dan Pengolahan
Data Bimbingan
Skripsi
Penyelesaian Skripsi
BAB IV HASIL PENELITIAN DAN PEMBAHASAN
4.1 Deskripsi Data Penelitian
Populasi yang diteliti dalam penelitian ini adalah perusahaan manufaktur yang terdaftar di Bursa Efek Indonesia selama tahun 2009-2012. Perusahaan yang dijadikan
sampel berjumlah 30 perusahaan.Data variabel perubahan juga dipakai dalam penelitian ini.Daftar perusahaan yang telah ditentukan dapat dilihat pada tabel 3.1 dan lampiran 4.
4.2 Analisis Hasil Penelitian 4.2.1 Statistik deskriptif
Statistik deskriptif ini memberikan gambaran mengenai nilai minimum, nilai maksimun, mean, dan standar deviasi. Statistik deskriptif akan dijelaskan dalam tabel
berikut ini.
Tabel 4.1. Tabel Statistik Deskriptif
Descriptive Statistics
Universitas Sumatera Utara
N Minimum
Maximum Mean
Std. Deviation MVA
90 -1.60E12
1.43E14 6.9793E12 2.24913E13
EVA 90
-1.11E10 1.21E11
8.2899E9 1.85670E10
Return Saham 90
-.76 3.57
.3630 .76204
Valid N listwise 90
Sumber :OutputSPSS, diolah Peneliti, 2013
Berdasarkan data dari tabel 4.1 dapat dijelaskan bahwa : 1. Rata-rata dari MVA adalah 6,9793E12 dengan standar deviasi 2,24913E13
dan jumlah data yang ada adalah 90. Nilai tertinggi MVA adalah 1,43E14sedangkan nilai terendah adalah -160E12.
2. Rata-rata dari EVA adalah 8,2899E9dengan standar deviasi 1,85670E10 dan jumlah data yang ada adalah 90. Nilai EVA tertinggi adalah 1,21E11
sedangkan nilai terendah adalah -1,11E10. 3. Rata-rata dari return saham adalah 0,3630 dengan standar deviasi
0,76204dan jumlah data yang ada adalah 90. Nilai tertinggi return saham adalah 3,57 sedangkan nilai terendah adalah -0,76.
4.2.2 Pengujian asumsi klasik
Salah satu satu syarat yang menjadi dasar penggunaan model regresi berganda dengan metode estimasi Ordinary Least Square OLS adalah dipenuhinya semua
asumsi klasik, agar hasil pengujian bersifat tidak bias dan efisien Best Linear Unbiased Estimator. Pengujian asumsi klasik dalam penelitian ini dilakukan dengan
Universitas Sumatera Utara
bantuan program statistik. Menurut Ghozali 2005, asumsi klasik yang harus dipenuhi adalah sebagai berikut ini:
a Berdistibusi normal. b Non-Multikolinearitas, artinya antara variabel independen dalam model
regresi tidak memiliki korelasi atau hubungan secara sempurna ataupun mendekati sempurna.
c Non-Autokorelasi, artinya kesalahan pengganggu dalam model regresi tidak saling berkorelasi.
d Non-Heterokedastisitas, artinya variance variabel independen dari satu pengamatan ke pengamatan lain adalah konstan atau sama.
e
4.2.2.1. Uji normalitas
Uji data statistik dengan model Kolmogorov-Smirnov dilakukan untuk mengetahui apakah data sudah terdistribusi secara normal atau tidak. Ghozali 2005,
memberikan pedoman pengambilan keputusan rentang data mendekati atau merupakan distribusi normal berdasarkan uji Kolmogorov Smirnov yang dapat dilihat
dari: a nilai sig. atau signifikan atau probabilitas 0,05, maka distribusi data
adalah tidak normal, b nilai sig. atau signifikan atau probabilitas 0,05, maka distribusi data
adalah normal. Hipotesis yang digunakan adalah :
H0 : Data residual berdistribusi normal, dan Ha : Data residual tidak berdistribusi normal.
Hasil uji normalitas dengan menggunakan model Kolmogorov-Smirnov adalah seperti yang ditampilkan berikut ini.
Universitas Sumatera Utara
Tabel 4.2 Hasil Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 90
Normal Parameters
a,,b
Mean .0000000
Std. Deviation .75579440
Most Extreme Differences Absolute
.154 Positive
.154 Negative
-.132 Kolmogorov-Smirnov Z
1.465 Asymp. Sig. 2-tailed
.027 a. Test distribution is Normal.
b. Calculated from data.
Sumber : Output SPSS, diolah Peneliti, 2013
Universitas Sumatera Utara
Hasil uji Kolmogorov-Smirnov pada penelitian ini menujukkan probabilitas = 0.027. Dengan demikian, data pada penelitian ini tidak berdistribusi normal dan dapat
digunakan untuk melakukan uji hipotesis karena 0.027 0,05.Pada pengujian normalitas dengan analisis statistik dapat ketahui bahwa data yang digunakan oleh
peneliti tidak berdistribusi normal sehingga data ini tidak dapat digunakan untuk melakukan uji hipotesis.Pada penelitian ini peneliti menggunakan metode
transformasi data untuk menormalkan data penelitian. Menurut Ghozali 2005:32, “data yang tidak terdistribusi secara normal dapat ditransformasi agar menjadi
normal”. Salah satu trasformasi data yang dapat dilakukan adalah dengan mentransformasikan data ke LG10 atau logaritma 10 atau logaritma natural
LN.Hasil transformasi data ke logaritma natural dapat dilihat pada lampiran.Setelah dilakukan transformasi, peneliti melakukan pengujian ulang terhadap uji normalitas
untuk melihat kembali apakah data penelitian ini telah berdistribusi normal atau tidak.Hasil pengujian normalitas setelah transformasi dapat dilihat sebagai berikut.
Tabel 4.3
Hasil Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 38
Normal Parameters
a,,b
Mean .0000000
Std. Deviation .89365160
Most Extreme Differences Absolute
.131
Universitas Sumatera Utara
Berdasarkan hasil uji statistik dengan model Kolmogorov-Smirnov seperti yang terdapat dalam tabel 4.2 dapat disimpulkan bahwa besarnya nilai Kolmogrov–
Smirnov sebesar 0,805 dan signifikan lebih dari 0,05 karena Asymp. Sig. 2-tailed 0,536 dari 0,05. Nilai signifikansi lebih besar dari 0,05 maka H0 diterima atau Ha
ditolak yang berarti data residual telah berdistribusi normal. Dengan demikian, dapat disimpulkan bahwa nilai-nilai observasi data telah terdistribusi secara normal dan
dapat dilanjutkan dengan uji asumsi klasik lainnya. Untuk lebih jelas, berikut ini turut dilampirkan grafik histrogram dan plot data yang terdistribusi normal.
Positive .100
Negative -.131
Kolmogorov-Smirnov Z .805
Asymp. Sig. 2-tailed .536
a. Test distribution is Normal. b. Calculated from data.
Sumber : Output SPSS, diolah Peneliti, 2013
Universitas Sumatera Utara
Gambar 4.1 Histogram
Sumber :OutputSPSS, diolah Peneliti, 2013 Grafik histogram di atas menunjukkan bahwa data telah terdistribusi secara
normal.Hal ini dapat dilihat dari grafik histogram yang menunjukkan distribusi data mengikuti garis diagonal yang tidak menceng skewness kiri maupun menceng ke
kanan. Hal ini juga didukung dengan hasil uji normalitas dengan menggunakan grafik plot yang ditampilkan pada Gambar 4.2
Universitas Sumatera Utara
Gambar 4.2 Uji Normalitas Data
Sumber :OutputSPSS, diolah Peneliti, 2013 Menurut Ghozali 2005, pendeteksian normalitas dapat dilakukan dengan
melihat penyebaran data titik pada sumbu diagonal dari grafik, yaitu jika data titik menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal, hal ini
menunjukkan data yang telah terdistribusi normal. Gambar 4.2 menunjukkan bahwa data titik menyebar di sekitar dan mendekati garis diagonal.Hal ini sejalan dengan
hasil pengujian dengan menggunakan histogram bahwa data telah terdistribusi normal.Karena secara keseluruhan data telah terdistribusi secara normal, maka dapat
dilakukan pengujian asumsi klasik lainnya.
Universitas Sumatera Utara
4.2.2.2. Uji multikolinieritas
Untuk melihat ada atau tidaknya multikolinieritas dalam model regresi dapat dilihat dari:
1 nilaitolerence dan lawannya, 2 Variance Inflatin Factor VIF.
Kedua ukuran ini menunjukkan setiap variabel independen manakah yang dijelaskan oleh variabel independen lainnya.Tolerance mengukur variabilitas variabel
independen yang terpilih yang tidak dijelaskan oleh variabel independen lainnya. Jadi, nilai Tolerance yang rendah sama dengan nilai VIF yang tinggi karena VIF =
1tolerence. Nilai cutoff yang umum dipakai untuk menunjukkan adanya mutikolineritas adalah nilai Tolerence 0,10 atau sama dengan VIF 10 Ghozali,
2005.
Tabel 4.4 Hasil Uji Multikolinieritas
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients T
Sig. Collinearity Statistics
B Std. Error
Beta Tolerance
VIF 1Constant
124.421 13.660
9.109 .000
MVA .007
.001 .510
5.900 .000
.989 1.011
EVA .078
.026 .261
3.020 .003
.989 1.011
a. Dependent Variable: Return Saham
Universitas Sumatera Utara
Sumber :OutputSPSS, diolah Peneliti, 2013 Berdasarkan tabel 4.3 dapat disimpulkan bahwa penelitian ini bebas dari
adanya multikolinieritas.Hal tersebut dapat dilihat dengan membandingkannya dengan nilai Tolerance atau VIF. Masing-masing variabel independen yang
digunakan dalam penelitian ini memiliki nilai Tolerence yang lebih besar dari 0,10. Jika dilihat dari VIFnya, bahwa masing-masing variabel bebas lebih kecil dari
10.Dengan demikian dapat disimpulkan bahwa tidak terjadi gejala multikolinieritas dalam variabel bebasnya.
4.2.2.3. Uji heteroskedastisitas
Ghozali 2005 menyatakan “uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu
pengamatan ke pengamatan yang lain. Jika variance dari satu pengamatan ke pengamatan lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut
heteroskedastisitas”. Model regresi yang baik adalah tidak terjadi heteroskedastisitas. Cara mendeteksi ada tidaknya gejala heteroskedastisitas adalah dengan melihat grafik
scatterplot yang dihasilkan dari pengolahan data menggunakan program SPSS. Dasar pengambilan keputusannya menurut Ghozali 2005 adalah sebagai berikut:
1. jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur bergelombang, melebar kemudian menyempit, maka
mengindikasikan telah terjadi heteroskedastisitas. 2. jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di
bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.
Universitas Sumatera Utara
Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi gejala heteroskedastisitas atau tidak dengan cara mengamati penyebaran titik-titik pada grafik.
Gambar 4.3 Hasil Uji Heteroskedasitas
Sumber :OutputSPSS, diolah Peneliti, 2013 Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara acak dengan
tidak adanya pola yang jelas serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y. Hal tersebut menunjukkan bahwa tidak terjadi heteroskedastisitas,
sehingga model ini layak dipakai untuk memprediksi tingkat return sahamperusahaan manufaktur yang terdaftar di Bursa Efek Indonesia berdasarkan masukan variabel
independen yaitu market value added MVA dan economic value added EVA.
4.2.2.4. Uji autokorelasi
Uji ini bertujuan untuk melihat apakah dalam suatu model linear ada korelasi antar kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1
Universitas Sumatera Utara
sebelumnya.Model regresi yang baik adalah yang bebas dari autokorelasi.Masalah autokorelasi umumnya terjadi pada regresi yang datanya time series.Ada beberapa
cara yang dapat digunakan untuk mendeteksi masalah dalam autokorelasi diantaranya adalah dengan Uji Durbin Watson. Menurut Sunyoto 2009, untuk melihat ada
tidaknya autokorelasi dilihat dari: 1 angka D-W dibawah –2 berarti ada autokorelasi positif,
2 angka D-W di antara -2 sampai +2 berarti tidak ada autokorelasi, 3 angka D-W di atas +2 berarti ada autokorelasi negatif.
Tabel 4.5
Hasil Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .597
a
.356 .342
121.96337 1.762
a. Predictors: Constant, EVA, MVA data perubahan b. Dependent Variable: Return Saham data perubahan
Sumber : Output SPSS, diolah oleh peneliti, 2013
Tabel 4.5 menunjukkan hasil uji autokorelasi variabel penelitian.Berdasarkan hasil pengujiannya dapat dilihat bahwa terjadi autokorelasi antar kesalahan
pengganggu antar periode.Hal tersebut dilihat dari nilai Durbin-Watson D-W sebesar 1,762. Angka D-W di antara -2 sampai +2 yang mengartikan bahwa angka
DW lebih besar dari -2 dan lebih kecil dari 2. Dengan demikian, dapat dikemukakan bahwa tidak ada autokorelasi positif maupun negatif.
Universitas Sumatera Utara
4.3 Analisis Regresi
Berdasarkan hasil uji asumsi klasik yang telah dilakukan di atas, dapat disimpulkan bahwa model regresi yang dipakai dalam penelitian ini telah memenuhi
model estimasi yang Best Linear Unbiased Estimstor BLUE dan layak untuk dilakukan analisis statistik selanjutnya, yaitu melakukan pengujian hipotesis. Adapun
hasil pengolahan data dengan analisis regresi sebagai berikut :
Tabel 4.6 Analisis Regresi
a. D epe
nde nt
Vari able
: Return Saham data perubahan
Sumber :OutputSPSS, diolah Peneliti, 2013 Berdasarkan tabel 4.6 pada kolom Unstandardized Coefficients bagian B
diperoleh model persamaan regresi linier berganda yaitu:
Y= 124,421 + 0,003 X1 + 0,078 X2 + c
Dimana: Y = Return Saham
a = Konstanta b1,b2 = Parameter koefisien regresi
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error
Beta 1Constant
124.421 13.660
9.109 .000
X1 .003
.001 .510
5.900 .000
X2 .078
.026 .261
3.020 .003
Universitas Sumatera Utara
X1 = MVA X2 = EVA
e = Pengganggu Penjelasan dari nilai a, b1, b2 padaUnstandardized Coefficients tersebut dapat
dijelaskan dibawah ini. • Nilai B Constant a = 124,421=konstanta
Nilai konstanta ini menunjukkan bahwa apabila tidak ada nilai variabel bebas yaitu MVA dan EVA maka nilai return saham yang dilihat dari nilai Y tetap sebesar
124,421 • Nilai b1 = 0,003 = MVA
Koefisisen regresi ini menunjukkan bahwa setiap kenaikan MVA sebesar 1 satuan, maka perubahan return saham yang dilihat dari nilai Y akan berkurang sebesar
0,003 dengan asumsi variabel lain dianggap tetap. • Nilai b2 = 0,078 = EVA
Koefisisen regresi ini menunjukkan bahwa setiap kenaikan EVA sebesar 1 satuan, maka perubahan return saham yang dilihat dari nilai Y akan berkurang sebesar
0,078 dengan asumsi variabel lain dianggap tetap.
4.4. Pengujian Hipotesis