BAB III METODE PENELITIAN
4.2 Analisis Hasil Penelitian
4.2.1 Statistik Deskriptif
4.2.2.1 Uji Normalitas
Uji data statistik dengan model Kolmogorov-Smirnov dilakukan untuk mengetahui apakah data sudah terdistribusi secara normal atau tidak. Hasil uji normalitas dengan menggunakan model Kolmogorov- Smirnov adalah seperti yang ditampilkan berikut ini :
Tabel 4.4
Pengujian Normalitas 1
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 90
Normal Parametersa,,b Mean .0000000
Std. Deviation 52.02844117
Most Extreme Differences Absolute .103
Positive .103
Negative -.044
Kolmogorov-Smirnov Z .982
Asymp. Sig. (2-tailed) .290
a. Test distribution is Normal.
b. Calculated from data.
Sumber : Output SPSS, diolah penulis 2012
Dari tabel di atas, besarnya Kolmogorov-Smirnov (K-S) adalah 0.982 dan signifikansi pada 0.290. Hal tersebut menunjukkan bahwa hasil pengujian statistik dengan model Kolmogorov-Smirnov adalah data telah terdistribusi normal karena nilai Asym.Sig (2-tailed) Kolmogorov- Smirnov lebih besar dari 0.05. Untuk lebih jelasnya, berikut ini ditampilkan hasil uji normalitas dengan menggunakan analisis grafik yaitu grafik histogram dan grafik normal probability plot.
Gambar 4.1 Pengujian Normalitas 2
Gambar 4.2 Pengujian Normalitas 3
Gambar 4.1 memperlihatkan bahwa pada grafik histogram, distribusi data mengikuti kurva berbentuk lonceng yang tidak menceng (skewness) ke arah kiri atau kanan, sehingga dapat disimpulkan bahwa data tersebut terdistribusi normal. Gambar 4.2 memperlihatkan grafik normal probability plot, yang menunjukkan bahwa data (titik-titik) menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal. Hal tersebut berarti data terdistribusi normal. Hal ini sejalan dengan hasil pengujian dengan menggunakan histogram dan model Kolmogorov- Smirnov,yaitu yang berkesimpulan bahwa data telah terdistribusi normal. Karena secara keseluruhan data telah terdistribusi secara normal, maka dapat dilakukan pengujian asumsi klasik lainnya.
4.2.2.2 Uji Multikolinearitas
Dalam penelitian ini, untuk mendeteksi ada tidaknya gejala multikolinearitas adalah dengan melihat besaran korelasi antar variabel independen dan besarnya tingkat kolinearitas yang masih dapat ditolerir, yaitu nilai Tolerence > 0,10 dan Variance Inflation Factor (VIF) < 10. Uji Multikolinearitas menunjukkan hasil seperti disajikan pada tabel pengujian berikut :
Tabel 4.5
Pengujian Multikolinearitas
Sumber : Output SPSS, diolah penulis 2012
Berdasarkan data tersebut dapat diketahui bahwa nilai tolerance dari masing-masing variabel independen lebih besar dari 0.10, yaitu untuk variabel Capital Adequacy Ratio sebesar 0.508,variabel Return on Asset sebesar 0.132, variabel Return on Equity sebesar 0.131, variabel Loan to Deposit Ratio sebesar 0.923, dan variabel Price Earning Ratio sebesar 0.640. Nilai VIF dari masing-masing variabel independen diketahui kurang dari 10, yaitu untuk variabel Capital Adequacy Ratio sebesar 1.967,variabel Return on Asset sebesar 7.604, variabel Return on Equity sebesar 7.636, variabel Loan to Deposit Ratio sebesar 1.083, dan variabel Price Earning Ratio sebesar 1.561. Dengan demikian dapat disimpulkan bahwa pada penelitian ini tidak terdapat multikolinearitas.
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 62.174 40.976 1.517 .133
Capital Adequacy Ratio -1.072 1.301 -.125 -.824 .412 .508 1.967
Return on Asset 1.266 14.885 .025 .085 .932 .132 7.604
Return on Equity -.136 1.681 -.024 -.081 .936 .131 7.636
Loan to Deposit Ratio -.361 .413 -.098 -.875 .384 .923 1.083
Price Earning Ratio .027 .129 .028 .205 .838 .640 1.561
4.2.2.3 Uji Heteroskedastisitas
Dalam penelitian ini, untuk mengetahui apakah dalam penelitian terjadi heteroskedastisitas, dapat dilihat dengan grafik scatterplot berikut ini :
Gambar 4.3
Pengujian Heteroskedastisitas
Dari gambar scatterplot di atas, terlihat bahwa titik-titik menyebar secara acak dan tidak membentuk suatu pola tertentu atau tidak teratur, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y. Hal ini mengindikasikan tidak terjadi heteroskedastisitas pada model regresi sehingga model regresi layak dipakai untuk melihat pengaruh variabel independen terhadap variabel dependen.
4.2.2.4 Uji Autokorelasi
Model regresi yang baik adalah regresi yang bebas dari autokorelasi. Untuk menentukan ada tidaknya autokorelasi adalah dengan melakukan uji Durbin Watson. Hasil uji Durbin Watson dalam penelitian ini ditunjukkan sebagai berikut :
Tabel 4.6
Pengujian Autokorelasi
S u
Sumber : Output SPSS, diolah penulis 2012
Dari tabel diatas dapat dilihat bahwa nilai statistik uji Durbin- Watson sebesar 1.559 (berada di antara -2 sampai +2) atau dapat dikatakan mendekati 2. Dengan demikian dapat disimpulkan bahwa tidak ada autokorelasi antar variabel dependen dan independen.
4.2.3 Pengujian Hipotesis
Dari hasil pengujian asumsi klasik dapat disimpulkan bahwa model regresi yang dipakai dalam penelitian ini telah memenuhi model estimasi yang Best Linier Unbiased Estimator (BLUE) sehingga layak dilakukan analisis regresi. Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .143a .021 -.038 53.55453 1.559
a. Predictors: (Constant), Price Earning Ratio, Loan to Deposit Ratio, Return on Asset, Capital Adequacy Ratio, Return on Equity
4.2.3.1 Uji Koefisien Determinasi (R2)
Berikut merupakan hasil penilaian Goodness of Fit yaitu untuk mengetahui seberapa baik model yang digunakan dalam penelitian. 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. Semakin tinggi nilai R Square maka akan semakin baik model bagi regresi. Nilai R square adalah nol sampai dengan satu.
Tabel 4.7
Pengujian Goodness of Fit
Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate 1 .143a .021 -.038 53.55453
a. Predictors: (Constant), Price Earning Ratio, Loan to Deposit Ratio, Return on Asset, Capital Adequacy Ratio, Return on Equity
b. Dependent Variable: Return Saham
Sumber : Output SPSS, diolah penulis 2012
Dari tabel diatas dapat dilihat bahwa R Square pada model regresi adalah sebesar 0.021 yang berarti bahwa 2.1% variabel dependen (Return Saham) dapat dijelaskan oleh kelima variabel independen (CAR, ROA, ROE, LDR, dan PER). Sedangkan sisanya 97.9% dapat dijelaskan oleh faktor-faktor lain yang tidak diteliti dalam penelitian ini.
4.2.3.2 Uji Signifikansi Simultan (Uji F)
Pengujian ini dilakukan untuk mengetahui apakah semua variabel independen (bebas) mempunyai pengaruh secara bersama-sama terhadap variabel dependen (terikat).
Dengan menggunakan tingkat signifikan (α) sebesar 5%, apabila nilai sig. F > 0.05, maka H0 diterima, artinya tidak terdapat pengaruh
yang signifikan secara bersama-sama dari variabel independen terhadap variabel dependen. Sebaliknya, apabila nilai sig. F < 0.05, maka Ha
diterima, artinya terdapat pengaruh yang signifikan secara bersama-sama dari variabel independen terhadap variabel dependen.
Tabel 4.8 Hasil Uji F
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 5062.605 5 1012.521 .353 .879a
Residual 240919.323 84 2868.087
Total 245981.928 89
a. Predictors: (Constant), Price Earning Ratio, Loan to Deposit Ratio, Return on Asset, Capital Adequacy Ratio, Return on Equity
b. Dependent Variable: Return Saham
Sumber : Output SPSS, diolah penulis 2012
Pada tabel 4.8 diatas dapat dilihat bahwa nilai Sig. F adalah sebesar 0.879 sedangkan nilai α adalah sebesar 0.05. Dengan demikian nilai dari Sig. F (0.879) > sig. α (0.05). Selain itu, nilai F-hitung adalah sebesar 0.353, sedangkan nilai F-tabel yang diperoleh adalah sebesar 2.32. Dengan demikian F-hitung (0.353) < F-tabel (2.32). Sehingga dapat
sama tidak terdapat pengaruh yang signifikan antara variabel independen (CAR, ROA, ROE, LDR dan PER) terhadap variabel dependen (return saham).