BAB IV HASIL PENELITIAN DAN PEMBAHASAN
4.2 Hasil Penelitian
4.2.1 Analisis Statistik Deskriptif
Informasi yang dibutuhkan dalam penelitian ini adalah data sekunder yang diperoleh dari www.idx.co.id berupa data keuangan perusahaan manufaktur dari tahun 2009-2011 yang dijabarkan dalam bentuk statistik. Variabel yang digunakan dalam penelitian ini adalah arus kas dari aktivitas operasi, arus kas dari aktivitas investasi, arus kas dari aktivitas pendanaan, laba setelah pajak, dan ukuran
perusahaan sebagai variabel independen dan return saham sebagai variabel dependennya. Statistik deskriptif dari variabel tersebut dari sampel perusahaan manufaktur go public yang terdaftar di BEI selama 2009 hingga 2011 disajikan dalam tabel di bawah ini:
Tabel 4.1 Analisis Deskriptif
Descriptive Statistics
N Minimum Maximum Mean Std. Deviation Arus Kas dari
Aktivitas Operasi
Arus Kas dari Aktivitas Investasi
Arus Kas dari Aktivitas Pendanaan Laba setelah Pajak Ukuran Perusahaan Return Saham Valid N (listwise) 90 90 90 90 90 90 90 -772330000000,00 -8677000000000,00 -12131100000000,00 -558630000000,00 26,33 -,76 11335000000000,00 140822000000,00 5382000000000,00 17785000000000,00 32,66 4,17 1576514950347,6782 -766482745875,6000 -497736060810,0334 1520259085435,4558 28,7966 ,5906 2565598162366,63570 1571072275794,06880 1771836486896,56540 2938672290678,15100 1,52061 ,85077
Sumber: SPSS 17, Data diolah 2013
Pada tabel 4.1 di atas menunjukkan bahwa N atau jumlah data pada setiap variabel adalah 90 yang diteliti selama periode 2009 - 2011. Dari 90 sampel data arus kas dari aktivitas operasi, nilai minimum sebesar -772330000000, nilai maksimum sebesar 11335000000000. Dari 90 sampel data arus kas dari aktivitas
investasi, nilai minimum sebesar -8677000000000 dan nilai maksimum sebesar 140822000000. Dari 90 sampel data arus kas dari aktivitas pendanaan, nilai minimum sebesar -12131100000000 dan nilai maksimum sebesar 5382000000000. Dari 90 sampel data laba setelah pajak, nilai minimum sebesar -558630000000 dan nilai maksimum sebesar 17785000000000. Dari 90 sampel data ukuran perusahaan, nilai minimum sebesar 26,33 dan nilai maksimum sebesar 32,66. Dari 90 sampel data return saham, nilai minimum sebesar -0,76 dan nilai maksimum sebesar 4,17.
Standar deviasi menunjukkan seberapa jauh kemungkinan nilai yang diperoleh menyimpang dari nilai yang diharapkan. Semakin besar nilai standar deviasi maka semakin besar kemungkinan nilai riil menyimpang dari yang diharapkan.
4.2.2 Uji Asumsi Klasik 4.2.2.1Uji Normalitas
Uji normalitas akan dideteksi melalui dua cara, yaitu analisis grafik (Histogram dan Normal P-Plots) dan analisis statisik (Non-Parametrik Kolmogorov-Smirnov). Uji ini bertujuan untuk menguji apakah dalam model regresi variabel terikat dan variabel bebas, keduanya mempunyai distribusi normal atau tidak. Model regresi yang baik adalah memiliki distribusi data normal atau mendekati normal. Untuk
mengetahui normalitas adalah dengan menggunakan metode sebagai berikut:
1. Analisis Grafik
Analisis grafik dilakukan dengan melihat grafik histogram dan grafik normal probability plot (Normal P-Plots) berikut ini:
Grafik 4.1
Hasil Uji Normalitas melalui Histogram
Gambar 4.1 Grafik Histogram Sumber: Data sekunder yang diolah
Dari gambar di atas 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 adalah dengan melihat normal probability plot yang membandingkan distribusi kumulatif dari 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 pada gambar berikut:
Gambar 4.2 Grafik Normal P-Plot
Grafik probabilitas pada gambar di atas menunjukkan data terdistribusi secara normal karena distribusi data residualnya terlihat mendekati garis normalnya. Pengujian normalitas data secara analisis statistik dapat dilakukan dengan menggunakan Uji
Kolmogorov–Smirnov. Data yang berdistribusi normal
ditunjukkan dengan nilai signifikansi di atas 0,05 (Ghozali, 2009: 165). Hasil pengujian normalitas data terlihat dalam tabel berikut ini:
Tabel 4.2
Hasil Uji Normalitas dengan Kolmogorov-Smirnov
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual N 70 Normal Parametersa,,b Mean ,0000000 Std. Deviation ,40283858 Most Extreme Differences Absolute ,073 Positive ,073 Negative -,067 Kolmogorov-Smirnov Z ,612
Asymp. Sig. (2-tailed) ,847
a. Test distribution is normal. b. Calculated from data.
Dari hasil pengolahan data tersebut, besar nilai
Kolmogorov-Smirnov adalah 0,612 dan signifikansi pada
0,847, maka disimpulkan data terdistribusi secara normal karena p = 0,847 > 0,05 yang menunjukkan H0 diterima. Hal ini sejalan dengan hasil yang didapatkan dari uji grafik normal diagram dan plot data.
4.2.2.2 Uji Multikolineritas
Uji ini bertujuan menguji apakah pada model regresi ditemukan adanya korelasi antar variabel independen. Hal ini dapat dilihat dari nilai Variance Inflation Factor (VIF) dan nilai Tolerance, apabila nilai VIF > 10 dan nilai Tolerance < 0,1 maka terjadi multikolinearitas dan apabila nilai VIF < 10 dan nilai Tolerance > 0,1 maka tidak terjadi multikolineraritas.
Tabel 4.3
Hasil Uji Multikolinearitas
Coefficientsa
Model Collinearity Statistics
Tolerance
Vif
1 Arus Kas dari Aktivitas
Operasi
.217 4.616
Arus Kas dari Aktivitas Investasi
.128 7.794
Arus Kas dari Aktivitas Pendanaan
.457 2.190
Laba Setelah Pajak .258 3.875
Ukuran Perusahaan .309 3.234
a. Dependent Variable: Return Saham
Dari hasil pengujian di atas dapat dilihat bahwa angka
Tolerance variabel independennya > 0,10 dan VIF-nya < 10 maka tidak ada multikolinearitas antar variabel independen tersebut.
4.2.2.3 Uji Heteroskedastisitas
Uji heteroskesdastisitas 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 berbeda disebut heteroskedastisitas. Model regresi yang baik adalah yang homoskedastisitas atau tidak terjadi heteroskedastisitas. Untuk mendeteksi ada tidaknya heteroskedastisitas, menurut Ghozali (2005:105), dapat dilihat dari grafik scatterplot antara lain prediksi variabel dependen, yaitu ZPRED dengan residualnya SRESID. Dasar pengambilan keputusannya adalah:
1) jika ada 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, seperti titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas atau terjadi homoskedastisitas.
Hasil uji heteroskedastisitas dengan menggunakan grafik Scatterplot ditunjukkan pada Gambar 4.3 di bawah ini:
Gambar 4.3 Grafik Scatterplot
Pada grafik scatterplot terlihat bahwa titik-titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y, sehingga dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi.
4.2.2.4 Uji Autokorelasi
Uji ini bertujuan untuk melihat apakah dalam suatu model regresi linear ada korelasi antar kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1. Berikut ini merupakan hasil Uji Durbin-Watsonyang digunakan.
Tabel 4.4 Uji Durbin-Watson Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .361a .131 .063 .41828 1.923
a. Predictors: (Constant), Ukuran Perusahaan, Arus Kas dari Aktivitas Pendanaan, Laba setelah Pajak, Arus Kas dari Aktivitas Operasi, Arus Kas dari Aktivitas Investasi
b. DependentVariable: Return Saham
Dari hasil pengolahan data diperoleh nilai Durbin-Watson sebesar 1,923. Angka ini terletak diantara -2 dan +2, maka dapat disimpulkan bahwa tidak terjadi autokorelasi positif maupun autokorelasi negatif dalam penelitian ini.
4.2.3 Uji Analisis Regresi Berganda
Tabel 4.5 Analisis Regresi Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) 3.991 1.663 2.399 .019
Arus Kas dari Aktivitas
Operasi 4.998 .000 .266 1.062 .292
Arus Kas dari Aktivitas Investasi
7.042 .000 .003 .008 .993
Arus Kas dari Aktivitas
Pendanaan -8.246 .000 -.231 -1.336 .186
Laba setelah Pajak 4.935 .000 .345 1.502 .138
Ukuran Perusahaan -.135 .060 -.475 -2.267 .027
a. Dependent Variable: Return Saham
Sumber: Data sekunder yang diolah
Pada tabel coefficients yang diinterpretasikan adalah nilai dalam kolom B, baris pertama menunjukkan konstanta variabel independen. Dengan melihat tabel 4.5 di atas, dapat disusun persamaan regresi sebagai berikut:
Return Saham = 3.991 + 4.998 AKDAO + 7.042 AKDAI – 8.246
AKDAP + 4.935 Laba setelah Pajak – 0.135 Ukuran Perusahaan.
Dari persamaan regresi tersebut di atas, maka dapat dianalisis sebagai berikut:
a. konstanta sebesar 3.991 menyatakan bahwa jika nilai variabel independen adalah nol maka rata–rata return saham adalah sebesar 3.991.
b. koefisien regresi arus kas dari aktivitas operasi sebesar 4.998 menyatakan bahwa setiap penambahan variabel tersebut sebesar 1% maka akan meningkatkan return saham sebesar 4.998 %. c. koefisien regresi arus kas dari aktivitas investasi sebesar 7.042
menyatakan bahwa setiap penambahan variabel tersebut sebesar 1% maka akan meningkatkan return saham sebesar 7.042 %. d. koefisien regresi arus kas dari aktivitas pendanaan sebesar – 8.246
menyatakan bahwa setiap penambahan variabel tersebut sebesar 1% maka akan mengurangi return saham sebesar – 8.246 %.
e. koefisien regresi laba setelah pajak sebesar 4.935 menyatakan bahwa setiap penambahan variabel tersebut sebesar 1% maka akan meningkatkan return saham sebesar 4.935%.
f. koefisien regresi ukuran perusahaan sebesar – 0.135 menyatakan bahwa setiap penambahan variabel tersebut sebesar 1% maka akan mengurangi return saham sebesar – 0.135 %.