Outline
1.
Definisi Analisis Regresi Linier Berganda
2.
Contoh Kasus
3.
Langkah-langkah pada Program SPSS 17
4.
Interpretasi Hasil
5.
Analisis Korelasi Ganda (R)
6.
Analisis Determinasi (R
2)
7.
Uji Koefisien Regresi Secara Bersama-sama
(Uji F)
1. Definisi
Analisis Regresi Linier Berganda adalah
hubungan secara linear antara dua atau lebih
variabel independen (X1 X2,....Xn,) dengan
variabel dependen (Y).
Analisis ini untuk memprediksikan nilai dari
variabel dependen apabila nilai variabel
independen mengalami kenaikan atau
penurunan.
Dan untuk mengetahui arah hubungan antara
variabel independen dengan variabel dependen
apakah masing-masing variabel independen
Persamaan regresi linear berganda sebagai berikut:
Y'= a+ b
1X
1+ b
2X
2+…+ b
nX
n
Keterangan:
Y' = Variabel dependen (nilai yang diprediksikan)
X1, X2…Xn = Variabel independen
a = Konstanta (nilai Y' apabila X1, X2…Xn = 0)
b1, b2…bn = Koefisien regresi (nilai peningkatan
2. Contoh Kasus
Seorang mahasiswa bernama Handoko melakukan
penelitian tentang faktor-faktor yang mempengaruhi
harga saham pada perusahaan di BEI (Bursa Efek
Indonesia).
Handoko dalam penelitiannya ingin mengetahui
hubungan antara rasio keuangan PER dan ROI
terhadap harga saham. Dengan ini Handoko
menganalisis dengan bantuan program SPSS dengan
alat analisis regresi linear berganda.
Dari uraian di atas maka didapat variabel dependen
No Tahun Y (Harga
Saham) X1 (PER%) X2 (ROI%)
1
1991
7500
3.28
3.14
2
1992
8950
5.05
5.00
3
1993
8250
4.00
4.75
4
1994
9000
5.97
6.23
5
1995
8750
4.24
6.03
6
1996
10000
8.00
8.75
7
1997
8200
7.45
7.72
8
1998
8300
7.47
8.00
9
1999
10900
12.68
10.40
10 2000
12800
14.45
12.42
11 2001
9450
10.50
8.62
12 2002
13000
17.24
12.07
13 2003
8000
15.56
5.83
14 2004
6500
10.85
5.20
15 2005
9000
16.56
8.53
16 2006
7600
13.24
7.37
17 2007
10200
16.98
9.38
18 2008
10600
16.57
9.20
19 2009
9270
14.83
8.82
3. Langkah-langkah pada
Program SPSS 17
Buka program SPSS dengan klik Start >> All Programs
>> SPSS Inc >> Statistic 17.0 >> SPSS Statistic 17.0. Pada kotak dialog SPSS Statis tic 17.0, klik
Cancel, hal ini karena ingin membuat data baru. Selanjutnya akan terbuka tampilan halaman SPSS.
Klik Variable View, kemudian pada kolom Name baris
pertama ketik Y, baris kedua ketik X1, dan baris ketiga ketik X2.
Untuk kolom Decimals, ubah menjadi 0 untuk variabel Y
(harga saham), sedangkan lainnya biarkan terisi 2.
Pada kolom Label, untuk kolom pada baris pertama ketik
Harga Saham, untuk kolom pada baris kedua ketik PER,
Buka halaman data view dengan klik
Data View,
maka didapat kolom variabel Y, X1, dan X2.
Kemudian ketikkan data sesuai dengan
Klik variabel Harga Saham dan masukkan ke
kotak Dependent, kemudian klik variabel
PER dan ROI kemudian masukkan ke kotak
Independent(s). Klik OK, maka hasil
output
yang didapat adalah:
Persamaan regresinya sebagai berikut:
Y' = a + b
1X
1+ b
2X
2Y' = 4604,424 + (-64,991)X
I+ 697,671X
2Y' = 4604,424 - 64,991X, + 697,671 X2
Keterangan:
Y' = Harga saham yang diprediksi (Rp) a = konstanta
b1, b2 = koefisien regresi X1 = PER (%)
4. Interpretasi Hasil
Persamaan regresi di atas dapat dijelaskan sebagai berikut:
Konstanta sebesar 4604,424; artinya jika PER (X1) dan
ROI (X2) nilainya adalah 0, maka harga saham (Y') nilainya
adalah Rp 4604,424.
Koefisien regresi variabel PER (X1) sebesar -64,991;
artinya jika PER mengalami kenaikan 1%, maka harga
saham (Y') akan mengalami penurunan sebesar Rp 64,991 dengan asumsi variabel independen lain nilainya tetap.
Koefisien bernilai negatif artinya terjadi hubungan negatif antara PER dengan harga saham, semakin naik PER, maka semakin turun harga saham.
Koefisien regresi variabel ROI (X2) sebesar 697,671;
artinya jika ROI mengalami kenaikan 1%, maka harga saham (Y') akan mengalami peningkatan sebesar Rp
5. Analisis Korelasi
Ganda (R)
Analisis korelasi ganda digunakan untuk
mengetahui
hubungan antara dua atau lebih
variabel independen (X1, X2,…
X
n) terhadap
variabel dependen (Y) secara serentak.
Koefisien ini menunjukkan seberapa besar
hubungan yang terjadi antara variabel
independen (X1, X2,…X
n) secara serentak
terhadap variabel dependen (Y).
Nilai R berkisar antara 0 sampai 1, nilai semakin
mendekati 1 berarti hubungan yang terjadi
semakin kuat, sebaliknya nilai semakin
Rumus korelasi ganda dengan dua variabel independen adalah:
Ry.x1x2 = √(ryx1)2 + (ryx2)2 – 2(ryx1)(ryx2)(rx1x2)
1 – (rx1x2)2
Keterangan:
Ry.x1xl = korelasi variabel X1 dengan X2secara bersama-sama
dengan harga saham
ryx1 = korelasi sederhana (product moment pearson)
antara X1 dengan Y
ryx2 = korelasi sederhana (product moment pearson)
antara X2 dengan Y
rx1x2 = korelasi sederhana (product moment pearson) antara X1
Menurut Sugiyono (2007) pedoman untuk
memberikan interpretasi koefisien korelasi
sebagai berikut:
0,00- 0,199
= sangat rendah
0,20- 0,399
= rendah
0,40- 0,599
= sedang
0,60- 0,799
= kuat
Hasil analisis korelasi ganda dapat dilihat
pada output
Model Summary
dari hasil
analisis Regresi Linier Berganda di atas.
Berdasarkan output diperoleh angka R
sebesar 0,879.
6. Analisis
Determinasi (R
2
)
Analisis determinasi digunakan untuk
mengetahui persentase sumbangan
pengaruh variabel independen (X1, X2,…
X
n) secara serentak terhadap variabel
dependen (Y).
R2 sama dengan 0, maka tidak ada sedikit pun persentase
sumbangan pengaruh yang diberikan variabel
independen terhadap variabel dependen, atau variasi variabel independen yang digunakan dalam model tidak menjelaskan sedikit pun variasi variabel dependen.
Sebaliknya R2 sama dengan 1, maka persentase
Rumus mencari koefisien determinasi dengan dua variabel
independen adalah:
R2 = (ryx1)2 + ryx2)2 – 2(ryx1)(ryx2)(rx1x2)
1 – (rx1x2)2
Keterangan:
R2 = koefisien determinasi
ryx1 = korelasi sederhana (product moment pearson) antara X1
dengan Y
ryx2 = korelasi sederhana (product moment pearson) antara X2
dengan Y
rx1x2 = korelasi sederhana (product moment pearson) antara X1
dengan X2
Hasil analisis determinasi dapat dilihat pada output Model
Summary dari hasil analisis Regresi Linier Berganda di atas.
Berdasarkan output diperoleh angka R2 (R Square) sebesar
0,773 atau (77,3%).
Hal ini menunjukkan bahwa persentase sumbangan
pengaruh variabel independen (PER dan ROI) terhadap variabel dependen (harga saham) sebesar 77,3%.
Atau variasi variabel independen yang digunakan dalam
model (PER dan ROI) mampu menjelaskan sebesar 77,3% variasi variabel dependen (harga saham). Sedangkan
sisanya sebesar 22,7% dipengaruhi atau dijelaskan oleh
Adjusted R Square adalah nilai R Square yang telah
disesuaikan.
Menurut Santoso (2001) bahwa untuk regresi dengan
lebih dari dua variabel independen digunakan Adjusted R2 sebagai koefisien determinasi.
Sedangkan Standard Error of the Estimate adalah suatu
ukuran banyaknya kesalahan model regresi dalam memprediksikan nilai Y.
Dari hasil regresi di dapat nilai 860,648 atau Rp
860,648 (satuan harga saham).
Hal ini berarti banyaknya kesalahan dalam prediksi
7. Uji Koefisien Regresi Secara
Bersama-sama (Uji F)
Uji ini digunakan untuk mengetahui apakah variabel
independen (X1,X2... Xn) secara bersama-sama berpengaruh
secara signifikan terhadap variabel dependen (Y).
F hitung dapat dicari dengan rumus sebagai berikut:
F hitung = R2/k . (1 – R2) / (n – k – 1)
Keterangan:
R2 = Koefisien determinasi
n = Jumlah data atau kasus
Hasil uji F dapat dilihat pada
output ANOVA
dari
hasil analisis Regresi Linier Berganda di atas.
Tahap-tahap untuk melakukan Uji F, adalah:
1. Merumuskan Hipotesis
Ho:
Tidak ada pengaruh antara PER dan ROI
secara bersama-sama terhadap harga saham.
Ha:
Ada pengaruh antara PER dan ROI secara
bersama-sama terh adap harga saham.
2. Menentukan tingkat signifikansi
3. Menentukan F hitung
Berdasarkan tabel diperoleh F hitung sebesar
28,953
4.
Menentukan
F tabel
Dengan menggunakan tingkat keyakinan 95%,
a= 5%, df 1 Jumlah variabel 1) atau 3-1 = 1,
dan df 2(n-k-1) atau 20-2-1 = 17 (n adalah
jumlah kasus dan k adalah jumlah variabel
independen), hasil diperoleh untuk F tabel
sebesar 3,592 dapat dicari di Ms Excel dengan
cara pada cell kosong ketik
=finv(0.05,2,17)
5. Kriteria pengujian
Ho diterima bila F hitung ≤ F tabel
Ho ditolak bila F hitung > F tabel
6. Membandingkan F hitung dengan F
tabel.
8. Kesimpulan
8. Uji Koefisien Regresi Secara
Parsial (Uji t)
Uji ini digunakan untuk mengetahui apakah
dalam model regresi variabel independen (X1,
X2,…X
n) secara parsial berpengaruh signifikan
terhadap variabel dependen (Y).
Rumus t hitung pada analisis regresi adalah:
t hitung = bi / Sbi
Keterangan:
Hasil uji t dapat dilihat pada output
Coefficients
dari hasil analisis Regresi
Linier
Berganda di atas.
Langkah-langkah uji t sebagai berikut:
Pengujian koefisien regresi variabel PER
1. Menentukan Hipotesis
Ho: Secara parsial tidak ada pengaruh antara PER
dengan harga saham
Ha: Secara parsial ada pengaruh antara PER
dengan harga saham
2. Menentukan tingkat signifikansi
3. Menentukan t hitung
Berdasarkan output diperoleh t hitung sebesar -1,
154
4. Menentukan t tabel
Tabel distribusi t dicari pada a = 5% : 2= 2,5% (uji
2 sisi) dengan derajat kebebasan (df) n-k-1 atau
20-2-1 = 17 (n adalah jumlah kasus dan k adalah
jumlah variabel independen).
5. Kriteria Pengujian
Ho diterima jika -t tabel <_ t hitung <_ t
tabel
Ho ditolak jika -t hitung < -t tabel atau t
hitung > t tabel
6. Membandingkan t hitung dengan t tabel
Nilai -t hitung > -t tabel (-1,154 > -2,110),
8. Kesimpulan
Oleh karena nilai -t hitung t tabel (-1,154
>-2,110) maka
Ho diterima,
artinya secara
parsial PER tidak berpengaruh terhadap harga
saham pada perusahaan di BEI.
Pengujian koefisien regresi variabel ROI
1. Menentukan Hipotesis
Ho:
Secara parsial tidak ada pengaruh antara
ROI dengan harga saham
Ha:
Secara parsial ada pengaruh antara ROI
dengan harga saham
2. Menentukan tingkat signifikansi
3. Menentukan t hitung
Berdasarkan
output
diperoleh t hitung sebesar 6,091
4. Menentukan t tabel
Tabel distribusi t dicari pada a = 5% : 2= 2,5% (uji 2
sisi) dengan derajat kebebasan (df) n-k-1 atau
20-2-1 = 20-2-17 (n adalah jumlah kasus dan k adalah jumlah
variabel independen).
Dengan pengujian 2 sisi (signifikansi = 0,025) hasil
diperoleh untuk t tabel sebesar 2,110 (Lihat pada
Tabel t) atau dapat dicari di Ms Excel dengan cara
pada
cell
kosong ketik
=tinv(0.05,17)
lalu tekan
5. Kriteria Pengujian
Ho diterima jika -t tabel <_ t hitung <_ t
tabel
Ho ditolak jika -t hitung < -t tabel atau t
hitung > t tabel
6. Membandingkan t hitung dengan t tabel
Nilai t hitung > t tabel (6,091 > 2,110) maka
7. Gambar
8. Kesimpulan
Oleh karena nilai t hitung > t tabel (6,091 > 2,110) maka Ho ditolak, artinya secara parsial ROI
berpengaruh terhadap harga saham pada perusahaan di BEI.