Deskripsi Data Penelitian Analisis Regresi

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