedangkan nilai F tabel pada α = 0,05 diketahui sebesar 2,649. Dengan demikian F
hitung > Ftabel sehingga H0 ditolak dan H1 diterima. Maka dapat disimpulkan bahwa variabel EPS, DPS dan pertumbuhan penjualan berpengaruh secara simultan terhadap harga saham.
