Metode Analisis Statistik Analisis Regresi Linear Berganda

53 b. Titik-titik data tidak mengumpul hanya di atas atau di bawah saja c. Penyebaran titik-titik data tidak boleh membentuk pola bergelombang melebar kemudian menyempit dan melebar kembali d. Penyebaran titik-titik data sebaiknya tidak berpola Uji ini juga dapat dilakukan melalui uji Glejser, yaitu dengan meregres nilai absolute residual terhadap variabel independen. Apabila signifikansi dari taraf nyata 5, maka dianggap tidak terjadi masalah heteroskedastisitas, dan begitu sebaliknya.

3.5.2 Metode Analisis Statistik

Penelitian ini menggunakan analisis regresi berganda. Analisis regresi ini dapat digunakan untuk memperoleh gambaran yang menyeluruh mengenai hubungan antara variabel dependen dan independen secara menyeluruh baik secara simultan atau secara parsial. Dalam penelitian ini analisis regresi linear berganda digunakan untuk mengetahui pengaruh return on assets, net profit margin, debt to equity, danearning per share terhadap harga saham basic industry and chemicals yang terdaftar di Bursa Efek Indonesia. Adapun persamaan regresi yang digunakan, yaitu: Y i,t = a + b 1 X 1 + b 2 X 2 + b 3 X 3 + b 4 X 4 + e Keterangan: Y i,t =Harga saham perusahaan i pada tahun t 54 a = Konstanta X 1 = Return on Assets ROA X 2 = Net Profit Margin NPM X 3 = Debt to Equity DER X 4 = Earning Per Share EPS b 1 = Koefisien regresi variabel X 1 b 2 = Koefisien regresi variabel X 2 b 3 = Koefisien regresi variabel X 3 b 4 = Koefisien regresi variabel X 4

3.5.3 Pengujian Hipotesis

Model regresi yang sudah memenuhi asumsi-asumsi klasik tersebut akan digunakan untuk menganalisis, suatu perhitungan statistik disebut signifikan secara statistik apabila nilai uji statistiknya berada dalam daerah kritis daerah dimana Ho ditolak. Sebaliknya, disebut tidak signifikan bila uji statistiknya berada dalam daerah dimana Ho diterima. Model pengujian yang dilakukan adalah uji F dan uji t.

1. Uji Signifikansi Simultan Uji-F

Pengujian ini dilakukan untuk mengetahui apakah semua variabel bebas secara bersama-sama atau serempak mempunyai pengaruh yang signifikan terhadap variabel terikat. Bentuk pengujiannya adalah: 55 Ho artinya tidak terdapat pengaruh yang signifikan secara bersamaan dari return on asset, net profit margin, debt to equity ratio dan earning per share terhadap harga saham. Ha artinya terdapat pengaruh yang signifikan secara bersamaan dari return on asset, net profit margin, debt to equity ratio dan earning per share terhadap harga saham. Dengan menggunakan tingkat signifikan α 5, jika nilai sig.F 0,05 maka Ho diterima, artinya tidak terdapat pengaruh yang signifikan secara bersamaan dari variabel bebas terhadap variabel terikat. Sebaliknya, jika nilai sig.F 0,05 maka Ha diterima, artinya terdapat pengaruh yang signifikan secara bersamaan dari variabel bebas terhadap variabel terikat. Pengambilan keputusan juga dapat dilakukan dengan membandingkan nilai F hitung dan nilai F tabel . Dimana kriterianya yaitu: Ho diterima dan Ha ditolak jika F hitung F tabel untuk α = 5 Ho ditolak dan Ha diterima jika F hitung F tabel untuk α = 5

2. Uji Signifikansi Parsial Uji-t

Pengujian ini dilakukan untuk mengetahui apakah setiap variabel bebas secara parsial mempunyai pengaruh yang signifikan terhadap variabel terikat. Dengan menggunakan tingkat s ignifikan α 5, jika nilai sig.t 0,05 maka Ho diterima, artinya tidak terdapat pengaruh yang signifikan terhadap variabel terikat. Sebaliknya, jika nilai sig.t 0,05 56 maka Ha diterima, artinya terdapat pengaruh yang signifikan antara variabel bebas terhadap variabel terikat. Nilai t hitung juga dapat dibandingkan dengan nilai t tabel . Kriteria pengambilan keputusannya yaitu: Ho diterima dan Ha ditolak jika t hitung t tabel untuk α = 5 Ho ditolak dan Ha diterima jika t hitung t tabel untuk α = 5

3. Koefisien Determinasi R

2 Koefisien determinasi adalah koefisien nilai yang menunjukkan besarnya variasi variabel terikat dependent variabel yang dipengaruhi oleh variasi variabel bebas independent variabel. Pengukuran besarnya persentase kebenaran dari uji regresi tersebut dapat dilihat melalui nilai koefisien derminasi multiple R 2 koefisien determinan mengukur proporsi dari variasi yang dapat dijelaskan oleh variabel bebas. Apabila nilai R 2 suatu regresi mendekati satu maka semakin baik regresi tersebut dan semakin mendekati nol maka variabel independen secara keseluruhan tidak bisa menjelaskan variabel dependen. Adjusted R square ini digunakan untuk melihat berapa besar pengaruh faktor-faktor yang ditimbulkan oleh variabel- variabel bebas terhadap variabel terikat. Untuk memastikan tipe hubungan antar variabel dapat dilihat pada tabel 3.3 berikut ini. 57 Tabel 3.3 Hubungan Antar Variabel Nilai Interpretasi 0,0 – 0,19 Sangat Tidak Erat 0,2 – 0,39 Tidak Erat 0,4 – 0,59 Cukup Erat 0,6 – 0,79 Erat 0,8 – 0,99 Sangat Erat Situmorang 2008:113 58

BAB IV HASIL DAN PEMBAHASAN

4.1 Gambaran Umum Perusahaan

Perusahaan yang digunakan di dalam penelitian ini adalah perusahaan yang bergerak di sektor basic industry and chemical yang terdaftar di Bursa Efek Indonesia yaitu sebanyak 58 perusahaan. Perusahaan-perusahaan ini adalah perusahaan yang memiliki aktivitas dari pengolahan sumber alam, lalu mengubahnya ke dalam berbagai bahan baik yang berupa bahan yang dapat dikonsumsi langsung maupun objek untuk diolah kembali dan bertujuan untuk memenuhi kebutuhan manusia. Adapun sub sektor dari perusahaan ini yaitu seperti semen, kramik, porselen dan kaca, logam dan sejenisnya, kimia, plastik dan kemasan, pakan ternak, kayu dan pengolahannya, dan pulp dan kertas. Metode pemilihan sampel yang digunakan adalah purposive judgement sampling method yaitu berdasarkan kriteria-kriteria tertentu. Berdasarkan metode tersebut diperoleh sampel penelitian yaitu sebanyak 32 perusahaan yang bergerak dalam sektor basic industry and chemical, periode penelitian tahun 2010-2012 yaitu sebanyak 3 tahun sehingga data pooling sebanyak 96. Tabel 4.1 Daftar Sampel Penelitian No Nama Perusahaan Kode 1 Argha Karya Prima Industry Tbk AKPI 2 Alakasa Industrindo Tbk ALKA 3 Alumindo Light Metal Industry ALMI 59 4 Asahimas Flat Glass Tbk. AMFG 5 Asiaplast Industries Tbk. APLI 6 Arwana Citramulia Tbk. ARNA 7 Berlina Tbk. BRNA 8 Betonjaya Manunggal Tbk. BTON 9 Budi Starch Sweetener Tbk. BUDI 10 Charoen Pokphand Indonesia Tbk CPIN 11 Ekadharma International Tbk. EKAD 12 Eterindo Wahanatama Tbk ETWA 13 Fajar Surya Wisesa Tbk. FASW 14 Gunawan Dianjaya Steel Tbk. GDST 15 Champion Pacific Indonesia Tbk IGAR 16 Indal Aluminium Industry Tbk. INAI 17 Indocement Tunggal Prakasa Tbk INTP 18 Japfa Comfeed Indonesia Tbk. JPFA 19 Jaya Pari Steel Tbk JPRS 20 Lion Metal Works Tbk. LION 21 Lionmesh Prima Tbk. LMSH 22 Malindo Feedmill Tbk. MAIN 23 Pelangi Indah Canindo Tbk PICO 24 Sekawan Intipratama Tbk SIAP 25 Sierad Produce Tbk. SIPD 26 Holcim Indonesia Tbk. SMCB 27 Semen Indonesia Persero Tbk. SMGR 28 Suparma Tbk. SPMA 29 Indo Acidatama Tbk SRSN 30 Surya Toto Indonesia Tbk. TOTO 31 Trias Sentosa Tbk. TRST 32 Yanaprima Hastapersada Tbk YPAS Sumber: Olahan Peneliti, 2014 60 4.2 Analisi Hasil Penelitian 4.2.1 Analisis Statistik Deskriptif Deskripsi variabel ini memberikan gambaran mengenai nilai minimum, nilai maksimum, nilai rata-rata, serta standar deviasi data yang digunakan dalam penelitian. Deskripsi variabel dari hasil penelitian ini dapat dilihat pada tabel 4.2 berikut : Tabel 4.2 Descriptive Statistics N Minimum Maximum Mean Std. Deviation LnHS 96 3.99 10.62 6.6430 1.64949 LnROA 96 -2.41 3.53 1.8402 1.06032 NPM 96 .13 28.95 8.2154 7.01103 DER 96 .15 4.32 1.0168 .90639 LnEPS 96 .22 8.37 4.2336 1.82118 Valid N listwise 96 Sumber : Data diolah peneliti Berdasarkan tabel 4.2 diatas dapat dijelaskan bahwa : a. Variabel harga saham Y memiliki sampel N sebanyak 96, dengan nilai minimum 3,99 dan nilai maksimum 10,62 serta nilai rata-rata 6,6430. Standard Deviation variabel ini adalah 1,64949. Jika nilai rata-rata lebih besar dibandingkan nilai standar deviasi menunjukkan bahwa data terdistribusi dengan baik sedangkan nilai rata-rata yang lebih kecil dari nilai standar deviasi menunjukkan data terdistribusi dengan kurang baik. b. Variabel ROA X 1 memiliki sampel N sebanyak 96, dengan nilai minimum -2,41 dan nilai maksimum 3,53 serta nilai rata-rata 1,8402. Standard Deviation variabel ini adalah 1,06032. 61 c. Variabel NPM X 2 memiliki sampel N sebanyak 96, dengan nilai minimum 0,13 dan nilai maksimum 28,95 serta nilai rata-rata 8,2154. Standard Deviation variabel ini adalah 7,01103. d. Variabel DER X 3 memiliki sampel N sebanyak 96, dengan nilai minimum 0,15 dan nilai maksimum 4,32 serta nilai rata-rata 1,0168. Standard Deviation variabel ini adalah 0,90639. e. Variabel EPS X 4 memiliki sampel N sebanyak 96, dengan nilai minimum 0,22 dan nilai maksimum 8,37 serta nilai rata-rata 4,2336. Standard Deviation variabel ini adalah 1,82118. 4.2.2 Uji Asumsi Klasik 4.2.2.1 Uji Normalitas Uji Normalitas dilakukan untuk menguji apakah dalam sebuah model regresi, variabel independen, dan variabel dependen atau keduanya mempunyai distribusi normal atau tidak. Uji ini akan dideteksi melalui dua cara, yaitu analisis grafik histogram dan Normal P-Plots dan analisis statistik Non-Parametrik Kolmogorov-Smirnov. 1. Analisis Grafik Analisis grafik dilakukan dengan melihat grafik histogram dan grafik normal P-Plots berikut ini : 62 Sumber : Hasil Olahan SPSS 16.00, 2014 Gambar 4.1 Histogram Dependent Variabel Pada gambar 4.1 di atas dapat disimpulkan bawa variabel tidak terdistribusi secara normal. Hal ini dikarenakan kurva histogram yang tidak memiliki keseimbangan ke kiri dan ke kanan atau berbentuk seperti lonceng. Sumber: Hasil Olahan SPSS 16.00, 2014 Gambar 4.2 Normal P-P Plot of Regression Standardized Residual Gambar 4.2 memperlihatkan garis normal probability plot dimana variabel tidak terdistribusi secara normal. Hal ini dikarenakan titik- 63 titik penyebaran data menyebar jauh dari garis diagonal serta tidak mengikuti arah garis diagonal. Menurut Erlina 2011 ada beberapa cara yang dapat digunakan mengatasi data yang tidak normal diantaranya: 1. Lakukan transformasi data ke bentuk lainnya. Pelanggaran asumsi normalitas biasanya disebabkan bentuknya menceng skew, sehingga untuk mengubah bentuk yang menceng tersebut dapat mengubah nilai atau mentransformasikan nilai ke dalam bentuk logaritma natural. 2. Lakukan trimming. Trimming adalah membuang data yang outlier. 3. Lakukan winsorizing, yaitu mengubah nilai data yang outlier ke suatu nilai tertentu. Melakukan winsorizing yaitu mengubah nilai observasi yang outlier menjadi nilai maksimum dan minimum yang diizinkan. Dalam penelitian ini cara yang digunakan yaitu dengan melakukan transformasi data ke dalam bentuk logaritma natural Ln, dimana data yang ditransformasikan adalah harga saham menjadi LnHS, return on assets menjadi LnROA, dan earning per share menjadi LnEPS dan kemudian data diuji ulang berdasarkan uji normalitas data, berikut ini hasil analisis grafik menggunakan histogram dan normal P-Plots setelah dilakukan transformasi data yaitu: 64 Sumber : Hasil olahan SPSS 16.00, 2014 Gambar 4.3 Histogram Dependent Variable Gambar 4.3 ini menunjukkan kurva histogram yang memiliki kemiringan seimbang ke kiri dan ke kanan atau tidak condong kekiri dan kekanan, melainkan ketengah dengan bentuk seperti lonceng, sehingga data dengan pola seperti ini memiliki distribusi normal. Akan tetapi jika kesimpulan normal atau tidak nya data hanya dilihat dari grafik histogram, maka hal ini dapat menyesatkan khususnya untuk jumlah sampel yang kecil. Metode lain yang digunakan dalam analisis grafik adalah dengan melihat normal probability plot. Jika distribusi data residual normal, maka garis yang akan menggambarkan data sesungguhnya akan mengikuti garis diagonalnya. Uji normalitas dengan melihat normal probability plot dapat dilihat pada gambar berikut : 65 Sumber : Hasil olahan SPSS 16.00, 2014 Gambar 4.4 Normal P-P Plot of Regression Standardized Residual Gambar 4.4 ini merupakan kurva P-Plot yang menunjukkan penyebaran titik-titik data disekitar garis diagonal dan mengikuti arah garis diagonal. Hal ini berarti data pada variabel yang digunakan, yaitu variabel harga saham berdistribusi normal. 2. Analisis Statistik Pengujian ini dilakukan dengan menggunakan uji kolmogorov- smirnov untuk mendapatkan tingkat uji normalitas yang lebih signifikan. Data yang berdistribusi normal ditunjukkan dengan nilai signifikansi diatas 0,05. Hasil pengujian menggunakan Uji Kolmogorov-Smirnov yaitu sebagai berikut: 66 Tabel 4.3 One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 96 Normal Parameters a Mean .0000000 Std. Deviation 5.00928668E3 Most Extreme Differences Absolute .268 Positive .268 Negative -.145 Kolmogorov-Smirnov Z 2.627 Asymp. Sig. 2-tailed .000 a. Test distribution is Normal. Sumber: Hasil Olahan SPSS 16.00, 2014 Dari tabel 4.3 di atas memperlihatkan bahwa variabel-variabel dalam penelitian ini tidak terdistribusi secara normal. Hal tersebut dapat dinilai melalui nilai signifikansi sebesar 0,000 yang diperoleh jauh lebih rendah dari nilai signifikansi yang diharapkan yaitu 0,05. Setelah dilakukan transformasi data dengan mengubah variabel dependen dan independen dalam bentuk logaritma natural Ln maka didapatkan hasil sebagai berikut: Tabel 4.4 One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 96 Normal Parameters a Mean .0000000 Std. Deviation .78405863 Most Extreme Differences Absolute .141 Positive .141 67 Negative -.075 Kolmogorov-Smirnov Z 1.380 Asymp. Sig. 2-tailed .144 a. Test distribution is Normal. Sumber : Hasil olahan SPSS 16.00, 2014 Berdasarkan tabel 4.4 menunjukkan bahwa data sudah terdistribusi secara normal. Hal ini di lihat dari nilai kolmogorov-smirnov Z sebesar 1,380 dengan nilai Asymp.Sig 2-tailed sebesar 0,144 atau probabilitas diatas 0,05. Hal ini berarti bahwa H diterima, yang berarti data residua l berasal dari distribusi normal.

4.2.2.2 Uji Multikolinearitas

Menurut Ghozali 2005, pengujian ini dapat dilihat melalui nilai tolerance dan Variance Inflation Factor VIF. Apabila nilai VIF 5 dan nilai tolerance 0,1 maka terjadi multikolinearitas dan apabila nilai VIF 5 dan nilai tolerance 0,1 maka tidak terjadi multikolinearitas. Hasil uji multikolinearitas dapat dilihat pada tabel berikut : Tabel 4.5 Coefficients a Model Unstandardized Coefficients Standardized Coefficients T Sig. Collinearity Statistics B Std. Error Beta Tolerance VIF 1 Constant 3.937 .246 15.985 .000 LnROA -.692 .137 -.445 -5.036 .000 .318 3.140 NPM .084 .021 .358 3.967 .000 .305 3.276 DER -.137 .121 -.075 -1.128 .262 .560 1.786 LnEPS .809 .082 .894 9.849 .000 .302 3.316 a. Dependent Variable: LnHS Sumber : Hasil olahan SPSS 16.00, 2014 68 Berdasarkan tabel 4.5 nilai tolerance dan VIF dari variabel ROA adalah sebesar 0,318 dan 3,140. Untuk variabel NPM adalah sebesar 0,305 dan 3,276. Variabel DER adalah sebesar 0,560 dan 1,786. Variabel EPS adalah sebesar 0,302 dan 3,316. Oleh karena itu, dapat disimpulkan dalam model ini tidak terdapat masalah multikolinearitas antara variabel bebas karena nilai tolerance berada di bawah 1 dan nilai VIF jauh di bawah angka 5.

4.2.2.3 Uji Autokorelasi

Uji ini bertujuan untuk menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 periode sebelumnya. Untuk mendeteksi ada tidaknya autokorelasi maka dilakukan pengujian Durbin Watson DW dengan ketentuan sebagai berikut : a. Angka D-W pada output Model Summary di bawah -2 berarti ada autokorelasi positif. b. Angka D-W pada output Model Summary di antara -2 sampai +2 berarti tidak ada autokorelasi. c. Angka D-W pada output Model Summary di atas +2 berarti ada autokorelasi negatif. 69 Tabel 4.6 Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .880 a .774 .764 .80111 1.949 a. Predictors: Constant, LnEPS, DER, LnROA, NPM b. Dependent Variable: LnHS Sumber : Hasil olahan SPSS 16.00, 2014 Berdasarkan tabel 4.6 menunjukkan bahwa nilai Durbin Watson DW sebesar 1,949. Oleh karena nilai D_W di bawah antara -2 1,949 +2. Jadi dapat disimpulkan bahwa tidak ada terjadi autokorelasi pada model regresi yang digunakan dalam penelitian ini.

4.2.2.4 Uji Heteroskedastisitas

Pengujian ini digunakan untuk melihat apakah dalam sebuah model regresi terjadi ketidaksamaan varian dari residual dalam rangkaian suatu pengamatan ke pengamatan lain. Jika varians dari residual suatu pengamatan ke pengamatan lain tetap, maka disebut homoskedastisitas, dan jika berbeda disebut heteroskedastisitas. Salah satu uji untuk menguji heteroskedastisitas ini adalah dengan melihat penyebaran dari varians residual pada diagram pencar Scatterplot. 70 Gambar 4.5 Scatterplot Standardized Predicted Value Pada gambar 4.5 diatas terlihat penyebaran residual cenderung tidak teratur, terdapat beberapa plot yang berpencar dan tidak membentuk pola tertentu, sehingga dapat disimpulkan tidak terdapat gejala heteroskedastisitas pada model regresi dalam penelitian ini. untuk memperoleh tingkat uji heteroskedastisitas yang lebih signifikan, maka dalam penelitian ini juga dilakukan uji glejser. Apabila signifikansi dari variabel bebas lebih besar dari taraf nyata 5, maka dianggap tidak terjadi masalah heteroskedastisitas dan begitu juga sebaliknya. Tabel 4.7 Coefficients a Model Unstandardized Coefficients Standardized Coefficients T Sig. B Std. Error Beta 1 Constant .365 .172 2.118 .037 LnROA -.037 .096 -.070 -.381 .704 NPM .001 .015 .016 .084 .933 DER .061 .085 .100 .719 .474 LnEPS .043 .058 .139 .739 .462 a. Dependent Variable: abs_res Sumber : Hasil olahan SPSS 16.00, 2014 71 Berdasarkan tabel 4.7 menunjukkan bahwa nilai signifikansinya diatas tingkat kepercayaan 0,05 maka dapat disimpulkan bahwa dalam pengujian ini tidak ada terjadi heteroskedastisitas.

4.2.3 Analisis Regresi Linear Berganda

Tabel berikut ini menunjukkan hasil estimasi regresi melalui pengolahan data dengan SPSS 16.0 for Windows. Tabel 4.8 Coefficients a Model Unstandardized Coefficients Standardized Coefficients T Sig. B Std. Error Beta 1 Constant 3.937 .246 15.985 .000 LnROA -.692 .137 -.445 -5.036 .000 NPM .084 .021 .358 3.967 .000 DER -.137 .121 -.075 -1.128 .262 LnEPS .809 .082 .894 9.849 .000 a. Dependent Variable: LnHS Sumber : Hasil olahan SPSS 16.00, 2014 Tabel 4.8 pada kolom unstandardized coefficients beta dapat disusun persamaan regresi linier berganda sebagai berikut: Y = 3,937-0,692X 1 +0,084X 2 -0,137X 3 +0,809X 4 +e Dimana : Y = Harga saham X 1 = Return On Assets X 2 = Net Profit Margin X 3 = Debt to Equity Ratio 72 X 4 = Earning per Share e = Standard Error Dari persamaan regresi maka dapat diinterpretasikan beberapa hal yaitu : a. Nilai konstanta persamaan di atas adalah 3,937 yang menunjukkan apabila semua variabel independen dianggap konstan atau nol maka nilai dari harga saham adalah sebesar 3,937. b. Variabel return on assets berpengaruh negatif terhadap harga saham dengan nilai koefisien sebesar -0,692. Artinya jika return on assets naik sebesar 1 maka harga saham akan mengalami penurunan sebesar 0,692 dengan asumsi bahwa nilai variabel lain dianggap tidak konstan. c. Variabel net profit margin berpengaruh positif terhadap harga saham dengan nilai koefisien sebesar 0,084. Artinya jika net profit margin naik sebesar 1 maka harga saham akan mengalami kenaikan sebesar 0,084 dengan asumsi bahwa nilai variabel lain dianggap konstan. d. Variabel debt to equity ratio berpengaruh negatif terhadap harga saham dengan nilai koefisien sebesar -0,137. Artinya jika debt to equity ratio naik sebesar 1 maka harga saham akan mengalami penurunan sebesar 0,137 dengan asumsi bahwa nilai variabel lain dianggap tidak konstan. e. Variabel earning per share berpengaruh positif terhadap harga saham dengan nilai koefisien sebesar 0,809. Artinya jika net profit margin naik sebesar 1 maka harga saham akan mengalami kenaikan sebesar 0,809 dengan asumsi bahwa nilai variabel lain dianggap konstan. 73 4.2.4 Pengujian Hipotesis 4.2.4.1 Uji Signifikansi Simultan Uji F