BAB IV ANALISIS HASIL PENELITIAN
B. Statistik Deskriptif
Statistik deskriptif ini memberikan gambaran mengenai nilai minimum, nilai maksimum, nilai rata-rata (mean), serta standar deviasi dari variabel-variabel independen dan variabel dependen yang merupakan proses transformasi data penelitian dalam bentuk tabulasi sehingga mudah dipahami.
Tabel 4.5
Statistik Deskriptif Setelah Transformasi
Descriptive Statistics
N Minimum Maximum Mean Std. Deviation
Ln_CR 183 -.58 3.54 .7502 .72908 Ln_DER 183 -2.81 2.01 -.2060 .88894 Ln_OPM 180 -4.61 4.20 -1.8601 1.59143 Ln_PER 175 .34 6.57 2.5921 1.01300 Ln_ROI 175 -2.53 3.67 1.5318 1.18844 Ln_TATO 183 -3.91 1.34 .1007 .57230 Ln_Harga_Saham 183 3.82 11.74 6.9818 1.77241 Valid N (listwise) 174
Tabel 4.5 menjelaskan statistik deskriptif variabel-variabel penelitian setelah data ditransformasikan ke dalam bentuk logaritma natural. Dari tabel tersebut terlihat bahwa variabel yang memiliki nilai minimum negatif adalah CR, DER, OPM, ROI, dan TATO sedangkan variabel nilai maksimum tidak ada yang bernilai negatif. Berikut ini adalah perincian data deskriptif yang telah diolah:
1. Variabel CR memiliki nilai minimum sebesar -0.58, nilai maksimum sebesar 3.54, nilai rata-rata sebesar 0.7502, dan standar deviasi sebesar 0.72908 dengan jumlah pengamatan sebanyak 183.
2. Variabel DER memiliki nilai minimum sebesar -2.81, nilai maksimum sebesar 2.01, nilai rata-rata sebesar -0.2060, dan standar deviasi sebesar 0.88894 dengan jumlah pengamatan sebanyak 183.
3. Variabel OPM memiliki nilai minimum sebesar -4.61, nilai maksimum sebesar 4.20, nilai rata-rata sebesar -1.8601, dan standar deviasi sebesar 1.59143 dengan jumlah pengamatan sebanyak 180.
4. Variabel PER memiliki nilai minimum sebesar 0.34, nilai maksimum sebesar 6.57, nilai rata-rata sebesar 2.5921, dan standar deviasi sebesar 1.01300 dengan jumlah pengamatan sebanyak 175.
5. Variabel ROI memiliki nilai minimum sebesar -2.53, nilai maksimum sebesar 3.67, nilai rata-rata sebesar 1.5318, dan standar deviasi sebesar 1.18844 dengan jumlah pengamatan sebanyak 175.
6. Variabel TATO memiliki nilai minimum sebesar -3.91, nilai maksimum sebesar 1.34, nilai rata-rata sebesar 0.1007, dan standar deviasi sebesar 0.57320 dengan jumlah pengamatan sebanyak 183.
7. Variabel harga saham memiliki nilai minimum sebesar 3.82, nilai maksimum sebesar 11.74, nilai rata-rata sebesar 6.9818, dan standar deviasi sebesar 1.77241 dengan jumlah pengamatan sebanyak 183.
C. Pengujian Asumsi Klasik
Sebelum melakukan analisis statistik dengan model linier regresi berganda, perlu dilakukan pengujian asumsi klasik terlebih dahulu. Model regresi dikatakan baik apabila telah memenuhi asumsi normalitas data dan terbebas dari asumsi-asumsi klasik statistik, baik itu multikolinieritas, heteroskesdastisitas dan autokorelasi.
1. Uji Normalitas
Uji normalitas bertujuan untuk mengetahui varians penganggu atau stribusi secara normal serta untuk menghindari adanya bias dalam model regresi. Pengujian normalitas data dalam penelitian ini menggunakan uji statistik non-parametrik Kolmogorov-Smirnov (K-S), dengan membuat hipotesis:
H0 : Data residua l berdistribusi normal Ha : Data residual tidak berdistribusi normal
Apabila nilai signifikansi lebih besar dari 0.05 maka H0 diterima, sedangkan jika nilai signifikansi lebih kecil dari 0.05 maka H0 ditolak.
Tabel 4.6 Hasil Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 183
Normal Parametersa Mean .0000000
Std. Deviation 1.53751897E4
Most Extreme Differences Absolute .279
Positive .279
Negative -.182
Kolmogorov-Smirnov Z 3.773
Asymp. Sig. (2-tailed) .000
a. Test distribution is Normal.
Sumber : Data Diolah Penulis, 2010
Dari hasil pengolahan data tersebut, diperoleh bahwa data dalam penelitian ini tidak terdistribusi secara normal, dimana terlihat bahwa besarnya nilai Kolmogorov-Smirnov adalah 3.773 dan nilai Asymp. Sig. (2-tailed) adalah 0.000 dimana nilai ini di bawah nilai signifikan (0.05), maka Ho ditolak yang berarti data residua l tidak berdistribusi normal.
Untuk itu, perlu dilakukan tindakan perbaikan (treatment) agar model regresi memenuhi asumsi normalitas. Beberapa cara untuk mengubah model regresi menjadi normal, menurut Jogiyanto (2004:172) terdapat 3 cara untuk menormalkan distribusi data, yaitu:
a. Dengan melakukan transformasi data, yaitu mengubah nilai-nilai observasi data ke dalam bentuk logaritma sehingga membentuk distribusi yang normal.
b. Trimming, yaitu memangkas (membuang) observasi yang bersifat
outlier, yaitu nilainya lebih kecil dari μ - 2σ atau lebih besar dari μ + 2σ.
c. Winzorising, yaitu mengubah nilai-nilai outliers menjadi nilai-nilai minimum atau maksimum yang diizinkan supaya distribusinya menjadi normal.
Setelah melihat tabel 4.6 dapat disimpulkan bahwa perhitungan
Kolmogorov-Smirnov menunjukkan data tidak terdistribusi normal. Untuk itu,
penulis melakukan transformasi data ke model logaritma natural (Ln) dari Harga Saham = f(CR, DER, OPM, PER, ROI, TATO) menjadi Ln_ Harga Saham = f( Ln_CR, Ln_DER, Ln_OPM, Ln_PER, Ln_ROI, Ln_TATO). Kemudian data diuji ulang berdasarkan asumsi normalitas, berikut ini hasil pengujian dengan Kolmogorov-Smirnov:
Tabel 4.7
Hasil Uji Normalitas Data Setelah Transformasi Logaritma Natural
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 174
Normal Parametersa Mean .0000000
Std. Deviation 1.42763621
Most Extreme Differences Absolute .069
Positive .069
Negative -.049
Kolmogorov-Smirnov Z .910
Asymp. Sig. (2-tailed) .379
a. Test distribution is Normal.
Dari tabel 4.7, dapat disimpulkan bahwa data dalam model regresi telah terdistribusi secara normal, dimana terlihat bahwa besarnya nilai
Kolmogorov-Smirnov adalah 0.910 dan nilai Asymp. Sig. (2-tailed) adalah
0.379 dimana nilai ini di atas nilai signifikan (0.05), maka Ho diterima yang berarti data residual berdistribusi normal. Untuk lebih jelas berikut ini dilampirkan grafik histogram dan grafik p-p plot data yang telah berdistribusi normal.
Gambar 4.1 Grafik Histogram Sumber : Data Diolah Penulis, 2010
Dengan cara membandingkan antara data observasi dengan distribusi yang mendekati distribusi normal, dari grafik di atas dapat disimpulkan bahwa distribusi data normal karena grafik histogram menunjukkan distribusi data mengikuti garis diagonal yang tidak menceng (skewness) kiri maupun menceng kanan atau normal.
Gambar 4.2 Grafik Normal P-P Plot Sumber : Data diolah penulis, 2010
dapat disimpulkan bahwa data dalam model regresi terdistribusi secara normal.
2. Uji Multikolonieritas
Ghozali (2005:91) menyatakan “uji multikolonieritas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas (independen). Multikolonearitas menunjukkan ada tidaknya variabel independen yang memiliki kemiripan atau hubungan dengan variabel independen lain dalam model regresi, agar pengambilan keputusan pengaruh pada uji parsial masing-masing variabel independen tidak bias. Untuk mengetahui ada tidaknya multikolonieritas dapat dilihat dari nilai
Variance Inflation Factor (VIF), apabila nilai VIF >10 maka terjadi
multikolonieritas dan apabila VIF <10 maka tidak terjadi multikolonieritas (Ghozali, 2005:92).
Tabel 4.8
Hasil Uji Multikolonieritas
Coefficientsa Model Collinearity Statistics Tolerance VIF 1 (Constant) Ln_CR .480 2.084 Ln_DER .414 2.413 Ln_OPM .908 1.101 Ln_PER .555 1.803 Ln_ROI .421 2.373 Ln_TATO .803 1.245
a. Dependent Variable: Ln_Harga_Saham
Dari data tabel 4.8 dapat disimpulkan dalam model regresi tidak terjadi multikolonieritas dengan dasar nilai VIF untuk setiap variabel independen tidak ada yang melebihi 10 dan nilai tolerance tidak ada yang kurang dari 0.1, maka dapat dilakukan analisis lebih lanjut dengan menggunakan model regresi berganda.
3. Uji Heteroskedastisitas
Menurut Ghozali (2005:105) menyatakan “uji heteroskedastisitas bertujuan untuk mengetahui apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan lainnya”. Jika variance dari residual satu pengamatan ke pengamatan lainnya tetap, maka disebut homoskedastisitas, dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik adalah homokedastisitas atau tidak terjadi heterokedastisitas.
Dalam penelitian ini, untuk mendeteksi ada tidaknya gejala heteroskedastisitas adalah dengan melihat plot grafik yang dihasilkan dari pengolahan data menggunakan program SPSS. Dasar pengambilan keputusannya adalah:
a. Jika ada pola tertentu, seperti titik-titik yang teratur, maka telah terjadi heteroskedastisitas.
b. Jika tidak ada pola tertentu, serta titik-titik yang menyebar tidak tertentu, maka tidak terjadi heteroskedastisitas atau terjadi homokedastisitas.
Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi heteroskedastisitas atau terjadi homokedastisitas dengan mengamati penyebaran titik-titik pada gambar.
Gambar 4.3
Hasil Uji Heteroskedastisitas (Sactterplot) Sumber : Data diolah penulis, 2010
Dari grafik scatterplots diatas terlihat bahwa titik-titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y. Hal ini dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi. Sehingga model ini layak dipakai untuk memprediksi harga saham perusahaan manufaktur yang terdaftar di Bursa Efek Indonesia (BEI)
berdasarkan masukan variabel independen CR, DER, OPM, PER, ROI dan TATO.
4. Uji Autokorelasi
Pengujian Autokorelasi menurut Ghozali (2005:95) bertujuan untuk menguji apakah dalam model regresi linear ada korelasi penganggu antara kesalahan penganggu pada periode t dengan kesalahan penganggu pada periode t-1. Autokorelasi menunjukkan adanya korelasi di antara data pengamatan yang tersusun baik seperti data cross sectional dan/atau time
series. Autokorelasi menunjukkan adanya kesalahan penganggu (residual)
tidak bebas dari satu pengamatan ke pengamatan lain. Jika terjadi autokorelasi dalam model regresi berarti koefisien korelasi yang diperoleh menjadi tidak akurat, sehingga model regresi yang baik adalah model yang bebas dari autokorelasi. Untuk mengetahui adanya autokorelasi digunakan uji
Durbin-Watson, dengan kriteria menurut Triton P B (2006:158) dengan cara melihat
besaran Durbin-Watson sebagai berikut:
•Jika Angka D-W > dU,maka tidak ada autokorelasi •Jika Angka D-W < dU,maka terjadi autokorelasi.
•Jika dL<D-W<dU, maka tidak dapat dideteksi apakah terjadi Autokorelasi atau tidak
Tabel 4.9
Hasil Uji Autokorelasi
Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .604a .365 .342 1.45306 1.961
a. Predictors: (Constant), Ln_TATO, Ln_DER, Ln_OPM, Ln_PER, Ln_CR, Ln_ROI b. Dependent Variable: Ln_Harga_Saham
Sumber data: Data diolah Penulis, 2010
Hasil uji autokorelasi di atas menunjukkan nilai statistik Durbin
Watson (dw) sebesar 1.961, nilai ini akan kita bandingkan dengan nilai
tabel dengan menggunakan signifikansi 5%, jumlah pengamatan 174 (n), dan jumlah variabel independen 6 (k=6), maka berdasarkan tabel Durbin
Watson didapat nilai batas atas (du) sebesar 1.8237 dan nilai batas bawah
(dl) sebesar 1.6813. Oleh karena itu, nilai (dw) lebih besar dari 1.8237 dan lebih kecil dari 4 – 1.8237 atau dapat dinyatakan bahwa 1.8237 < 1.961 < 4 - 1.8237 (du < dw < 4 – du). Dengan demikian dapat disimpulkan tidak terdapat autokorelasi baik positif maupun negatif.