BAB III METODE PENELITIAN
D. Metode Pengumpulan Data
Pengumpulan data pada penelitian ini dilakukan dengan teknik dokumentasi,
dimana peneliti mempelajari, mengklasifikasikan, dan menganalisis data sekunder
berupa laporan keuangan setiap perusahaan sampel selama periode penelitian
(tahun 2006 dan tahun 2008). Sumber data adalah softcopy Indonesian Capital
Market Directory (ICMD) 2008
E. Definisi Operasional dan Pengukuran Variabel
Variabel-variabel yang digunakan dalam penelitian ini adalah:
Variabel dependen adalah variabel yang dipengaruhi oleh besarnya
variabel independen. Variabel dependen yang digunakan dalam penelitian ini
adalah harga saham. Harga saham dalam penelitian ini adalah harga penutupan
saham (closing price) pada setiap akhir periode.
2. Variabel independen
Menurut Erlina (2008:43) variabel independen adalah variabel yang dapat
mempengaruhi perubahan dalam variabel dependen dan mempunyai hubungan
positif dan negatif bagi variabel dependen lainnya. Variabel independen yang
digunakan dalam penelitian ini terdiri dari dua variabel indikator, yaitu:
a. Earning Per Share (EPS)
Earning Per Share atau laba per lembar saham merupakan ukuran
kemampuan perusahaan untuk menghasilkan keuntungan per lembar
saham pemilik. Laba yang digunakan adalah laba bagi pemilik, yaitu EAT
(Earning After Tax). Earning per share dapat dirumuskan sebagai berikut:
b. Dividend Per Share (DPS)
Dividend per share atau dividen per lembar saham merupakan ukuran
kemampuan perusahaan dalam menghasilkan kepastian dari modal yang
ditanamkannya, yaitu berupa dividen. Dividen merupakan distribusi laba
kepada para pemegang saham dalam bentuk aktiva atau saham perusahaan
Dari pejelasan di atas, maka variabel-variabel yang akan diteliti dapat
dioperasionalisasikan sebagai berikut:
Tabel 3.2
Defenisi Operasional dan Pengukuran Variabel
Variab el
Defenisi
Operasional Pengukuran kala
Variabe l Independen (X1) Earnin g Per Share (EPS) Rasio yang menunjukkan kemampuan laba perusahaan untuk menghasilkan laba per lembar saham pemilik.
asio Variabe l Independen (X2) Dividend Per Share (DPS) Nilai yang menunjukkan jumlah uang yang dibayarkan kepada pemegang saham. asio Variabe l Dependen (Y) Harga saham Harga saham pada saat closing price.
Closing Price
asio
F. Metode Analisis Data
Dalam penelitian ini, metode analisis data dilakukan dengan menggunakan
metode analisis statistik dan menggunakan software SPSS 16.0.
1. Uji Asumsi Klasik
Metode analisis data yang digunakan dalam penelitian ini model analisis
regresi sederhana dengan menggunakan bantuan software SPSS for windows
version.16. Penggunaan metode analisis regresi dalam pengujian hipotesis,
tidak. Uji asumsi Klasik terdiri atas uji normalitas, uji heteroskedastisitas, uji
multikolineritas dan uji autokorelasi.
a. Uji Normalitas
Menurut Gozali (2005: 110),”Uji Normalitas bertujuan untuk menguji
apakah dalam model regresi, variabel pengganggu memiliki distribusi
normal”. Seperti diketahui bahwa uji t dan F mengasumsikan bahwa nilai
residual mengikuti distribusi normal. Kalau asumsi ini dilanggar maka uji
statistik menjadi tidak valid untuk jumlah sampel kecil. Ada dua cara
untuk mendeteksi apakah residual berdistribusi normal atau tidak yaitu
dengan analsis grafik dan uji statistik.
1) Analisis Grafik
Salah satu cara termudah untuk melihat normalitas residual adalah
dengan melihat grafik histrogram yang membandingkan antara data
observasi dengan distribusi yang mendekati distribusi normal. Namun
demikian hanya dengan melihat histogram hal ini dapat menyesatkan
khususnya untuk jumlah sampel yang kecil. Metode yang lebih handal
adalah dengan melihat normal probability plot yang membandingkan
distribusi kumulatif dari distribusi normal. Distribusi normal akan
membentuk satu garis lurus diagonal, dan ploting data residual akan
dibandingkan dengan garis diagonal. Jika distribusi data residual
normal, maka garis yang menggambarkan data sesungguhnya akan
mengikuti garis diagonalnya.
Uji statistik lain yang dapat digunakan untuk menguji normalitas
residua l adalah uji statistik non-parametrik. Kolmogorov-smirnov(K-S).
Uji KS dibuat dengan membuat hipotesis :
Ho : data residua l berdistribusi normal,
Ha : data residual tidak berdistribusi normal.
b. Uji Multikolinieritas
Uji Multikolinieritas bertujuan untuk menguji apakah dalam model
regresi ditemukan korelasi antar variabel bebas. Model regresi yang baik
seharusnya tidak terjadi korelasi di antara variabel independen. Jika
variabel independen saling berkorelasi, maka variabel-variabel ini tidak
ortogonal. Variabel ortogonal adalah variabel independen sama dengan
nol. Multikolineritas dapat juga dilihat dari (1) nilai tolerance dan
lawannya (2) variance inflation factor (VIF). Kedua ukuran ini
menunjukkan setiap variabel independen manakah yang dijelaskan oleh
variabel independen lainnya. Dalam pengertian sederhana setiap variabel
independen menjadi variabel dependen dan diregres terhadap variabel
independen lainnya. Tolerance mengukur variabilitas variabel independen
yang terpilih yang tidak dijelaskan oleh variabel independen lainnya. Jadi
nilai tolerance yang rendah sama dengan nilai VIF tinggi ( karena VIF=1/
tolerance). Nilai cutoff yang umum dipakai untuk menunjukkan adanya
multikolineritas adalah nilai tolerance <0.10 atau sama dengan nilai VIF>
10.
Uji ini memiliki tujuan untuk menguji apakah dalam model regresi
terjadi ketidaksamaan variabel dari residual suatu pengamatan ke
pengamatan yang lain. Jika varians dari residual satu pengamatan ke
pengamatan lainnya tetap, maka disebut dengan heteroskedastisitas. Untuk
melihat ada tidaknya heteroskedastisitas dapat dilakukan dengan melihat
grafik Scatterplot antara nilai prediksi variabel dependen dengan
residualnya. Jika ada pola seperti titik-titik yang membentuk pola tertentu
yang teratur maka terjadi heteroskedastisitas. Namun, jika tidak ada pola
yang jelas serta titik menyebar ke atas dan di bawah angka 0 pada sumbu
Y, berarti tidak terjadi heteroskedastisitas.
d. 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 (sebelumnya). Jika terjadi korelasi, maka
dinamakan ada problem autokorelasi. Autokorelasi muncul karena
observasi yang berurutan sepanjang waktu berkaitan satu sama lainnya.
Masalah ini timbul karena residual (kesalahan pengganggu) tidak bebas
dari satu observasi ke observasi lainnya. Hal ini sering ditemukan pada
data runtut waktu (times series) karena ”ganguan” pada seorang individu/
kelompok cenderung mempengaruhi ”gangguan” pada individu/ kelompok
yang sama pada periode berikutnya.
Pada data crossection (silang waktu), masalah autokorelasi relatif
individu. Kelompok yang berbeda berasal dari invidu kelompok yang
berbeda. Model regresi yang baik adalah yang bebas dari autokorelasi.
Ada beberapa cara yang dapat digunakan untuk mendeteksi masalah dalam
autokorelasi di antaranya adalah dengan Uji Durbin Watson pada buku
stastistik relevan. Menurut Sunyoto (2009:91), Pengambilan keputusan
ada tidaknya autokorelasi adalah sebagai berikut:
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.
2. Uji Hipotesis
Hipotesis diuji dengan menggunakan analisis regresi linear berganda, dengan
persamaan sebagai berikut:
Keterangan:
= Harga saham
= koefisien regresi
= Earning Per Share
= Dividend Per Share
= error (kesalahan pengganggu)
Hipotesis dalam penelitian ini menggunakan uji koefisien determinasi, uji
F dan uji t.
a. Uji Koefisien Determinasi
Koefisien determinasi (R2) pada intinya mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel dependen. Nilai
koefisien determinasi adalah antara nol dan satu. Nilai R² yang kecil
berarti kemampuan variabel independen dalam menjelaskan variasi
variabel dependen amat terbatas. Nilai yang mendekati satu berarti
variabel-variabel independen memberikan hampir semua informasi yang
dibutuhkan untuk memprediksi variabel-variabel dependen,. Secara umum
koefisien determinasi untuk data silang (crossection) relative rendah
karena adanya variasi yang besar antara masing-masing pengamatan,
sedangkan untuk data runtun waktu (Time series) biasanya mempunyai
nilai koefisien determinasi yang tinggi. Koefisien determinan berkisar
antara nol sampai dengan satu (0 ≤ R² ≤ 1). Hal ini berarti R²=0 menunjukkan tidak adanya pengaruh antara variabel independen terhadap
variabel dependen, bila R² semakin besar mendekati 1 menunjukkan
semakin kuatnya pengaruh variabel independen terhadap variabel
semakin kecilnya pengaruh variabel independen terhadap variabel
dependen.
b. Uji F
Uji ini pada dasarnya menunjukkan apakah semua variabel independen
yang dimasukkan dalam model ini mempunyai pengaruh secara bersama –
sama terhadap variabel dependen.
Bentuk pengujiannya :
Ho: b1 = b2 = 0, artinya variabel independen secara simultan tidak
berpengaruh terhadap variabel dependen.
Ha: b1, b2, ≠ 0, artinya semua variabel independen secara simultan berpengaruh terhadap variabel dependen.
Kriteria pengambilan keputusan :
Jika probabilitas < 0.05, maka Ha diterima,
Jika probabilitas > 0.05, maka Ha ditolak.
c. Uji t
Uji statistik t disebut juga sebagai uji signifikan individual. Uji ini
menunjukkan seberapa jauh pengaruh variabel independen secara parsial
terhadap variabel dependen.
Bentuk pengujiannya adalah :
Ho:b1 = 0, artinya suatu variabel independen secara parsial tidak
berpengaruh terhadap variabel dependen.
Ha : b1 ≠ 0, artinya variabel independen secara parsial berpengaruh terhadap variabel dependen.
Kriteria pengambilan keputusan :
Jika probabilitas < 0.05 maka Ha diterima
Jika probabilitas > 0.05, maka Ha ditolak.
G. Jadwal penelitian Tahapan
Penelitian Mei Jun Jul Aug Sep Okt Nov Des
Pengajuan Proposal Bimbingan Proposal Seminar Proposal Pengumpulan Data dan Pengolahan Data Bimbingan dan Penulisan Skripsi Penyelesaian Skripsi
BAB IV
ANALISIS HASIL PENELITIAN
A. Analisis Statistik Deskriptif
Statistik deskriptif ini memberikan gambaran mengenai nilai minimum, nilai
maksimum, nilai rata-rata, dan standart deviasi untuk data yang digunakan dalam
penelitian:
Tabel 4.1 Descriptive Statistics
N Minimum Maximum Mean Std. Deviation
Earning_Per_Share 78 7 12120 774.18 1992.382
Dividen_Per_Share 78 1 15000 556.78 1977.047
Harga_Saham 78 60 55000 6171.14 12968.154
Valid N (listwise) 78
Berdasarkan data dari tabel 4.1 dapat dijelaskan bahwa:
a. variabel earning per share (EPS) memiliki nilai minimum (terkecil) 7, nilai maksimum (terbesar) 12120, mean (nilai rata-rata) 774.18 dan Standart
Deviation (simpangan baku) variabel ini adalah 1992.383,
b. variabel deviden per share (DPS) memiliki nilai minimum (terkecil) 1, nilai maksimum (terbesar) 15000, mean (nilai rata-rata) 556.78 dan Standart
c. variabel harga saham (HS) memiliki nilai minimum (terkecil) 60 nilai maksimum (terbesar) 55000, mean (nilai rata-rata) 6171.14 dan Standart
Deviation (simpangan baku) variabel ini adalah 12968.154,
B. Hasil Uji Asumsi Klasik 1. Hasil Uji Normalitas Data
Uji normalitas bertujuan untuk menguji apakah dalam model regresi
variabel pengganggu atau residual memiliki distribusi normal atau tidak,
dengan membuat hipotesis sebagai berikut:
Ho : data residual terdistribusi normal, Ha : data residual terdistribusi tidak normal.
Ada dua cara yang dapat digunakan untuk mendeteksi apakah residual
berdistribusi normal atau tidak, yaitu dengan analisis grafik dan uji statistik.
Pada penelitian ini akan digunakan kedua cara tersebut.
a) Analisis Grafik
Analisis grafik dapat digunakan dengan dua alat, yaitu grafik
histogram dan grafik P-P Plot. Data yang baik adalah data yang memiliki
pola distribusi normal. Pada grafik histogram, data yang mengikuti atau
mendekati distribusi normal adalah distribusi data dengan bentuk lonceng.
Pada grafik P-P Plot, sebuah data dikatakan berdistribusi normal apabila
titik-titik datanya tidak menceng ke kiri atau ke kanan, melainkan
Gambar 4.1 Grafik Histogram
Gambar 4.2 Grafik P-P Plot
Dengan melihat tampilan grafik histogram, penulis melihat bahwa
yang menunjukkan bahwa data tidak terdistribusi secara normal. Pada
grafik P-P Plot terlihat titik-titik tidak menyebar di sekitar garis diagonal
dan jauh dari garis diagonal. Kedua grafik tersebut menunjukkan bahwa
model regresi menyalahi asumsi normalitas.
Pada penelitian ini penulis menggunakan metode transformasi data
untuk menormalkan data penelitian. Menurut Ghozali (2005:32), “data
yang tidak terdistribusi secara normal dapat ditransformasikan agar
menjadi normal”. Salah satu trasformasi data yang dapat dilakukan adalah
dengan mentransformasikan data ke LG10 atau logaritma 10 atau LN.
Hasil transformasi data dapat dilihat pada lampiran vi. Setelah dilakukan
transformasi, penulis melakukan pengujian ulang terhadap uji normalitas
untuk melihat kembali apakah data penelitian ini telah berdistribusi normal
atau tidak. Berikut hasil uji normalitas data setelah transformasi:
Gambar 4.3 Histogram
Gambar 4.4 P-Plot
Dari grafik histogram dan normal probability plot pada gambar 4.3 dan
gambar 4.4 di atas terlihat bahwa setelah dilakukan transformasi data ke
logaritma natural (Ln) terlihat bahwa grafik histogram memperlihatkan
pola distribusi yang normal, dan grafik P-P Plot memperlihatkan titik-titik
menyebar di sekitar/mengikuti arah garis diagonal yang menunjukkan pola
distribusi normal.
b) Uji Statistik
Pengujian normalitas data dengan hanya melihat grafik dapat
menyesatkan kalau tidak melihat secara seksama, sehingga kita perlu
melakukan uji normalitas data dengan menggunakan statistik agar lebih
meyakinkan. Untuk memastikan apakah data di sepanjang garis diagonal
berdistribusi normal, maka dilakukan uji Kolmogorov-Smirnov (1 sample
KS) dengan melihat data residualnya apakah berdistribusi normal atau
tidak. Jika nilai signifikansinya lebih besar dari 0,05 maka data tersebut
distribusi data adalah tidak normal. Hasil uji Kolmogorov-Smirnov dapat
dilihat pada tabel 4.2.
Tabel 4.2
Hasil uji Kolmogorov-Smirnov pada penelitian ini menujukkan
probabilitas = 0,000. Dengan demikian, data pada penelitian ini tidak
berdistribusi normal karena probabilitas < 0.05. Hasil transformasi data
dapat dilihat pada lampiran vi. Setelah dilakukan transformasi, penulis
melakukan pengujian ulang terhadap uji normalitas untuk melihat kembali
apakah data penelitian ini telah berdistribusi normal atau tidak.
Hasil uji Kolmogorov-Smirnov pada tabel 4.3. Pada penelitian ini
menujukkan probabilitas = 0,917. Dengan demikian, data pada penelitian
ini berdistribusi normal dan dapat digunakan untuk melakukan Uji-t dan
Uji-F karena 0,917> 0,05 (H0 diterima). Berikut hasil uji normalitas data setelah transformasi:
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 78
Normal Parametersa Mean .0000000
Std. Deviation 8.14219001E3
Most Extreme Differences Absolute .323
Positive .323
Negative -.308
Kolmogorov-Smirnov Z 2.852
Asymp. Sig. (2-tailed) .000
Tabel 4.3
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 78
Normal Parametersa Mean .0000000
Std. Deviation .76614200
Most Extreme Differences Absolute .063
Positive .045
Negative -.063
Kolmogorov-Smirnov Z .555
Asymp. Sig. (2-tailed) .917
a. Test distribution is Normal.
2. Hasil Uji Heteroskedastisitas
Menurut Ghozali (2005:105), “Uji Heteroskedastisitas bertujuan menguji
apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu
pengamatan ke pengamatan yang lain. Jika variance dari residual satu
pengamatan ke pengamatan yang lain tetap, maka disebut Homoskedastisitas
dan jika berbeda disebut Heteroskedastisitas. Model regresi yang baik adalah
yang Homoskedastisitas atau tidak terjadi Heteroskedastisitas. Kebanyakan
data crosssection mengandung situasi heteroskedastisitas karena data ini
menghimpun data yang mewakili berbagai ukuran (kecil,sedang,dan besar)”.
Pengujian heteroskedastisitas dapat dilakukan dengan uji grafik dengan
melihat grafik scatterplot yaitu dengan cara melihat titik-titik penyebaran pada
dengan nilai absolute residual (absut) sebagai variabel dependennya.
Perumusan hipotesis adalah :
H0 : tidak ada heteroskedastisitas, Ha : ada heteroskedastisitas.
Jika signifikan < 0,05 maka Ha diterima (ada heteroskedastisitas) dan jika
signifikan > 0,05 maka H0 diterima (tidak ada heteroskedastisitas).
Gambar 4.5
Uji Heteroskedastisitas (scatterplot) Tabel 4.4
Hasil Uji Heteroskedastisitas Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) .575 .187 3.067 .003 LN_Earning_Per_Share .067 .078 .281 .860 .392 LN_Deviden_Pershare -.074 .066 -.366 -1.123 .265
Pada gambar 4.5 tentang grafik scatterplot diatas terlihat titik-titik
menyebar secara acak tidak membentuk sebuh pola tertentu yang jelas serta
tersebar baik diatas maupun dibawah angka nol pada sumbu y. Hal ini berarti
tidak terjadi heteroskedastisitas pada model regresi sehingga model regresi
layak dipakai untuk melihat pengaruh variabel independen terhadap variabel
dependen. Dari tabel 4.4 diatas kita dapat melihat bahwa nilai signifikansi
untuk variabel ln earning per share adalah 0,392 (>0.05). nilai signifikansi
untuk variabel ln deviden per share adalah 0,265 (>0.05). Dari hasil ini maka
dapat disimpulkan bahwa tidak terdapat masalah heteroskedastisitas karena
variabel independennya memiliki signifikan lebih besar dari 0,05
3. Hasil Uji Autokorelasi
Uji ini bertujuan untuk melihat apakah dalam suatu model linear ada
korelasi antar kesalahan pengganggu pada periode t dengan kesalahan periode
t-1 (sebelumnya). Model regresi yang baik adalah yang bebas dari
autokorelasi. Masalah autokorelasi umumnya terjadi pada regresi yang
datanya time series. Untuk mendeteksi masalah autokorelasi dapat dilakukan
dengan menggunakan uji Durbin Watson. secara umum panduan mengenai
angka Durbin-Watson dapat diambil patokan sebagai berikut:
1) angka D-W dibawah -2 berarti ada autokorelasi positif,
2) angka D-W di antara -2 sampai +2, berarti tidak ada autokorelasi,
Tabel 4.5
Hasil Uji Autokorelasi Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .143a .020 -.006 .42891 1.303
a. Predictors: (Constant), LN_Deviden_Pershare, LN_Earning_Per_Share
b. Dependent Variable: LN_Harga_Saham
Tabel 4.4 memperlihatkan nilai statistik D-W sebesar 1.303 Angka ini
terletak diantara -2 dan +2, dari pengamatan ini dapat disimpulkan bahwa
tidak terjadi autokorelasi positif maupun autokorelasi negatif dalam penelitian
ini.
4. Uji Multikolineritas
Menurut Ghozali (2005:91), “Uji multikolinearitas dilakukan untuk
menguji apakah pada model regresi ditemukan adanya korelasi antar variabel
bebas (independen)”. Adanya gejala multikolinearitas dapat dilihat dari
tolerance value atau nilai Variance Inflation Factor (VIF). Batas tolerance
value adalah 0,1 dan batas VIF adalah 10. Apabila tolerance value < 0,1 atau
VIF > 10 = terjadi multikolinearitas. Apabila tolerance value > 0,1 atau VIF <
10 = tidak terjadi multikolinearitas. Hasil pengujian terhadap multikolinearitas
Tabel 4.6
Hasil Uji Multikolineritas Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) .575 .187 3.067 .003
LN_Earning_Per_Share .067 .078 .281 .860 .392 .123 8.146E0
LN_Deviden_Pershare -.074 .066 -.366 -1.123 .265 .123 8.146E0
a. Dependent Variable: LN_Harga_Saham
Berdasarkan tabel 4.6 diatas dapat dilihat bahwa tidak ada satupun
variabel bebas yang memiliki nilai VIF lebih dari 10 dan tidak ada yang
memiliki tolerance value lebih kecil dari 0,1.Jadi dapat disimpulkan bahwa
penelitian ini bebas dari adanya multikolinearitas. Dari hasil analisis, didapat
nilai VIF untuk variabel earning per share adalah 8.146 (<10) dan nilai
tolerance sebesar 0.123 (>0,1), nilai VIF untuk variabel deviden per share
adalah 8.146 (<10) dan nilai tolerance sebesar 0.123 (>0.1). Hasil ini maka
dapat disimpulkan bahwa semua variabel bebas yang dipakai dalam penelitian
ini lolos uji gejala multikolinearitas.
C. Hasil Pengujian Hipotesis 1. Uji Koefisien Determinasi
Besarnya kontribusi antara sumbangan yang diberikan oleh variabel
earning per share dan dividen per share terhadap harga saham pada
perusahaan yang terdaftar di Bursa Efek Indonesia dapat diketahui dari nilai
koefisien determinasi ganda atau R2. Dalam penelitian ini penulis menggunakan pengukuran dengan adjusted R2. Menurut Ghozali
(2005:83),”oleh karena itu banyak peneliti menganjurkan untuk menggunakan
nilai pada saat mengevaluasi mana model regresi terbaik. Tidak seperti nilai
R2 ,nilai Adjusted R2 dapat naik atau turun apabila satu variabel independen ditambahkan kedalam model”. Adjusted R2 pada intinya mengukur seberapa
jauh kemampuan model dalam menerangkan variasi variabel dependen.
Dalam hal ini adjusted R2 digunakan untuk mengetahui seberapa besar pengaruh variabel independen terhadap variabel dependen. Hasil pengukuran
koefisien determinasi dapat dilihat pada tabel 4.7 sebagai berikut:
Tabel 4.7
Hasil Pengujian Determinasi Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate 1 .143a .020 .006 .42891
a. Predictors: (Constant), LN_Deviden_Pershare, LN_Earning_Per_Share
b. Dependent Variable: LN_Harga_Saham
Besarnya Adjusted R2 berdasarkan hasil analisis dengan menggunakan SPSS 16 diperoleh sebesar 0,006. Dengan demikian besarnya pengaruh yang
diberikan oleh variabel deviden per share dan earning per share terhadap
harga saham adalah sebesar 6%. Sedangkan sisanya sebesar 94 % adalah
dipengaruhi oleh faktor lain yang tidak diteliti dalam penelitian ini.
2. Hasil pengujian Simultan (Uji F)
Uji F digunakan untuk mengetahui ada tidaknya pengaruh secara
bersama-sama variabel bebas terhadap variabel terikat. Uji F dapat dicaridengan
jugamembandingkan hasil dari probabilitas value. Jika probabilitas value >
0,05maka Ho ditolak dan jika probabilitas value < 0,05 maka Ha diterima.
berdasarkan tabel 4.8 dibawah ini terlihat bahwa:
Tabel 4.8 Hasil Uji F
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression .287 2 .143 .779 .462a
Residual 13.798 75 .184
Total 14.084 77
a. Predictors: (Constant), LN_Deviden_Pershare, LN_Earning_Per_Share
b. Dependent Variable: LN_Harga_Saham
Pada tabel Anova dapat diketahui nilai dengan nilai probabilitas value dalam penelitian ini adalah 0,25 yang berarti angka ini berada diatas 0,05. Kesimpulan yang dapat diambil adalah variabel dividen per share dan earning per share
secara simultan (bersama) tidak berpengaruh signifikan terhadap harga saham.
3. Hasil Pengujian Parsial (Uji t)
Untuk mengetahui pengaruh masing-masing variabel bebas terhadap variabel terikat yaitu antara dividen per share dan earning per share terhadap harga
saham dalam penelitian ini dilakukan pengujian terhadap koefisien regresi yaitu
dengan uji t. Berdasarkan perhitungan SPSS versi 16 for windows yang dapat dilihat pada tabel 4.9, dapat diketahui nilai probabilitas value masing-masing variabel independen terhadap variabel dependen. Jika probabilitas value > 0.05 maka Ho ditolak dan dan jika probabilitas value < 0,05 maka Ha diterima.
Tabel 4.9 Hasil Uji t Coefficientsa Model Unstandardized Coefficients Standardized Coefficients T Sig. B Std. Error Beta 1 (Constant) .575 .187 3.067 .003 LN_Earning_Per_Share .067 .078 .281 .860 .392 LN_Deviden_Pershare .074 .066 -.366 -1.123 .265
a. Dependent Variable: LN_Harga_Saham
Variabel earning per share berpengaruh positif dan tidak signifikan
terhadap terhadap harga saham. Hal ini dapat terlihat dari nilai signifikan
0.392 diatas (lebih besar) 0.05. Variabel dividen per share berpengaruh
negatif dan tidak signifikan terhadap harga saham. Hal ini dapat terlihat dari
nilai signifikan 0.265 diatas (besar) 0.05. Dari tabel 4.9 diatas dapat diperoleh
model persamaan regresi berganda sebagai berikut:
Y = 0.575 +0.067X1 +0.74 X2 +e
Keterangan:
a. Nilai konstanta adalah 0.575 artinya apabila variabel earning per share dan deviden per share bernilai nol (tidak ada) maka harga saham akan
bernilai sebesar sebesar 0.575,
b. Nilai koefisien earning per share adalah 0.067 artinya Setiap kenaikan
earning per share akan meningkatkan nilai harga saham sebesar 0.067. c. Nilai koefisien deviden per share adalah 0.74 artinya setiap kenaikan