BAB IV HASIL PENELITIAN DAN PEMBAHASAN
4.2. Analisis Penelitian
4.2.1. Statistik Deskriptif
Analisis statistik deskriptif merupakan metode analisis yang digunakan untuk memberikan gambaran mengenai nilai minimum, nilai maksimum, nilai rata-rata serta standar deviasi data yang digunakan dalam penelitian. Statistik deskriptif dari variabel penelitian ini disajikan dalam Tabel 4.1.
Tabel 4.1 Statistik Deskriptif
Sumber: Hasil Pengolahan SPSS 22 (2014)
Berdasarkan Tabel 4.1 dapat dideskripsikan sebagai berikut:
a. Variabel ROA (Return on Assets) memiliki nilai minimum 0,002 pada Bank Artha Graha Internasional dan nilai maksimum 0,094 dengan rata-rata sebesar 0,016 dan standar deviasi variabel ini adalah 0,011 dengan jumlah sampel sebanyak 105,
b. Variabel EPS (Earning per Share) memiliki nilai minimum sebesar 1.33 terdapat pada Bank Windu Kentjana International nilai maksimum sebesar 956,72 terdapat pada Bank rakyat Indonesia. Nilai rata-rata sebesar 1,725 dan deviasi standar sebesar 1,983 dan jumlah sampel sebanyak 105.
c. Variabel DER (Debt to Equity Ratio) memiliki nilai minimum sebesar 3,811 terdapat pada Bank Windu Kentjana International nilai maksimum sebesar
Descriptive Statistics
N Minimum Maximum Mean
Std. Deviation ROA 105 .002 .094 .01578 .010795 EPS 105 1.330 956.720 1.72525E 2 196.833018 DER 105 3.811 15.620 8.82057 2.480029 HS 105 50 9200 1982.65 2189.320 Valid N (listwise) 105
15,62 terdapat pada Bank rakyat Indonesia. Nilai rata-rata sebesar 8,821 dan deviasi standar sebesar 2,480 dan jumlah sampel sebanyak 105.
d. Variabel HS (Harga Saham) memiliki nilai minimum 50 dan nilai maksimum 9200 dengan rata-rata sebesar 1982,65 dan standar deviasi variabel ini adalah 2189,32 dengan jumlah sampel sebanyak 105.
4.2.2. Pengujian Asumsi Klasik 4.2.2.1. Uji Normalitas
Hasil uji normalitas pada penelitian ini menggunakan model Kolmogrov-Smirnov dan grafik histogram. Pada Tabel 4.2 terlihat bahwa nilai Asymp.Sig. (2-tailed) adalah 0,012 dibawah nilai signifikan (0,05), dengan kata lain variabel residual tidak berdistribusi normal.
Tabel 4.2 Kolmogorov-Smirnov
Sumber: Hasil Pengolahan SPSS 22 (2014) One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 105
Normal Parametersa Mean .0000000
Std. Deviation 1.22698645E3
Most Extreme Differences Absolute .157
Positive .109
Negative -.157
Kolmogorov-Smirnov Z 1.604
Asymp. Sig. (2-tailed) .012
Gambar 4.1
Histogram Hasil Uji Normalitas Sumber: Hasil Pengolahan SPSS 22 (2014)
Pada grafik histogram terlihat bahwa variabel HS (Harga Saham) tampak berdistribusi normal namun sedikit agak kurang normal sempura.
Gambar 4.2
P-Plot Uji Heteroskesdatisitas
Sumber: Hasil Pengolahan SPSS 22 (2014)
Pada grafik P-Plot juga terlihat bahwa variabel HS (Harga Saham) tampak berdistribusi normal namun sebenarnya tidak, karena nilai Asymp.Sig. (2-tailed) dibawah nilai signifikan 0,05 dan titik-titik terlihat cukup menjauh dari garis diagonal.
Maka untuk mengubah nilai residual agar berdistribusi normal, penulis melakukan transformasi data ke model logaritma natural (Ln) yaitu dari
persamaan HS = f(ROA, EPS, DER), menjadi LnHS = f(LnROA, LnEPS, LnDER). Setelah itu, data diuji ulang berdasarkan asumsi normalitas.
Tabel 4.3
Hasil Uji SetelahTransformasi Data
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 105
Normal Parametersa Mean .0000000
Std. Deviation .61698536
Most Extreme Differences Absolute .094
Positive .050
Negative -.094
Kolmogorov-Smirnov Z .968
Asymp. Sig. (2-tailed) .306
a. Test distribution is Normal.
Sumber: Hasil Pengolahan SPSS 22 (2014)
Dari tabel diatas, besarnya Kolmogorv-Smirnov (K-S) adalah 0,968 untuk Return on Assets, Earning Per Share, Debt to Equity Ratio dan harga saham. Untuk probababilitas signifikansi Asymp. Sig (2-tailed) dari masing-masing variabel adalah 0,306 dimana nilai signifikansinya > 0,05. Dengan demikian, secara keseluruhan dapat disimpulkan bahwa nilai-nilai observasi data telah terdistribusi secara normal dan dapat dilanjutkan dengan uji asumsi klasik
lainnya. Untuk lebih jelas, berikut ini turut dilampirkan grafik histogram dan plot data yang terdistribusi normal.
Gambar 4.3
Grafik Histogram (Setelah Data Ditransformasikan) Sumber: Hasil Pengolahan SPSS 22 (2014)
Pada grafik histogram setelah transformasi data terlihat bahwa variabel HS (Harga Saham) berdistribusi normal, hal ini ditunjukkan oleh distribusi data tersebut tidak menceng (skewness) ke kiri maupun ke kanan atau dengan kata lain berarti normal.
Gambar 4.4
Grafik Normal P-Plot (Setelah Data Ditransformasikan) Sumber: Hasil Pengolahan SPSS 22 (2014)
4.2.2.2.Uji Multikolinearitas
Ada atau tidak adanya multikolinieritas dapat dilakukan dengan melihat toleransi variabel dan Variance Inflation Factor (VIF) dengan membandingkan sebagai berikut Situmorang (2010 : 136) :
1. VIF > 5 maka diduga mempunyai persoalan multikolinieritas 2. VIF < 5 maka tidak terdapat multikolinieritas
4. Tolerance > 0,1 maka tidak terdapat multikolinieritas
Dari hasil output terlihat bahwa semua data (variabel) tidak terkena multikolinieritas.
Tabel 4.4
Sumber: Hasil Pengolahan SPSS 22 (2014)
Dari Hasil Uji Multikolinieritas pada Tabel 4.5 di atas, dapat dilihat bahwa angka tolerance pada variabel-variabel > 0.1 dan VIF-nya < 5. Berdasarkan tabel tersebut dapat disimpulkan bahwa tidak ada multikolinearitas antar variabel independen dalam model ini.
Cofficients Correlations untuk LnHS = f(LnROA, LnEPS, LnDER) Coefficientsa Model Unstandardized Coefficients Standardiz ed Coefficien ts t Sig. Collinearity Statistics B Std. Error Beta Toleran ce VIF 1 (Consta nt) 3.054 .895 3.413 .001 LnROA -.435 .166 -.195 -2.622 .010 .354 2.829 LnEPS .987 .069 1.010 14.255 .000 .389 2.574 LnDER -1.131 .233 -.237 -4.856 .000 .818 1.222 a. Dependent Variable: LnHS
Tabel 4.5
4.2.2.3. Uji Heteroskesdastisitas
Menurut (Ghozali, 2005 : 105) Model regresi yang baik adalah “tidak terjadi heteroskedastisitas, untuk mendeteksi ada tidaknya heteroskedastisitas, dapat dilihat dari grafik scatterplot antara lain prediksi variabel dependen yaitu ZPRED dengan residualnya SRESID.” Titik-titik menyebar secara acak tidak membentuk sebuah pola tertentu yang jelas serta tersebar baik di atas maupun dibawah angka nol pada sumbu Y terlihat dari grafik scatterplot yang disajikan
Cofficients Correlations untuk LnHS = f(LnROA, LnEPS, LnDER) Coefficient Correlationsa
Model LnDER LnEPS LnROA
1 Correlations LnDER 1.000 -.316 .425 LnEPS -.316 1.000 -.782 LnROA .425 -.782 1.000 Covariances LnDER .054 -.005 .016 LnEPS -.005 .005 -.009 LnROA .016 -.009 .028 a. Dependent Variable: LnHS
Hasil besaran korelasi antar variabel dari tabel 4.6 di atas memperlihatkan bahwa antara variabel independen yang diuji, variabel Return on Asset dan Debt to Equity Ratio mempunyai korelasi paling tinggi yaitu sebesar 0,425 atau 42,5%. Hal ini tidak menunjukkan korelasi karena masih dibawah 0,90 sehingga dapat disimpulkan bahwa tidak ada multikolinieritas antar variabel independen dalam model penelitian ini.
pada Gambar 4.2. Hal ini berarti tidak terjadi heteroskedastisitas pada model regresi, sehingga model regresi layak dipakai untuk mengetahui pengaruh ROA, EPS dan DER terhadap harga saham perusahaan perbankan yang terdaftar di Bursa Efek Indonesia.
Gambar 4.5
Grafik Scatterplot Hasil Uji Heteroskesdatisitas Sumber: Hasil Pengolahan SPSS 22 (2014)
4.2.2.4. Uji Autokorelasi
Tabel 4.6
Hasil Uji Autokorelasi Durbin-Watson
D
Dari hasil Uji Autokorelasi pada Tabel 4.6 di atas menunjukkan nilai statistik Durbin-Watson (DW) sebesar 1,791. Nilai ini akan kita bandingkan dengan nilai tabel dengan menggunakan signifikasi 5% jumlah sampel (n) = 105, dan jumlah variabel independen (k) = 3, maka berdasarkan tabel Durbin-Watson didapat nilai batas (du) sebesar 1,7411 dan nilai batas bawah (dl) sebesar1,6237 oleh karena itu nilai (DW) lebih besar dari 1,7411 dan lebih kecil dari 4 – 1,7411 atau dapat dinyatakan bahwa ; 1,7411 < 1,791 < 4 – 1,7411 (du <d< 4 - du). Dengan demikian dapat disimpulkan tidak terdapat autokorelasi baik positif maupun negatif.
Hasil ini didukung dengan pengujian autokorelasi lainnya yaitu dengan menggunakan runs test. Runs test menurut Ghozali (2006 : 103) digunakan “untuk
Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .896a .803 .797 .626081 1.791
a. Predictors: (Constant), LnDER, LnEPS, LnROA b. Dependent Variable: LnHS
melihat apakah data residual terjadi secara random atau tidak.” Jika antar residual tidak terdapat hubungan korelasi maka dikatakan bahwa residual adalah acak atau random. Bila hasil output SPSS menunjukkan probabilitas signifikansi dibawah 0,05 disimpulkan terdapat gejala autokorelasi pada model regresi tersebut.
Hasil pengujian adalah sebagai berikut: Tabel 4.7
Hasil Uji Autokorelasi Runs Test
Runs Test
Unstandardized Residual
Test Valuea .01433
Cases < Test Value 52
Cases >= Test Value 53
Total Cases 105
Number of Runs 50
Z -.686
Asymp. Sig. (2-tailed) .493
a. Median
Sumber: Hasil Pengolahan SPSS 22 (2014)
Dari Tabel 4.7 (Runs Test) tersebut dapat dilihat nilai tes sebesar 0,01433 dengan probabilitas signifikan adalah 0,493 yang berarti lebih besar dari