BAB IV HASIL DAN PEMBAHASAN
4.1 Hasil Penelitian
4.1.1 Gambaran Singkat Objek Penelitian
Sumber data dalam penelitian ini adalah perusahaan yang bergerak
dalam bidang perbankan yang terdaftar di Bursa Efek Indonesia periode
2010-2013.Perusahaan yang bergerak di bidang perbankan yang terdaftar
di Bursa Efek Indonesia untuk tahun 2010 sampai dengan tahun 2013 dan
yang listing serta mencantumkan laporan keuangan per periode akuntansi yang menjadi penelitian berjumlah 20 perusahaan. Penelitian ini dilakukan
untuk mengetahui apakah ada pengaruh struktur aset, struktur modal, dan
profitabilitas terhadap return saham pada perusahaan perbankan yang terdaftar di bursa efek Indonesia yang dilakukan pengujian secara empiris
terhadap 20 perusahaan.
4.1.2. Statistik Deskriptif
Variabel-variabel dalam penelitian ini dimasukkan ke program
SPSS dan menghasilkan output-output sesuai metode analisis data yang telah ditentukan. Berikut ini ditampilkan data statistik secara umum dari
Tabel 4.1
Output SPSS Statistik Deskriptif Descriptive Statistics
N Minimum Maximum Mean Std. Deviation
S.ASET 80 .00 2.44 1.0129 .47292 DER 80 -4.61 2.75 1.9798 .86720 DAR 80 .00 1.61 1.5105 .17621 LDER 80 .00 2.45 1.4837 .45096 LDAR 80 -4.61 4.79 -2.8828 2.08283 EAR 80 .86 2.60 1.3722 .30214 ROA 80 -2.04 2.19 .6623 .76609 ROE 80 -3.91 11.37 4.0135 2.16388 RETURN 80 .00 2.03 1.4603 .53767 Valid N (listwise) 80
Sumber: Pengolahan Data SPSS, Maret 2015
Dari tabel tersebut dapat dijelaskan bahwa:
1. Rata-rata Struktur Aset adalah sebesar 1.0129 dengan standar deviasi
sebesar 0.47292, dengan nilai maksimum sebesar 2.44, dan nilai
minimum yakni 0.00
2. Rata-rata Struktur Modal yang diproksikan kedalam Debt to Equity Ratio adalah sebesar 1.9798 dengan standar deviasi 0.86720, nilai maksimum 2.75 dan nilai minimum -4.61.
3. Rata-rata struktur modal yang diproksikan kedalam Debt to Asset Ratio adalah sebesar 1.5105 dengan standar deviasi 0.17621, dengan nilai maksimum 1.61 dan nilai minimum 0.00
4. Rata-rata struktur modal yang diproksikan kedalam Long Debt to Equity ratio adalah sebesar 1.4837 dengan standar deviasi sebesar 0.45096, nilai maksimum 2.45, dan nilai minimum 0.00
5. Rata-rata struktur modal yang diproksikan ke dalam Long Debt to Asset Ratio adalah sebesar -2.8828 dengan standar deviasi sebesar 2.08283, nilai maksimum 4.79 dan nilai minimum sebesar -4.61.
6. Rata-rata struktur modal yang diproksikan kedalam Equtiy to Asset Ratio adalah sebesar 1.3722 dengan standar deviasi 0.30214, dengan nilai maksimum 2.60 dan nilai minimum 0.86.
7. Rata-rata profitabilitas yang diproksikan kedalam Return on Asset
adalah sebesar 0.6623 dengan standar deviasi 0.76609, dengan nilai
maksimum sebesar 2.19 dan nilai minimum -2.04.
8. Rata-rata profitabilitas yang diproksikan kedalam Return on Equity
adalah sebesar 4.0135 dengan standar deviasi sebesar 2.16388, dengan
nilai maksimum sebesar 11.37, dan nilai minimum -3.91.
9. Rata-rata return saham adalah 1.4603, dengan standar deviasi sebesar 0.53767, dan nilai maksimum 2.03, dan nilai minimum 0.0
4.1.3. Uji Asumsi Klasik
Uji asumsi klasik dilakukan untuk mengetahui kondisi data yang
digunakan dalam sebuah penelitian.Hal ini dilakukan agar diperoleh model
analisis yang tepat untuk digunakan dalam penelitian ini. Adapun uji
asumsi klasik yang dilakukan meliputi; Uji normalitas, uji
4.1.3.1. Uji Normalitas
Uji normalitas dilakukan untuk mengetahui apakah data yang
digunakan memiliki distribusi normal atau mendekati normal dengan
melihat normal probability plot. Uji normalitas yang pertama dilakukan adalah berdasarkan grafik secara histogram yang terlihat pada gambar 4.1.
Sumber: Pengolahan Data SPSS, Maret 2015 Gambar 4.1
Gambar Grafik Histogram
Berdasarkan Gambar 4.1 terlihat bahwa pola distribusi normal,
akan tetapi jika kesimpulan normal atau 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
distribusi kumulatif dan distribusi normal. 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 dalam gambar 4.2 berikut:
Sumber: Pengolahan Data SPSS, Maret 2015 Gambar 4.2
Normal Probability Plot
Berdasarkan grafik profitabilitas pada gambar 4.2 di atas
menunjukkan bahwa data telah terdistribusi secara normal karena
distribusi data residualnya mengikuti arah garis diagonal (garis normal).
Pengujian normalitas data secara analisis statistik dapat dilakukan dengan
ditunjukkan dengan nilai signifikansi diatas 0.05. Sedangkan, data yang
tidak berdistribusi normal ditunjukkan dengan nilai signifikansi dibawah
0.05 (Ghozali,2007:12).
Tabel 4.2
Hasil Uji Normalitas dengan Kolmogorov-Smirnov One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 80
Normal Parametersa,b Mean 0E-7
Std. Deviation .49559215
Most Extreme Differences
Absolute .213
Positive .102
Negative -.213
Kolmogorov-Smirnov Z 1.905
Asymp. Sig. (2-tailed) .501
a. Test distribution is Normal. b. Calculated from data.
Sumber: Pengolahan Data SPSS, Maret 2015
Berdasarkan hasil uji normalitas dengan Kolmogorov-Smirnov
(Data Asli) diatas, terlihat bahwa data telah terdistribusi dengan normal
yang mana terlihat bahwa nilai signifikansi diatas 0.05 yaitu sebesar 0.501
dan nilai Kolmogorov-Smirnov Z sebesar 1.905.
4.1.3.2. Uji Multikolinearitas
Uji multikolinearitas dilakukan untuk mengetahui ada atau
tidaknya hubungan linear antara variabel independen dalam model regresi dimana prasyarat dalam model regresi adalah tidak adanya
Tabel 4.3
Hasil Uji Multikolinearitas Coefficientsa
Model Collinearity Statistics
Tolerance VIF 1 (Constant) S.ASET .505 1.980 DER .141 7.091 DAR .150 6.657 LDER .428 2.336 LDAR .680 1.470 EAR .236 4.236 ROA .181 5.512 ROE .318 3.149
a. Dependent Variable: RETURN
Sumber: Pengolahan Data SPSS, Maret 2015
Berdasarkan aturan Variance Inflation Factor (VIF) dan
Tolerance, apabila VIF melebihi angka 10 atau Tolerance kurangdari 0.10 maka dinyatakan terjadi gejala multikolinearitas, sebaliknya apabila VIF
kurang dari 10 atau Tolerance lebih dari 0.10 maka dinyatakan tidak terjadi gejala multikolinearitas. Dalam penelitian ini data yang digunakan
dalam uji multikolinearitas ini adalah data dari variabel independen.
Berdasarkan tabel 4.3 diatas diketahui masing-masing nilai VIF sebagai
berikut:
a. Nilai VIF untuk variabel S.ASET adalah 1.980< 10 dengan nilai
Tolerance adalah 0.505 > 0.10 maka variabel S.ASET dapat dinyatakan tidak terjadi gejala multikolinearitas.
b. Nilai VIF untuk variabel DER adalah 7.091< 10 dengan nilai Tolerance
adalah 0.141 > 0.10 maka variabel DER dapat dinyatakan tidak terjadi
gejala multikolinearitas.
c. Nilai VIF untuk variabel DAR adalah 6.657< 10 dengan nilai Tolerance
adalah 0.150> 0.10 maka variabel DAR dapat dinyatakan tidak terjadi
gejala multikolinearitas.
d. Nilai VIF untuk variabel LDER adalah 2.336< 10 dengan nilai Tolerance
adalah 0.428> 0.10 maka variabel LDER dapat dinyatakan tidak terjadi
gejala multikolinearitas.
e. Nilai VIF untuk variabel LDAR adalah 1.470< 10 dengan nilai Tolerance
adalah 0.680 > 0.10 maka variabel LDAR dapat dinyatakan tidak terjadi
gejala multikolinearitas.
f. Nilai VIF untuk variabel EAR adalah 4.236< 10 dengan nilai Tolerance
adalah 0.236> 0.10 maka variabel EAR dapat dinyatakan tidak terjadi
gejala multikolinearitas.
g. Nilai VIF untuk variabel ROA adalah 5.512< 10 dengan nilai Tolerance
adalah 0.181> 0.10 maka variabel ROA dapat dinyatakan tidak terjadi
gejala multikolinearitas.
h. Nilai VIF untuk variabel ROE adalah 3.149< 10 dengan nilai Tolerance
variabel ROE adalah 0.318> 0.10 maka variabel ROE dapat dinyatakan
4.1.3.3. Uji Heteroskedastisitas
Uji ini bertujuan untuk menguji apakah dalam model regresi terjadi
ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Jika variance dari residual satu pengamatan ke pengamatan lain tetap, maka disebut homoskedastisitas, dan jika variance dari residual satu pengamatan ke pengamatan lain berbeda disebut heteroskedastisitas.
Untuk mendeteksi ada atau tidaknya heteroskedastisitas dapat dilakukan
dengan melihat grafik scatterplot, dengan dasar analisis (Ghozali, 2005:139).
1. Jika pola tertentu, seperti titik - titik yang ada membentuk pola
tertentu yang teratur (bergelombang, melebar kemudian menyempit),
maka mengindikasikan telah terjadi heteroskedastisitas.
2. Jika tidak ada pola yang jelas, serta titik – titik menyebar di atas dan dibawah angka 0 pada sumbu Y, maka tidak terjadi
heteroskedastisitas.
Hasil uji heteroskedastisitas dengan menggunakan grafik
Sumber: Pengolahan Data SPSS, Maret 2015 Gambar 4.3
Grafik Scatterplot
Pada grafik scatterplot diatas, terlihat titik –titik menyebar secara acak, serta tersebar baik diatas maupun dibawah angka 0 pada sumbu Y
sehingga dapat diambil kesimpulan bahwa tidak terdapat gejala
heteroskedastisitas pada model regresi yang digunakan.
4.1.3.4. Uji Autokorelasi
Uji autokorelasi dilakukan untuk menguji apakah sebuah model
regresi terdapat korelasi antara kesalahan pengganggu padaperiode t
dengan kesalahan pengganggu pada periode t-1 atau sebelumnya (Ghozali,
mendeteksi ada atau tidaknya autokorelasi, peneliti menggunakan Durbin -
Watson (DW test). Hasil pengujian autokorelasi dapat dilihat pada tabel
berikut:
Tabel 4.4
Hasil Uji Autokorelasi dengan Durbin-Watson Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .388a .150 .055 .52277 2.258
Predictors: (Constant), ROE, DAR, LDAR, EAR, S.ASET, LDER, ROA, DER
b. Dependent Variable: RETURN
Sumber: Pengolahan Data SPSS, Maret 2015
Berdasarkan hasil pengujian Durbin-Watson dengan menggunakan SPSS
20.0 maka diperoleh nilai Durbin-Watson sebesar 2.258, yang berarti berdasarkan
kriteria Durbin-Watson hasil tersebut 1.65 < 2.258 < 2.35 yang berarti tidak
terjadi autokorelasi.