3.6.2 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, debt to equity, dan earning per share
terhadap harga saham pertambangan 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
+ e
Keterangan: Y
i,t
= Harga saham perusahaan i pada tahun t
a = Konstanta
X
1
= Return on Assets ROA X
2
= Debt to Equity DER X
3
= 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
3.6.3 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:
Ho artinya tidak ada pengaruh yang signifikan secara bersamaan dari return on asset, debt to equity ratio dan earning per share terhadap harga saham.
Ha artinya terdapat pengaruh yang signifikan secara bersamaan dari return on asset, 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 ada pengaruh yang signifikan secara bersamaan
dari variabel bebas terhadap variabel terikat. Sebaliknya, jika nilai sig.F 0,05 maka Ha diterima, artinya ada 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 signifikan α 5, jika nilai sig.t 0,05 maka Ho diterima, artinya tidak ada pengaruh yang signifikan terhadap variabel
terikat. Sebaliknya, jika nilai sig.t 0,05 maka Ha diterima, artinya ada 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:
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
BAB IV HASIL DAN PEMBAHASAN
4.1 Data Penelitian
Metode analisis data yang digunakan dalam penelitian ini adalah metode analisis statistik yang menggunakan persamaan regresi linier berganda. Analisis
data dimulai dengan mengolah data dengan menggunakan Microsoft Excel, selanjutnya dilakukan pengujian asumsi klasik dan pengujian hipotesis. Pengujian
asumsi klasik dan pengujian hipotesis dilakukan dengan menggunakan software SPSS versi 16. Prosedur dimulai dengan memasukkan variable-variabel penelitian
ke program SPSS tersebut dan menghasilkan output-output sesuai metode analisis data yang telah ditentukan. Berdasarkan kriteria yang telah ditetapkan, didapat 11
perusahaan pertambangan yang memenuhi kriteria dan dijadikan sampel dalam penelitian ini dan diamati selama periode 2010-2013
Tabel 4.1 Daftar Sampel Penelitian
.
No Kode Emiten
Nama Perusahaan
1 ADRO
PT Adaro Energy Tbk 2
ANTM PT Aneka Tambang Persero Tbk
3 ARTI
PT Ratu Prabu Energy Tbk 4
CITA PT Cita Mineral Investindo Tbk
5 GTBO
PT Garda Tujuh Buana Tbk 6
ITMG PT Indo Tambangraya Megah Tbk
7 KKGI
PT Resource Alam Indonesia Tbk
8 MEDC
PT Medco Energi International Tbk 9
PTBA PT Tambang Batu Bara Bukit Asam Persero Tbk
10 PTRO
PT Petrosea Tbk 11
RUIS PT Radiant Utama Interinsco Tbk
Sumber: Peneliti, 2014
4.2 Analisis 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
ROA 44
.19 57.70
13.1782 12.73446
DER 44
.14 3.96
1.0777 .93932
EPS 44
.34 4726.41 6.5504E2
1196.55290 LNHargaSaham
44 4.19
10.59 7.6252
1.75633 Valid N listwise
44 Sumber : Data diolah peneliti, 2014
Berdasarkan tabel 4.2 diatas dapat dijelaskan bahwa : a.
Variabel ROA X
1
memiliki sampel N sebanyak 44, dengan nilai minimum 0,19 dan nilai maksimum 57,70 serta nilai rata-rata 13,1782.
Standard Deviation variabel ini adalah 12,73446.
b. Variabel DER X
2
memiliki sampel N sebanyak 44, dengan nilai minimum 0,14 dan nilai maksimum 3,96 serta nilai rata-rata 1,0777.
Standard Deviation variabel ini adalah 0,93932. c.
Variabel EPS X
3
memiliki sampel N sebanyak 44, dengan nilai minimum 0,34 dan nilai maksimum 4.726,41 serta nilai rata-rata 6,5504.
Standard Deviation variabel ini adalah 1.199,55290. d.
Variabel Harga Saham Y memiliki sampel N sebanyak 44, dengan nilai minimum 4,19 dan nilai maksimum 10,59 serta nilai rata-rata 7,6252.
Standard Deviation variabel ini adalah 1,75633. 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.
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:
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-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 LnHargaSaham 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:
Sumber : Hasil Olahan SPSS 16.00, 2014
Gambar 4.3 Histogram Dependent Variabel
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:
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.
Setelah dilakukan transformasi data dengan mengubah variabel dependen dan independen dalam bentuk logaritma natural Ln maka
didapatkan hasil sebagai berikut:
Tabel 4.3 One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 44
Normal Parameters
a
Mean .0000000
Std. Deviation 1.34961167
Most Extreme Differences Absolute
.055 Positive
.055 Negative
-.038 Kolmogorov-Smirnov Z
.364 Asymp. Sig. 2-tailed
.999 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 0,364 dengan nilai Asymp.Sig 2-tailed sebesar 0,999 atau probabilitas
diatas 0,05. Hal ini berarti bahwa H diterima, yang berarti data residual
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
10 dan nilai tolerance 0,1 maka terjadi multikolinearitas dan apabila nilai VIF 10 dan nilai tolerance 0,1 maka tidak terjadi
multikolinearitas. Hasil uji multikolinearitas dapat dilihat pada tabel berikut :
Sumber : Hasil olahan SPSS 16.00, 2014 Berdasarkan tabel 4.4 nilai tolerance dan VIF dari variabel ROA
adalah sebesar 0,676 dan 1,479. Untuk variabel DER adalah sebesar 0,787 dan 1,270. Variabel EPS adalah sebesar 0,836 dan 1,196 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 10.
Tabel 4.4 Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity
Statistics B
Std. Error
Beta Tolerance VIF
1 Constant
7.079 .496
14.275 .000
ROA .025
.020 .181 1.224
.228 .676 1.479
DER -.241
.256 -.129 -.939
.353 .787 1.270
EPS .001
.000 .496 3.732
.001 .836 1.196
a. Dependent Variable: LNHargaSaham
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.
Tabel 4.5 Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .640
a
.410 .365
1.39931 1.548
a. Predictors: Constant, EPS, DER, ROA b. Dependent Variable: LNHargaSaham
Sumber : Hasil olahan SPSS 16.00, 2014 Berdasarkan tabel 4.5 menunjukkan bahwa nilai Durbin Watson
DW sebesar 1,548. Oleh karena nilai D_W di bawah antara -2 1,548 +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.
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 4.6 Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. B
Std. Error Beta
1 Constant
1.548 .279
5.539 .000
ROA -.018
.011 -.294
-1.587 .120
DER -.199
.144 -.237
-1.383 .174
EPS 2.316E-5
.000 .035
.211 .834
a. Dependent Variable: ABS Sumber : Hasil olahan SPSS 16.00, 2014
Berdasarkan tabel 4.6 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 4.7 pada kolom unstandardized coefficients beta dapat disusun persamaan regresi linier berganda sebagai berikut:
Y = 7,079+0,025X
1
-0,241X
2
+0,001X
3
+e Dimana :
Y = Harga saham X
1
= Return On Assets X
2
= Debt to Equity Ratio X
3
= Earning per Share e = Standard Error
Dari persamaan regresi maka dapat diinterpretasikan beberapa hal yaitu : a.
Nilai konstanta persamaan di atas adalah 7,079 yang menunjukkan apabila semua variabel independen dianggap konstan atau nol maka nilai
dari harga saham adalah sebesar 7,079.
Tabel 4.7 Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity
Statistics B
Std. Error
Beta Tolerance VIF
1 Constant
7.079 .496
14.275 .000
ROA .025
.020 .181 1.224
.228 .676 1.479
DER -.241
.256 -.129 -.939
.353 .787 1.270
EPS .001
.000 .496 3.732
.001 .836 1.196
a. Dependent Variable:
LNHargaSaham
b. Variabel return on assets berpengaruh positif terhadap harga saham
dengan nilai koefisien sebesar 0,025. Artinya jika return on assets naik sebesar 1 maka harga saham akan mengalami kenaikan sebesar 0,025
dengan asumsi bahwa nilai variabel lain dianggap konstan. c.
Variabel debt to equity ratio berpengaruh negatif terhadap harga saham dengan nilai koefisien sebesar -0,241. Artinya jika debt to equity ratio
naik sebesar 1 maka harga saham akan mengalami penurunan sebesar - 0,241 dengan asumsi bahwa nilai variabel lain dianggap tidak konstan.
d. Variabel earning per share berpengaruh positif terhadap harga saham
dengan nilai koefisien sebesar 0,001. Artinya jika earning per share naik sebesar 1 maka harga saham akan mengalami kenaikan sebesar 0,001
dengan asumsi bahwa nilai variabel lain dianggap konstan.
4.2.4 Pengujian Hipotesis 4.2.4.1 Uji Signifikansi Simultan Uji F