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 di peroleh 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 laba per lembar saham (earning per share), ukuran perusahaan (firm size), perbandingan nilai buku terhadap nilai pasar perusahaan (book value to market ratio), momentum sebagai variabel independen dan return saham
sebagai variabel dependennya. Statistik deskriptif dari variabel tersebut
dari sampel perusahaan manufaktur go publicyang terdaftar di BEI selama 2009 hingga 2011 disajikan dalam tabel dibawah ini:
Sumber: SPSS 17, Data diolah 2013
Berikut ini adalah perincian deskriptif dari data yang telah diolah:
1. Variabel Return Saham mempunya nilai minimum -0.017, nilai maksimum 34.758, nilai rata – rata 1.66531, dan standar deviasi 4.728159 dengan jumlah sampel 90.
2. Variabel laba per lembar saham (earning per share)memiliki nilai minimum 1.01, nilai maksimum 21021.17, rata-rata 1174.82419, dan standart deviasi 3034.228868 dengan jumlah sampel 90.
Tabel 4.1 Analisis Deskriptif
Descriptive Statistics
N Minimum Maximum Mean Std. Deviation
RETURN SAHAM 90 .017 34.758 1.66531 4.728159
EARNING PER SHARE 90 1.010 21021.170 1174.82419 3034.228868
FIRM SIZE 90 .690 11.940 6.26408 2.996044
BOOK VALUE TO MARKET RATIO
90 .020 20.330 1.27911 2.801564
MOMENTUM 90 20.000 172050.000 9268.77778 2.347883E4
3. Variabel ukuran perusahaan (firm size) memiliki nilai minimum 0.69 nilai maksimum 11.94, rata-rata 6.26408 dan standard deviasi 2.996044 dengan jumlah sampel 90.
4. Variabel book to market ratio memiliki nilai minimum 0.02, nilai maksimum 20.33 dan rata-rata 1.27911 dan standard deviasi 2.347883 dengan jumlah sampel 90.
5. Variabel momentum perusahaan memiliki nilai minimum 20, nilai maksimum 172050 dan rata-rata 9268.77778dan 23909.4 dengan jumlah sampel 90.
Dari keterangan diatas dapat dilihat standart deviasi yang lebih tinggi dari pada nilai rata-rata.Standar deviasi yang besar menandakan bahwa data yang diteliti memiliki tingkat penyimpangan yang tinggi atau dapat dikatakan data bersifat heterogen.
4.2.2. Asumsi Klasik
Asumsi klasik merupakan metode pengujian data yang kebiasaandigunakan oleh dosen Universitas Sumatera Utara khususnya Fakultas Ekonomi Universitas Sumatera Utara.
4.2.2.1. Uji Normalitas Data
1. Uji Grafik
Pengujian dengan grafik histogram dengan kriteria pola distribusi yang tidak menceng ke kiri dan kekanan maka dapat
dinyatakan bahwa distribusi data berasal dari populasi yang terdistribusi normal.Pengujian normalitas menggunakan P-P Plot, dengan kriteria, apabila titik-titik pada P-P Plot berada pada garis lurus, maka dapat dinyatakan bahwa distribusi data berasal dari populasi yang terdistribusi normal.
Gambar 4.1
Hasil Normalitas Grafik Histogram
Dari gambar grafik diatas terlihat bahwa grafik Histogram menandakan ada nya kenormalan data, setelah adanya normalitas pada data yang tidak normal.
Gambar 4.2
Hasil Grafik Normal P-Plot
Berdasarkan hasil histogram dan diagram P-P Plot diatas dapat diketahui bahwa grafik histogram memberikan pola distribusi yang normal dan titik-titik menyebar di sekitar garis lurus, seperti tampak pada gambar p-plot di atas, hal ini berarti bahwa data penelitian ini telah diambil dari populasi yang terdistribusi normal.
2. Uji Statistik
Untuk mendeteksi normalitas data, dapat pula dilakukan melalui analisis statistik Kolmogorov-Smirnov Test (K-S). Uji K-S dilakukan dengan membuat hipotesis :
H0 = Data residual terdistribusi normal. H1 = Data residual tidak terdistribusi normal.
Dasar pengambilan keputusan dalam uji K-S adalah sebagai berikut:
a) Apabila probabilitas nilai Z uji K-S signifikan secara statistik ditolak, yang berarti data terdistribusi tidak normal. b) Apabila probabilitas nilai Z uji K-S tidak signifikan secara statik maka H0 diterima, yang berarti data terdistribusi normal.
Tabel 4.2
Uji Normalitas Data
Sumber: SPSS 17 Data diolah 2012
Dari hasil pengolahan data tersebut, besar nilai Kolmogorov-Smirnov adalah 0.613 dan signifikansi pada 0.846 maka disimpulkan data terdistribusi secara normal karena p=0,846>0,05 yang menunjukkan Ho diterima. Hal ini sejalan dengan hasil yang didapatkan dari uji grafik normal diagram dan plot data.
4.2.2.2 Uji Multikolineritas
Pengujian multikolinearitas dilakukan untuk membuktikan apakah variabel bebas pada penelitian ini dapat diasumsikan tidak saling berintervensi ketika dibuat pemodelan dengan variabel terikat. Kriteria
One-Sample Kolmogorov-Smirnov Test
Unstandardized Predicted Value
N 90
Normal Parametersa,,b Mean -.6522880
Std. Deviation .80978002
Most Extreme Differences Absolute .065
Positive .065
Negative -.046
Kolmogorov-Smirnov Z .613
Asymp. Sig. (2-tailed) .846
a. Test distribution is Normal. b. Calculated from data.
dinyatakan bahwa variabel bebas tidak saling intervensi satu sama lain ketika :
1. Jika nilai tolerance >10 persen dan nilai VIF < 10, maka dapat disimpulkan bahwa tidak ada multikolinearitas antar variabel independen dalam model regresi.
2. Jika nilai tolerance < 10 persen dan nilai VIF > 10, maka dapa disimpulkan bahwa ada multikolinearitas antar variabel independen dalam model regresi.
Sumber: SPSS 17, Data diolah 2012
Pada tabel rangkuman hasil uji multikolinearitas di atas, diperoleh harga VIF tidak ada yang melebihi dari nilai 10 dan Tolerance >0, 10, dengan demikian dapat disimpulkan bahwa model regresi tersebut tidak
Table 4.3 Uji Multikolinearitas Coefficientsa Model Collinearity Statistics Tolerance VIF 1 LN_EarningPerShare .799 1.252 LN_FirmSize .902 1.108 LN_BookToMarketRatio .792 1.263 LN_Momentum .788 1.269
terdapat masalah multikolinieritas antar variabel independen dalam model regresi.
4.2.2.3 Uji Heterokedastisitas
Uji heteroskedastisitas digunakan untuk mengetahui apakah residu pada model regresi bersifat heterogen atau homogen. Apabila bersifat heterogen, akan menyebabkan model regresi tidak mampu meramalkan dengan akurat, karena memiliki residu yang tidak teratur. Pada penelitian ini untuk mengatahui ada atau tidaknya problem heteroskedastisitas digunakan scatter plot. Kriterianya adalah apabila titik-titik pada scatter plot atau diagram pencar tidak membentuk pola tertentu, maka dapat dinyatakan bahwa model regresi tidak terkendala heteroskedastisitas.
Gambar 4.3
Uji Heterokedasitas Normalitas Data
Berdasarkan grafik scatter plot diatas dapat disimpulkan bahwa model regresi tidak terkendala heteroskedastisitas, karena diagram pencar tidak membentuk pola tertentu.
4.2.2.4 Uji Autokorelasi
Masalah autokorelasi biasanya terjadi ketika penelitian memiliki data yang terkait dengan unsur waktu (times series). Data pada penelitian ini memiliki unsur waktu karena didapatkan antara tahun 2009 – 2011, sehingga perlu mengetahui apakah model regresi akan terganggu oleh autokorelasi atau tidak.
Untuk mendeteksi masalah autokorelasi dapat dilakukan dengan menggunakan uji Durbin Watson.Mengacu kepada pendapat Sunyoto (2009:91), Pengambilan keputusan ada tidaknya autokorelasi adalah sebagai berikut:
a. angka D-W dibawah -2 berarti ada autokorelasi positif,
b. angka D-W diantara -2 sampai +2 berarti tidak ada autokorelasi,
Tabel 4.4
Hasil Uji Autokorelasi
Tabel 4.4 memperlihatkan nilai statistik D-W sebesar 1,847 Angka ini terletak di antara -2 sampai +2, dari pengamatan ini dapat disimpulkan bahwa tidak terjadi autokorelasi dalam penelitian ini.