BAB III METODE PENELITIAN
3.6 Metode Analisis Data
Metode analisis data yang digunakan pada peelitian ini adalah metode analisisis statistik dengan menggunakan SPSS, namun terlebih dahulu dilakukan uji asumsi klasik sebelum melakukan pengujian hipotesis.
3.6.1 Uji Asumsi Klasik
Salah satu syarat yang mendasari penggunaan model regresi adalah dipenuhinya semua asumsi klasik, agar pengujian tidak bersifat bias dan efisien (Best Linear Unbiased Estimator / BLUE).
a. Berdistribusi normal.
b. Non-Multikolinearitas, artinya antara variabel independen dalam model regresi tidak memiliki korelasi atau hubungan secara sempurna ataupun mendekati sempurna.
c. Non-Autokorelasi, artinya kesalahan pengganggu dalam model regresi tidak saling berkorelasi.
d. Homokedastisitas, artinya varians variabel independen dari satu pengamatan ke pengamatan lain adalah konstan atau sama.
3.6.1.1 Uji Normalitas
Uji ini bertujuan untuk mengetahui apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal (Ghozali, 2005). Uji ini ditujukan untuk mendapatkan kepastian terpenuhinya syarat normalitas yang akan mejamin dapat dipertanggungjawabkannya langkah – langkah analisis statistik sehingga kesimpulan yang diambil dapat dipertanggung jawabkan. Pedoman tentang data tersebut mendekati atau merupakan distribusi normal dapat didasarkan pada analisis grafik dan analisis statistik. Analisis grafik dilakukan dengan melihat grafik histogram yang membandingkan data observasi dengan distribusi yang mendekati distribusi normal atau mengikuti kurva membentuk lonceng dan grafik
normal probability plot yang membandingkan distribusi kumulatif dari
distribusi normal. Dasar pengambilan keputusan normal probability
a. Jika data menyebar sekitar garis diagonal dan mengikuti arah garis diagonal atau grafis histogramnya menunjukkan pola distribusi normal, maka model regresi memenuhi asumsi normalitas,
b. Jika menyebar jauh dari garis diagonal dan atau tidak mengikuti arah garis diagonal atau grafis histogramnya tidak menunjukkan pola distribusi normal, maka model regresi tidak memenuhi asumsi normalitas.
Analisis statistik dilakukan dengan uji statisti nonparametik Kolmogrov Smirnov (K-S). Bila nilai signifikan <0.05 berarti distribusi data tidak normal, sebaliknya bila nilai signifikan >0.05 berarti distribusi data normal (Ghozali, 2005).
Distribusi yang melanggar asumsi normalitas dapat dijadikan menjadi bentuk yang normal dengan beberapa cara sebagai berikut : 1. Transformasi Data
Transformasi data dapat dilakukan dengan logaritma natural (Ln), Log 10, maupun akar kuadrat. Jika ada data yang bernilai negatif, transformasi data dengan logaritma akan menghilangkannya sehingga jumlah sampel (n) akan berkurang.
2. Trimming
Trimming adalah memangkas atau membuang observasi yang
bersifat outlier. 3. Winzorising
Winzorising mengubah nilai – nilai outlier menjasi nilai – nilai
minimum atau maksimum yang diizinkan supaya distribusinya menjadi normal.
3.6.1.2 Uji Multikolinieritas
Uji multikolinieritas ini bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas (independen). Model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel bebas (Ghozali, 2005). Untuk mendeteksi ada atau tidaknya multikolinieritas dalam model regresi ini adalah dengan menganalisis matrik korelasi variabel – variabel bebas dan apabila korelasinya signifikan antar variabel bebas tersebut maka terjadi multikolinieritas.
3.6.1.3 Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam satu model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1atau sebelumnya. Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lain. Masalah ini timbul karena residual atau kesalahan pengganggu tidak bebas dari satu observasi ke observasi lainnya. Hal ini paling sering ditemukan pada data runtut waktu atau time series karena “gangguan” pada seorang individu/kelompok yang sama pada periode berikutnya. Model regresi yang baik adalah model regresi yang bebas dari autokorelasi. Untuk mengetahui adanya autokorelasi
dapat dideteksi dengan menggunakan Durbin Watson statistik. Apabila nilai DW lebih besar dari pada batas atas (du) maka tidak terdapat auto korelasi pada model regresi (Ghozali, 2005).
3.6.1.4 Uji Heteroskedastisitas
Uji Heteroskedatisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varians dari residual satu pengamatan ke pengamatan yang lain. Deteksi heteroskedastisitas dapat dilihat dari grafik Scatterplot antara nilai predikdi variabel dependen yaitu ZPRED dengan residualnya SRESID. Jika ada pola tertentu seperti titik – titik yang ada membenuk pola tertentu yang teratur, maka telah terjadi heteroskedastisitas. Sebaliknya jika tidak ada pola yang jelas serta titik - titik yang menyebar maka tidak tejadi heteroskedastisitas (Ghozali, 2005). Tindakan perbaikan yang dapat dilakukan jika terjadi heteroskedastisitas yaitu :
1. Transformasi dalam bentuk model regresi dengan membagi model regresi dengan salah satu variabel independen yang digunakan dalam model tersebut,
2. Transformasi logaritma.
3.6.2 Pengujian Hipotesis
Menurut (Gozali, 2006) ketepatan fungsi regresi dalam mengestimasi nilai aktual dapat diukur dari Goodness of Fit-nya. Secara statistik dapat diukur dari nilai statistik t, nilai statistik f dan koefisien determinasinya. Suatu
perhitungan statistik disebut signifikan secara statistik apabila nilai uji yang dikehendaki statistiknya berada dalam daerah kritis (daerah dimana Ho ditolak). Ho yang menyatakan bahwa variabel independen tidak berpengaruh secara parsial maupun simultan terhadap variabel dependen. Sebaliknya, disebut tidak signifikan apabila nilai uji statistiknya berada dalam daerah dimana Ho diterima.
3.6.2.1 Metode Regresi Linear Berganda
Dalam penelitian ini pengujian menggunakan statistic deskriptif untuk menganalisis data. Analisis data yang digunakan adalah metode deskriptif kuantitatif yang merupakan pencatatan data yang disertai angka-angka yang dapat memberikan gambaran yang objektif dari masalah yang dianalisis (Ningsih, 2011).
Teknik yang digunakan dalam penelitian ini adalah persamaan regresi linear berganda dengan menggunakan 4 (empat) variabel independen dan 1 (satu) variabel dependen. Untuk mengetahui ada atau tidaknya pengaruh Earning Per Share (EPS), Price Earnings
Ratio (PER), Debt to Equity Ratio (DER), dan Net Profit Margin
(NPM) terhadap harga saham dengan menggunakan metode regresi linear berganda yang menggunakan alat bantu SPSS (Statistical
Product and Service Solution). Hal ini dapat dinyatakan dalam
persamaan berikut:
Y= α+β1X1+β2X2+β3X3 +β4X4 +µ Keterangan :
Y :Harga Saham
α : Konstanta
β1,β2,β3,β4 : Koefisien Regresi X1 : Earning Per Share X2 : Price Earnings Ratio X3 : Debt to Equity Ratio X4 : Net Profit Margin
µ :Tingkat kesalahan pengganggu
3.6.2.2 Uji t (Uji Secara Parsial)
Uji secara parsial untuk menguji setip variabel bebas apakah mempunyai pengaruh atau tidak terhadap variabel terikat. Bentuk pengujiannya adalah :
1. Ho : bi = 0, artinya tidak ada pengaruh secara signifikan dari variabel bebas terhadap variabel terikat.
2. Ho : bi ≠ 0, artinya ada pengaruh secara signifikan dari variabel bebas terhadap variabel terikat.
Dengan menggunakan tingkat signifikan (alpha) 5% dan derajat kebebasan (df)≥20, kemudian dibandingkan ttabel dengan thitung untuk menguji signifikan pengaruh. Untuk menilai thitung digunakan rumus sebagai berikut :
1. Jika thitung> ttabel maka Ho ditolak yang berarti ada pengaruh yang signifikan secara parsial dari variabel independen terhadap variabel dependen.
2. Jika thitung< ttabel maka Ho diterima yang berarti tidak ada pengaruh yang signifikan secara parsial dari variabel independen terhadap variabel dependen.
(Ghozali, 2006).
3.6.2.3 Uji f (Uji Secara Simultan)
Uji statistik F pada dasarnya menunjukkan apakah semua variabel
bebas yang dimasukkan dalam model mempunyai pengaruh secara simultan terhadap variabel terikat. Pengujian ini dilakukan dengan menggunakan uji dua arah dengan hipotesis sebagai berikut :
1. Ho : b1 = b2 = b3 = b4 = 0, artinya tidak ada pengaruh yang signifikan dari variabel independen secara bersama-sama atau simultan terhadap variabel dependen.
2. Ho : b1≠ b2 ≠ b3 ≠ b4≠ 0, artinya ada pengaruh yang signifikan dari variabel independen secara bersama-sama atau simultan terhadap variabel dependen.
Penentuan besarnya Fhitung menggunakan rumus :
k : Jumlah Variabel n : Jumlah Observasi
Kriteria pengujian yang digunakan adalah sebagai berikut :
1. Jika Fhitung< Ftabel maka Ho diterima yang berarti tidak ada pengaruh yang signifikan dari variabel independen secara bersama-sama atau simultan terhadap variabel dependen.
2. Jika Fhitung> Ftabel maka Ho ditolak yang berarti ada pengaruh yang signifikan dari variabel independen secara bersama-sama atau simultan terhadap variabel dependen.
(Ghozali, 2006).
3.6.2.4 Koefisien Determinasi
Koefisien Determinasi (R)2 pada intinya mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel dependen. Besarnya koefisien daterminasi ini adalah 0 sampai dengan 1. Nilai R2 yang kecil berarti kemmpuan variabel – variabel independen dalam menjelaskan variasi variabel dependen amat terbatas. Nilai yang mendekati 1 berarti variabel – variabel independen memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen (Ghozali, 2006).