BAB IV ANALISIS HASIL PENELITIAN
B. Hasil Analisis
2. Pengujian Hipotesis
Pengujian hipotesis dalam penelitian ini menggunakan analisis regresi. Untuk mengetahui bagaimana pengaruh DPS dan EPS secara bersama terhadap harga saham, digunakan uji ANOVA atau uji statistik F dengan rumus (Sugiyono,2004:211):
Y= + 1X1+ 2 X2 + e Keterangan:
Y = harga saham
= konstanta
1 & 2 = koefisien regresi
X1 = Dividend Per Share (DPS)
X2 = Earning per Share (EPS)
e = Kesalahan pengganggu (error)
Kemudian dilakukan proses pengujian analisis t untuk mengetahui apakah masing-masing variabel yaitu dividend per share dan earning per share secara individu berpengaruh terhadap harga saham.
G. Jadwal Penelitian
Jadwal penelitian direncanakan sebagai berikut:
Tabel 3.1 Jadwal Penelitian
Tahapan Penelitian Sept
08 Okt 08 Nov 08 Des 08 Jan 09 Feb 09 Pengajuan Judul Penyelesaian Proposal Bimbingan Proposal Seminar Proposal Pengumpulan Data Pengolahan Data Penyampaian Hasil Penelitian
BAB IV
ANALISIS HASIL PENELITIAN
A. Deskripsi Data Secara Statistik
Objek penelitian ini adalah perusahaan-perusahaan yang Go Public yang terdaftar di Bursa Efek Indonesia. Pada tanggal 1 Desember 2007 Bursa Efek Jakarta (BEJ) dan Bursa Efek Surabaya (BES) resmi berganti nama menjadi Bursa Efek Indonesia (BEI). Pada tahun 2005-2007 perusahaan-perusahaan yang dijadikan sampel masih terdaftar di BEJ, tetapi karena data penelitian diambil pada tahun 2008, maka peneliti menggunakan nama BEI. Setelah dilakukan pemilihan sampel dengan teknik purposive sampling diperoleh 41 perusahaan sebagai sampel. Berikut ini merupakan data statistik secara umum dari seluruh data yang digunakan:
Tabel 4.1 Statistik Deskriptif
Descriptive Statistics
N Minimum Maximum Mean Std. Deviation Variance
EPS 123 6.00 5008.00 602.3957 1140.31121 1300309.661
DPS 123 1.30 3600.00 246.2990 586.75840 344285.426
HS 123 70.00 129500.00 8826.1545 20427.11822 4.173E8
Valid N (listwise) 123 Sumber: Diolah dari SPSS
Dari tabel 4.1 di atas, dapat dijelaskan bahwa:
1. rata-rata dari earning per share (EPS) adalah 602,3821 dengan deviasi standar sebesar 1140,31638 dan jumlah data yang ada sebanyak 123,
2. rata-rata dari dividend per share (DPS) adalah 246,2683 dengan deviasi standar sebesar 586,77091 dan jumlah data yang ada sebanyak 123,
3. rata-rata dari harga saham (HS) adalah 8826,1545 dengan deviasi standar sebesar 20427,11822 dan jumlah data yang ada sebanyak 123.
B. Hasil Analisis
1. Pengujian Asumsi Klasik a. Uji normalitas
Hasil dari uji normalitas dengan grafik histogram, normal probability plot,
serta Kolmogorov-Smirnov Test ditunjukkan sebagai berikut:
Gambar 4.1 Uji Normalitas (1)
Gambar 4.2 Uji Normalitas (2)
One-Sample Kolmogorov-Smirnov Test
EPS DPS HS
N 123 123 123
Normal Parametersa Mean 602.3821 246.2683 8826.1545
Std. Deviation 1140.31638 586.77091 20427.11822
Most Extreme Differences Absolute .341 .343 .334
Positive .341 .343 .329
Negative -.300 -.338 -.334
Kolmogorov-Smirnov Z 3.783 3.804 3.705
Asymp. Sig. (2-tailed) .000 .000 .000
a. Test distribution is Normal. b. Calculated from data.
Dari hasil uji normalitas di atas, dapat dilihat bahwa variabel EPS, DPS, dan HS memiliki data yang tidak terdistribusi dengan normal karena nilai signifikannya < 0,05. yaitu variabel EPS sebesar 0.000, variabel DPS sebesar 0.000 dan variabel harga saham sebesar 0,000. Ada beberapa cara mengubah model regresi menjadi normal menurut Erlina (2007:106) yaitu:
a. lakukan transformasi data ke bentuk lainnya, b. lakukan trimming, yaitu membuang data outlier,
c. lakukan winsorizing, yaitu mengubah nilai data yang outlier ke suatu nilai tertentu.
Untuk mengubah nilai residual agar berdistribusi normal, penulis melakukan transformasi data ke model logaritma natural (Ln) yaitu dari persamaan Harga Saham = f(DPS) menjadi LN_Harga_Saham = f(LN_DPS). Setelah itu, data diuji ulang berdasarkan asumsi normalitas. Oleh karena itu, dilakukan transformasi data yang tidak terdistribusi secara normal tersebut untuk menormalkannya. Caranya
adalah dengan melakukan LN terhadap semua variabel yang tidak terdistribusi secara normal tersebut.
Hasil uji normalitas setelah dilakukan transformasi data yang tidak normal tersebut dapat dilihat pada grafik histogram, normal probability plot, dan tabel
Kolmogorov-Smirnov Test berikut ini:
Gambar 4.3 Uji Normalitas (4)
Gambar 4.4 Uji Normalitas (5)
Cara yang digunakan untuk mendeteksi apakah residual berdistribusi normal atau tidak adalah dengan desain grafik. Jika data menyebar di sekitar garis diagonal atau mengikuti arah garis diagonal, atau grafik histogramnya menunjukkan pola distribusi normal, maka model regresi memenuhi asumsi normalitas, demikian sebaliknya.
Dari grafik histogram dan normal probability plot pada gambar 4.3 dan gambar 4.4 di atas terlihat bahwa setelah dilakukan transformasi data menggunakan LN, grafik histogram memperlihatkan pola distribusi yang normal, dan grafik P-P Plot memperlihatkan titik-titik menyebar di sekitar/mengikut i arah garis diagonal yang menunjukkan pola distribusi normal.
Tabel 4.3 Uji Normalitas (6)
One-Sample Kolmogorov-Smirnov Test
LN_EPS LN_DPS LN_HS
N 123 123 123
Normal Parametersa Mean 5.1067 3.9541 7.5848
Std. Deviation 1.68211 1.80938 1.72574
Most Extreme Differences Absolute .063 .055 .078
Positive .063 .052 .078
Negative -.062 -.055 -.038
Kolmogorov-Smirnov Z .696 .612 .861
Asymp. Sig. (2-tailed) .718 .849 .449
a. Test distribution is Normal. b. Calculated from data.
Sumber: Diolah dari SPSS
Bila nilai signifikan < 0.05 berarti distribusi data tidak normal. Sebaliknya bila nilai signifikan > 0.05 berarti distribusi data normal.
Dari tabel 4.3 di atas, dapat dilihat bahwa setelah dilakukan transformasi data dengan LN, semua data variabel yang diuji menjadi normal dan nilai signifikan untuk semua variabel > 0,05.
b. Uji Multikolinieritas
Table 4.4 Uji multikolinieritas
Hasil dari uji multikolinieritas dapat dilihat pada tabel diatas:
Pengujian multikolinearitas dilakukan dengan melihat (1) nilai tolerance dan lawannya (2) VIF(variance inflation factor). Nilai cutoff yang umum dipakai untuk menunjukkan adanya multikolonieritas adalah nilai tolerance < 0,10 atau sama dengan nilai VIF > 10.
Dari hasil pengujian di atas, dapat dilihat bahwa angka tolerance pada variabel EPS (LN_EPS) dan DPS (LN_DPS) > 0,10 dan VIF-nya < 10. Hal ini menujukka n bahwa tidak terjadi multikolinieritas di antara variabel penelitian.
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 2.934 .235 12.483 .000
LN_EPS .826 .106 .805 7.823 .000 .131 7.640
LN_DPS .110 .098 .115 1.118 .266 .131 7.640
a. Dependent Variable: LN_HS
c. Uji Autokorelasi
Hasil dari uji autokorelasi dapat dilihat pada tabel berikut ini: Tabel 4.5 Uji Autokorelasi Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .913a .834 .831 .70954 1.299
a. Predictors: (Constant), LN_DPS, LN_EPS
b. Dependent Variable: LN_HS
Sumber: Diolah dari SPSS
Berdasarkan tabel 4.6 di atas, diketahui bahwa nilai DW sebesar 1,299. angka D-W tersebut berada diantara -2 sampai +2 berarti tidak terjadi autokorelasi.
• Apabila angka D-W di bawah -2 berarti ada autokorelasi positif
• Apabila angka D-W diantara -2 sampai +2 berarti tidak ada autokorelasi • Apabila angka D-W di atas +2 berarti ada autokorelasi negatif
d. Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah terjadi ketidaksamaan variabel dari residual satu pengamatan ke pengamatan lain dalam model regresi. Model regresi yang baik adalah tidak terjadi heteroskedastisitas atau terjadi homoskedastisitas. Untuk mendeteksi ada tidaknya heteroskedasitas, menurut Ghozali (2005:105) dapat dilihat dari grafik Scatterplot antara nilai prediksi variabel dependen yaitu ZPRED dengan residualnya SRESID. Jika ada pola tertentu seperti titik-titik yang ada membentuk pola tertentu yang teratur, maka
telah terjadi heteroskedasitas. Sebaliknya jika tidak ada pola yang jelas, serta titik-titik menyebar maka tidak terjadi heteroskedasitas
Hasil dari uji heteroskedasitas dapat dilihat pada grafik scatterplot berikut ini:
Gambar 4.5 Grafik Scatterplot
Dari grafik scatterplot di atas, terlihat bahwa titik-titik menyebar secara acak serta tidak membentuk pola tertentu atau tidak teratur. Hal ini mengindikasikan tidak terjadi heterokedasitas pada model regresi sehingga model regresi layak dipakai.
2. Pengujian Hipotesis
Nilai koefisien korelasi (R) menunjukkan seberapa besar korelasi atau hubungan antara variabel-variabel independen dengan variabel dependen. Koefisien korelasi dikatakan kuat apabila nilai R berada di atas 0.5 dan mendekati 1.
Koefisien determinasi (R square) menunjukkan seberapa besar variabel independen menjelaskan variabel dependennya. Nilai R square adalah nol sampai dengan satu. Apabila nilai R square semakin mendekati satu, maka variabel-variabel independen memberikan semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen. Sebaliknya, semakin kecil nilai R square, maka kemampuan variabel-variabel independen dalam menjelaskan variasi variabel dependen semakin terbatas. Nilai R square memiliki kelemahan yaitu
nilai R square akan meningkat setiap ada penambahan satu variabel independen meskipun variabel independen tersebut tidak berpengaruh signifikan terhadap variabel dependen.
Berdasarkan hasil pengolahan data dengan program SPSS 16.0, maka diperoleh hasil sebagai berikut:
Tabel 4.6 Model Summary Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .913a .834 .831 .70954 1.299
a. Predictors: (Constant), LN_DPS, LN_EPS
b. Dependent Variable: LN_HS
Pada model summary sebelumnya, angka R sebesar 0,913 menunjukkan bahwa korelasi atau hubungan antara HS (variabel dependen) dengan EPS dan DPS (variabel independen) adalah kuat karena berada di atas angka 0,5 (50%). Angka adjusted R square atau koefisien determinasi yang disesuaikan adalah 0,831. Hal ini berarti bahwa 83,1% variasi atau perubahan dalam harga saham dapat dijelaskan oleh variasi EPS dan DPS. Sedangkan sisanya sebesar 16,9% dijelaskan oleh sebab-sebab lain yang tidak dimasukkan dalam model penelitian. Kemudian standard error of the estimate adalah sebesar 0,70954. Semakin kecil angka ini akan membuat model regresi semakin tepat dalam memprediksi HS.
Untuk melihat pengaruh EPS dan DPS secara individu terhadap harga saham, dapat dilakukan dengan menggunakan uji statistik t. Berdasarkan hasil pengolahan data dengan program SPSS 16.0, maka diperoleh hasil seperti yang terlihat pada tabel 4.8 berikut: Tabel 4.7 Uji Statistik t Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 2.934 .235 12.483 .000
LN_EPS .826 .106 .805 7.823 .000 .131 7.640
LN_DPS .110 .098 .115 1.118 .266 .131 7.640
a. Dependent Variable: LN_HS
Dari tabel koefisien regresi di hal sebelumnya, dapat diambil kesimpulan yaitu: 1. uji t digunakan untuk menguji signifikansi konstanta dan setiap variabel
independennya. Dari tabel dapat kita lihat bahwa variabel EPS mempunyai angka signifikansi sebesar 0,000 yang berada di bawah 0,05 yang menunjukkan bahwa EPS secara individual berpengaruh signifikan terhadap HS.
2. uji t digunakan untuk menguji signifikansi konstanta dan setiap variabel independennya. Dari tabel dapat kita lihat bahwa variabel DPS mempunyai angka signifikansi sebesar 0,266 yang berada di atas 0,05 yang menunjukkan bahwa EPS secara individual tidak berpengaruh signifikan terhadap HS.
Setelah melakukan uji t, kemudian untuk melihat pengaruh EPS dan DPS secara simultan terhadap harga saham, dapat dilakukan dengan menggunakan uji statistik F. Hasil uji statistik F dengan program SPSS 16.0 dapat dilihat pada tabel berikut ini:
Tabel 4.8 Uji Statistik F (1)
ANOVAb
Model Sum of Squares Df Mean Square F Sig.
1 Regression 302.923 2 151.461 300.848 .000a
Residual 60.414 120 .503
Total 363.337 122
a. Predictors: (Constant), LN_DPS, LN_EPS
b. Dependent Variable: LN_HS
Dari uji ANOVA atau F-test, diperoleh nilai F hitung sebesar 300,848 dengan tingkat signifikansi 0,0000. Berdasarkan hasil tersebut dapat disimpulkan bahwa variabel EPS dan DPS secara simultan berpengaruh signifikan terhadap variabel harga saham karena tingkat signifikansi sebesar 0,0000 (< 0,05).
Tabel 4.9 Uji Statistik F (2) Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 2.934 .235 12.483 .000
LN_EPS .826 .106 .805 7.823 .000 .131 7.640
LN_DPS .110 .098 .115 1.118 .266 .131 7.640
a. Dependent Variable: LN_HS Sumber: Diolah dari SPSS
Dari nilai-nilai koefisien di atas, persamaan regresi yang dapat disusun untuk variabel EPS dan DPS adalah:
Y = 2,934 + 0,826 X1 + 0,110 X2 Di mana:
Y = Harga Saham
X1 = Earning Per Share (EPS)
X2 = Dividend Per Share (DPS)
EPS memiliki koefisien regresi bertanda positif sebesar 0,826, artinya apabila terjadi perubahan variabel EPS sebesar 1% akan menaikkan HS sebesar 0,826
DPS memiliki koefisien regresi bertanda positif sebesar 0,110, artinya apabila terjadi perubahan variabel DPS sebesar 1% akan menaikkan HS sebesar 0,110 atau 11%.