BAB V HASIL PENELITIAN DAN PEMBAHASAN
5.1 Hasil Penelitian
5.1.1 Statistik Deskriptif
Statistik deskriptif memberikan gambaran umum tentang objek penelitian
yang dijadikan sampel penelitian. Penjelasan data melalui statistik deskriptif
diharapkan memberikan gambaran awal tentang masalah yang diteliti. Statistik
Tabel 5.1. Descriptive Statistics
N Minimum Maximum Mean Std. Deviation Skewness Kurtosis
Statistic Statistic Statistic Statistic Statistic Statistic
Std.
Error Statistic Std. Error
HGS 351 36.40000 1.29000E5 4.2393251E3 1.32954613E4 6.695 .130 53.616 .260 ROA 351 -1.06200 .90400 .0508917 .14092829 -.433 .130 17.688 .260 ROE 351 -230.76000 59.44000 -.3277689 12.77428594 -16.575 .130 306.126 .260 PER 351 -345.00000 1458.33000 22.0238746 87.98010443 12.620 .130 205.228 .260 Valid N
(listwise) 351
Dari Tabel 5.1. dapat dijelaskan bahwa :
1. Rata-rata dari harga saham (HGS) adalah 4239.3251 dengan deviasi standar
sebesar 13295.4613, harga saham minimum 36.40000, harga saham
maksimum sebesar 129000.0000 dengan jumlah data sebanyak 351.
2. Rata-rata dari return on asset (ROA) adalah 0.0508917 dengan deviasi
standar sebesar 0.14092829, ROA minimum -1.06200, ROA maksimum
sebesar 0. 90400 dengan jumlah data sebanyak 351.
3. Rata-rata dari return on equty (ROE) adalah -0.3277696 dengan deviasi
standar sebesar 12.77428594, ROE minimum -230.76000, ROE maksimum
sebesar 59.44000 dengan jumlah data sebanyak 351.
4. Rata-rata dari price earning ration (PER) adalah 22.0238746 dengan deviasi
standar sebesar 87.98010443, PER minimum -345.00000, PER maksimum
5. Nilai skweness HGS= 6.695 ROA= -0.443 ROE=-16.575 dan PER=12.620
dapat disimpulkan bahwa data HGS, ROA, ROE dan PER tidak terdistribusi
secara normal karena nilainya tidak mendekati nol.
6. Nilai kurtosis HGS=53.616 ROA=17.688 ROE=306.126 dan PER=205.228
Nilai kurtosis tidak berpengaruh terhadap penilaian distribusi normal (Lubis
et.al, 2007).
5.1.2. Pengujian Asumsi Klasik
Untuk menghasilkan suatu model regresi yang baik, analisis regresi
memerlukan pengujian asumsi klasik sebelum melakukan pengujian hipotesis.
Apabila terjadi penyimpangan dalam pengujian asumsi klasik perlu dilakukan
perbaikan terlebih dahulu.
5.1.2.1. Uji normalitas
Uji normalitas ini dilakukan dengan tujuan untuk menguji apakah dalam
sebuah model regresi variabel dependen dan variabel independen mempunyai
distribusi normal atau tidak. Model regresi yang baik dan layak digunakan dalam
penelitian adalah distribusi data normal atau mendekati normal.
Hasil uji normalitas dengan grafik dideteksi dengan grafik histogram
Gambar 5.1.Grafik Histogram Sebelum Memenuhi Asumsi Klasik
Dari Gambar 5.1. menunjukkan bahwa hasil tampilan grafik histogram
variable ROA, ROE, PER dan HGS tidak normal dan menceng ke kiri (positive
skwenes).
Hasil uji normalitas dengan Normal Probability plot (P-P Plot) dengan regresi
dapat ditunjukkan pada gambar berikut:
Dari Gambar 5.2. terlihat bahwa titik-titik menyebar jauh dari garis diagonal
dan tidak mengikuti arah garis diagonal, maka model regresi tidak memenuhi asumsi
normalitas.
Uji normalitas data dapat juga dilakukan dengan menggunakan uji statistik
non parametrik Kolmogorov-Smirnov (K-S), pengujian ini adalah pengujian paling
valid atas asumsi normalitas.
Tabel 5.2. Uji Kolmogorov-Smirnov Sebelum Memenuhi Asumsi Klasik One-Sample Kolmogorov-Smirnov Test
HGS ROA ROE PER
N 351 351 351 351 Mean 4.2393251E3 .0508917 -.3277689 22.0238746 Normal Parametersa Std. Deviation 1.32954613E4 .14092829 12.77428594 87.98010443 Absolute .376 .194 .476 .327 Positive .349 .145 .424 .313
Most Extreme Differences
Negative -.376 -.194 -.476 -.327
Kolmogorov-Smirnov Z 7.032 7.044 3.638 8.926
Asymp. Sig. (2-tailed) .000 .000 .000 .000
a. Test distribution is Normal.
Dari hasil uji normalitas pada Tabel 5.2. dapat dilihat bahwa variabel ROA,
ROE, PER dan HGS memiliki data yang tidak berdistribusi normal karena nilai
signifikansi (Asymp.Sig.(2-tiled)) dari masing-masing variabel sebesar 0.000 lebih
kecil dari 0.05. Menurut Erlina dan Mulyani (2007) ada beberapa cara mengubah
model regresi menjadi normal yaitu: melakukan transformasi data ke bentuk lainnya;
melakukan trimming yaitu membuang data outlier; melakukan winsorizing yaitu
Untuk mengubah nilai residual agar berdistribusi normal, peneliti melakukan
transformasi data dengan fungsi Ln menggunakan SPSS. Caranya adalah dengan
melakukan Ln terhadap semua variabel yang tidak berdistribusi normal. Setelah itu,
data diuji ulang berdasarkan hasil uji statistik non parametrik Kolmogorov-Smirnov
(K-S), hasil pengujian pada Tabel 5.3.
Tabel 5.3 Uji Kolmogorov-Smirnov Setelah Memenuhi Asumsi Klasik One-Sample Kolmogorov-Smirnov Test
LN_HGS LN_ROA LN_ROE LN_PER
N 351 284 300 294 6.5297897 -3.1172732 -2.1122194 2.5693218 2.5693218 Normal Parametersa 1.81378633 1.31685077 1.31758572 1.09651410 1.09651410 .057 .063 .078 .074 .074 .057 .039 .078 .074 .074 Most Extreme Differences -.057 -.063 -.058 -.038 -.038 Kolmogorov-Smirnov Z 1.075 1.063 1.346 1.274
Asymp. Sig. (2-tailed) .198 .208 .053 .078
a. Test distribution is Normal.
Dari hasil uji normalitas pada Tabel 5.3. dapat dilihat bahwa variabel ROA,
ROE, PER dan HGS memiliki data yang berdistribusi normal dengan nilai
signifikansi dari masing-masing variabel lebih besar dari 0.05.
Hasil uji normalitas setelah transformasi data dalam bentuk Ln dapat dideteksi
Gambar 5.3.Grafik Histogram Setelah Memenuhi Asumsi Klasik
Dari Gambar 5.3. menunjukkan kurva dengan kemiringan yang cenderung
seimbang baik pada sisi kanan maupun pada sisi kiri, dan kurva berbentuk
menyerupai lonceng yang hampir sempurna. Dari hasil tampilan grafik histogram
variable ROA, ROE, PER dan HGS menunjukkan normal.
Hasil uji normalitas setelah melakukan transformasi data yang tidak normal
dengan Logaritma natural (LN) tersebut dapat ditunjukkan pada gambar 5.4.
Gambar 5.4 Normal P-P Plot Setelah Memenuhi Asumsi Klasik
Dari Gambar 5.4. Dapat dijelaskan bahwa penyebaran data mengikuti garis
diagonal , dengan demikian distribusi data mendekati normal.
Uji normalitas setelah transformasi variabel, mengakibatkan adanya
perubahan pada pemakaian defenisi operasional variabel. Adapun defenisi
operasional variabel untuk penyajian pembahasan berikutnya adalah:
1. ROA adalah hasil pembagian ln dari laba bersih setelah pajak dengan ln dari
total asset.
2. ROE adalah hasil pembagian ln dari laba setelah pajak dengan ln dari total
ekuitas.
3. PER adalah hasil pembagian ln dari harga saham rata-rata setelah publikasi
laporan keuangan yang diaudit oleh akuntan publik dengan earning per share
4. Harga Saham (Y) adalah hasil perkalian ln dari rata-rata harga saham selama
lima hari setelah laporan keuangan yang diaudit oleh akuntan publik di
publikasikan di Bursa Efek Indonesia.
5.1.2.2. Uji autokorelasi
Uji autokorelasi digunakan untuk mengetahui dan mendeteksi adanya
autokorelasi. Autokorelasi dalam penelitian dengan menggunakan besaran Durbin
Watson. Model regresi yang baik adalah model regresi yang bebas dari autokorelasi.
Hasil uji autokorelasi :
Tabel 5.4. Uji Autokorelasi Model Summaryb Change Statistics Model R R Square Adjusted R Square Std. Error of the Estimate R Square Change F Change df1 df2 Sig. F Change Durbin- Watson 1 .540a .292 .284 1.44036824 .292 35.825 3 261 .000 2.073 a. Predictors: (Constant), LN_PER, LN_ROE, LN_ROA
b. Dependent Variable: LN_HGS
Dari Tabel 5.4. Hasil uji autokorelasi menunjukkan nilai statistik Durbin-
Watson (D-W) sebesar 2.073. Oleh karena itu, nilai D-W dalam rentang nilai diatas
1.5 dan lebih kecil dari 2.5 (1.5 < 2.072 < 2.5) maka disimpulkan bahwa tidak terjadi
autokorelasi baik positif maupun negative (Setiaji, 2004).
5.1.2.3. Uji heteroskedastisitas
Uji heteroskedastisitas dalam penelitian ini dilakukan dengan melihat grafik
(SRESID). Jika ada pola tertentu seperti titik-titik yang ada membentuk pola tertentu
yang teratur maka mengindikasikan telah terjadi heteroskedastisitas dan jika tidak ada
pola yang jelas serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y
maka tidak terjadi heteroskedastisitas. Dimana Y adalah nilai residual dan X adalah
nilai yang telah diprediksi. Hasil uji heteroskedastisitas dapat dilihat pada grafik
Scatter-plot berikut ini :
Gambar 5.5. Grafik Scatter plot uji heteroskedastisitas
Dari grafik scatter-plot pada gambar 5.5. dapat di jelaskan bahwa tidak ada
pola yang jelas serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y.
Hal ini menyimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi
5.1.2.4 Uji multikolinieritas
Uji multikolinieritas digunakan untuk menguji apakah dalam model regresi
ditemukan korelasi antar variabel bebas (independen), model regresi yang baik
seharusnya tidak terjadi korelasi antar variabel bebas. Untuk mendeteksi ada tidaknya
multikolinieritas yaitu dengan melihat Tolerance Value dan Variance Inflation
Factor (VIF). Multikolinieritas terjadi jika nilai tolerance kurang dari 0.10 dan VIF
lebih besar dari 10, atau jika antar variabel independen ada korelasi yang cukup
tinggi umumnya di atas 0.9. Hasil uji multikolinieritas disajikan pada Tabel 5.5.
Tabel 5.5. Uji Multikolinieritas
Coefficientsa Unstandardized Coefficients Standardized Coefficients 95% Confidence
Interval for B Correlations
Collinearity Statistics
Model B
Std.
Error Beta t Sig.
Lower Bound
Upper Bound
Zero-
order Partial Part Tolerance VIF
(Constant) 8.223 .272 30.256 .000 7.688 8.758 LN_ROA .660 .079 .507 8.362 .000 .504 .815 .490 .460 .436 .739 1.353 LN_ROE .209 .089 .151 2.348 .020 .034 .384 .278 .144 .122 .654 1.528 1 LN_PER .410 .096 .257 4.290 .000 .222 .598 .005 .257 .224 .754 1.325 a. Dependent Variable: LN_HGS
Berdasarkan hasil pengujian multikolinieritas pada Tabel 5.5. Uji
multikolinieritas diperoleh bahwa angka tolerance pada variable ROA (LN_ROA),
ROE (LN_ROE) dan PER (LN_PER) diatas 0.10 atau > 0.10 dan angka VIF-nya < 10
atau lebih kecil dari 10. Hal ini menunjukkan bahwa tidak terjadi multikolinieritas
5.1.3. Hasil Analisis Data
Dari hasil pengujian asumsi klasik disimpulkan bahwa model regresi yang
dipakai dalam penelitian ini telah memenuhi model estimasi yang Best Linier
Unbiased Estimator (BLUE) dan layak dilakukan analisis regresi.
5.1.3.1. Persamaan regresi
Dalam pengolahan data dengan menggunakan regresi linier, dilakukan
beberapa tahapan untuk mencari hubungan antara variable independen dan variable
dependen. Hasil persamaan regresi linier dalam penelitian ini dapat dilihat pada Tabel
5.6. berikut :
Tabel 5.6. Analisa Regresi
Coefficientsa Unstandardized Coefficients Standardized Coefficients 95% Confidence
Interval for B Correlations Collinearity Statistics Model B Std. Error Beta t Sig. Lower Bound Upper Bound Zero-order Partial Part Tolerance VIF
(Constant) 8.223 .272 30.256 .000 7.688 8.758 LN_ROA .660 .079 .507 8.362 .000 .504 .815 .490 .460 .436 .739 1.353 LN_ROE .209 .089 .151 2.348 .020 .034 .384 .278 .144 .122 .654 1.528 1 LN_PER .410 .096 .257 4.290 .000 .222 .598 .005 .257 .224 .754 1.325 a. Dependent Variable: LN_HGS
Dari Tabel 5.6. tersebut, maka model regresi berganda antara variabel X
terhadap Y dapat diformulasikan dalam model persamaan sebagai berikut :
LnY = α + b1LnX1+ b2LnX2+ b3 LnX3+ e
Dari hasil persamaan regresi berganda tersebut, masing-masing variabel bebas dapat
diinterpretasikan pengaruhnya terhadap harga saham sebagai berikut :
a. α = 8.223
Nilai konstanta ini menunjukkan bahwa apabila tidak ada variabel Return on
Assets (X1), Return on Equity (X2) dan Price Earning Ratio (X3), maka Ln_HGS
adalah sebesar 8.223
b. b1 = 0.660
Koefisien regresi b1 menunjukkan bahwa setiap variabel Ln_ROA meningkat
sebesar satu persen, maka Ln_HGS akan bertambah sebesar 0.660 atau 66.0%
dengan asumsi variabel independen lainnya dianggap tetap atau sama dengan nol.
c. b2 = 0.209
Koefisien regresi b2 menunjukkan bahwa setiap variabel Ln_ROE meningkat
sebesar satu persen, maka Ln_HGS akan bertambah sebesar 0.209 atau 20.9%
dengan asumsi variabel independen lainnya dianggap tetap atau sama dengan nol.
d. b3 = 0.410
Koefisien regresi b3 menunjukkan bahwa setiap variabel Ln_PER meningkat
sebesar satu persen, maka Ln_HGS akan bertambah sebesar 0.410 atau 41.0%
5.1.3.2. Pengujian hipotesis
Pengujian hipotesis dilakukan untuk mengetahui apakah variabel independen
berpengaruh terhadap variabel dependen baik secara simultan maupun parsial.
5.1.3.3. Uji statistik F
Uji statistik F dilakukan untuk mengetahui apakah variabel independen yang
dimasukkan dalam model mempunyai pengaruh secara bersama-sama terhadap
variabel dependen. Uji statistik F disajikan pada Tabel 5.7.
Tabel 5.7. Uji Statitik F
ANOVAb Model Sum of Squares Df Mean Square F Sig. Regression 222.975 3 74.325 35.825 .000a Residual 541.486 261 2.075 1 Total 764.461 264
a. Predictors: (Constant), LN_PER, LN_ROE, LN_ROA b. Dependent Variable: LN_HGS
Berdasarkan hasil uji statistik F pada Tabel 5.7. menunjukkan bahwa nilai
Fhitung adalah 35.825 dengan tingkat signifikansi 0,000. Sedangkan Ftabel pada tingkat
kepercayaan 95 % (α = 0,05) adalah 2.60. Oleh karena pada kedua perhitungan Fhitung > Ftabel (35.825 > 2.60). Hal ini menunjukkan bahwa variabel independen ROA, ROE dan PER secara simultan berpengaruh terhadap variabel dependen harga
5.1.3.4. Uji statistik t
Uji statistik t dilakukan untuk menguji pengaruh secara parsial antara variabel
independen terhadap variabel dependen dengan asumsi bahwa variabel lain dianggap
konstan. Hasil uji statistik t dalam penelitian ini dapat dilihat pada Tabel 5.8. berikut
ini:
Tabel 5.8. Uji Statistik t
Coefficientsa Unstandardized Coefficients Standardized Coefficients 95% Confidence
Interval for B Correlations
Collinearity Statistics
Model B
Std.
Error Beta T Sig.
Lower Bound
Upper Bound
Zero-
order Partial Part Tolerance VIF
(Constant) 8.223 .272 30.256 .000 7.688 8.758 LN_ROA .660 .079 .507 8.362 .000 .504 .815 .490 .460 .436 .739 1.353 LN_ROE .209 .089 .151 2.348 .020 .034 .384 .278 .144 .122 .654 1.528 1 LN_PER .410 .096 .257 4.290 .000 .222 .598 .005 .257 .224 .754 1.325 a. Dependent Variable: LN_HGS
Dari hasil uji t yang terdapat pada Tabel 5.8. dapat diketahui pengaruh
masing-masing variabel independen terhadap variabel dependen.
a. Variabel Return on Assets (ROA) mempunyai nilai positif pada thitung 8.362 dan
nilai signifikansi sebesar 0.000. Karena nilai signifikansi ROA yaitu 0.000<0.05
maka dapat disimpulkan bahwa Return on Assets (ROA) berpengaruh positip
dan signifikan terhadap harga saham (thitung8.362>ttabel1.960).
b. Variabel Return on Equity (ROE) mempunyai nilai positif pada thitung 2.348 dan
nilai signifikansi sebesar 0.020. Karena nilai signifikansi ROE yaitu 0.020<0.05
maka dapat disimpulkan bahwa Return on Equity (ROE) berpengaruh positif dan
c. Price Earning Ratio (PER) mempunyai nilai positif pada thitung 4.290 dan nilai
signifikansi sebesar 0.000. Karena nilai signifikansi PER yaitu 0.000<0.05 maka
dapat disimpulkan bahwa Price Earning Share (PER) berpengaruh positif dan
signifikan terhadap harga saham (thitung4.290>ttabel1.960).
5.1.3.5. Koefisien determinasi (R2)
Hasil uji hipotesis yang menyatakan bahwa ROA, ROE dan PER mempunyai
pengaruh terhadap harga saham, untuk meyakinkan atau tingkat kekuatan hubungan
antar variabel dapat dilihat pada tabel koefisien determinasi berikut ini :
Tabel 5.9. Koefisien Determinasi (R2)
Model Summaryb Change Statistics Mode l R R Square Adjusted R Square Std. Error of the Estimate R Square Change F Change df1 df2 Sig. F Change Durbin- Watson 1 .540a .292 .284 1.44036824 .292 35.825 3 261 .000 2.073
a. Predictors: (Constant), LN_PER, LN_ROE, LN_ROA b. Dependent Variable: LN_HGS
Dari Tabel 5.9. Ditunjukkan bahwa nilai Adjusted R2 sebesar 0.284 atau
28.4% artinya bahwa 28.4% variable dependen Harga saham (Y) dapat dijelaskan
oleh variabel independen ROA (X1), ROE(X2) dan PER (X3), sisanya sebesar 71.6%
diduga dipengaruhi oleh variabel lain yang tidak dijelaskan oleh model penelitian ini
terangkum dalam error.