3.4. Teknik Analisa dan Uji Hipotesis 3.4.1. Teknik Analisis
Untuk mengetahui pengaruh Return on Equity, Earning Per share, Debt to Equity Ratio, dan Price Earning Ratio
terhadap harga saham dapat diketahui dengan menggunakan analisis regresi linier berganda. Analisis ini dipakai dalam
penelitian karana dapat menerangkan ketergantungan suatu variabel dependent dengan satu atau lebih variabel independent. Analisis ini juga dipakai menduga
besar dan arah dari hubungan tersebut. Adapun bentuk umum dari regresi berganda secara sistematis adalah
sebagai berikut : Y =
β +
β
1
X
1
+ β
2
X
2
+ β
3
X
3
+ β
4
X
4
+ e
i
Keterangan : .............. Antodajan,
1986:399
Y = Harga Saham
β
o
X = Konstanta
1
X = Return On Equity
2
X = Earning Per Share
3
X = Debt to Equity Ratio
4
= Price Earning Ratio
β
1
β
2
β
3
β
4
e = Koefisien regresi untuk variable bebas
i
3.4.2. Uji Hipotesis
=Variabel pengganggu yang mewakili factor lain yang berpengaruh terhadap Y tetapi tidak di masukkan kedalam
model.
a. Uji – t
Uji – t digunakan untuk menguji pengaruh dari variabel bebas terhadap variabel tidak bebas secara parsial atau individu.
Untuk membuktikan kebenaran analisis secara parsial, dilakukan dengan menggunakan uji – t yang menyatakan ada tidaknya pengaruh dari masing-
masing variabel dan dapat dirumuskan langkah-langkah pengujian sebagai berikut :
1. Apabila H :
β
i
= 0 → artinya tidak terdapat pengaruh yang nyata
antara variabel bebas X
1
, X
2
, X
3
, X
4
Apabila H secara parsial terhadap variabel
terikat Y.
i
: βi
≠ 0 → artinya terdapat pengaruh nyata antara variabel bebas X
1
, X
2
, X
3
, X
4
2. Menentukan level of significance 2 = 10 2 = 5 atau 0.05 dengan pengujian dua arah. Degree of freedom df = n – k - 1.
secara parsial terhadap variabel terikat Y.
Dimana: n = Jumlah Pengamatan k = Jumlah Variabel
3. Menentukan t hitung dengan rumus sebagai berikut: t
hitung
Keterangan : =
t
hitung
βi = koefisien regresi = t hasil perhitungan
Se = standart error
3.5. Asumsi Klasik
Menurut Gujarati 1995 bahwa dalam analisis linier berganda perlu menghindari penyimpangan asumsi klasik supaya tidak timbul masalah dalam
penggunaan analisis regresi linier berganda. Persamaan regresi tersebut harus bersifat BLUE Best Linier Unbiased
Estimator , artinya pengambilan keputusan uji - t tidak boleh bias. Untuk
menghasilkan keputusan yang BLUE harus memenuhi tiga asumsi yang tidak boleh dilanggar, yaitu :
1. Tidak boleh ada multikolinieritas
2. Tidak boleh ada autokorelasi
3. Tidak boleh ada heterokedastisitas
Apabila salah satu dari ketiga asumsi dasar tersebut dilanggar maka persamaan regresi yang diperoleh tidak lagi bersifat BLUE sehingga pengambilan
keputusan melalui uji - t menjadi bias.
1. Multikolinearitas
Menurut Gujarati 1995:157 Multikolinearitas berarti ada hubungan linier yang sempurna atau pasti, diantara beberapa atau semua variabel yang
menjelaskan dari model regresi. Persamaan model regresi linier berganda diasumsikan tidak terjadi pengaruh antar variabel bebas. Apabila ternyata ada
pengaruh antar variabel bebas maka asumsi tersebut tidak berlaku lagi terjadi bias.
Menurut Rahayu 2000:87 secara sistematis, pengukuran multikolinearitas dapat dirumuskan sebagai berikut:
VIF =
–
Tolerance = 1 – R
2
VIF Varians Inflation Factor menyatakan tingkat pembengkakan varians. Apabila VIF lebih besar dari 10, berarti terdapat Multikoloniearitas dalam
persamaan regresi linier. Apabila nilai VIF lebih rendah dari angka 10 atau nilai tolerance
mendekati 1 Gujarati,1995:157 maka dikatakan bahwa tidak terjadi gejala Multikoliearitas. Penanggulangannya dapat dilakukan dengan menambah
jumlah data dengan pengamatan baru atau menghilangkan variabel – variabel tertentu dari model yang diperoleh.
i
2. Autokorelasi
Menurut Gujarati 1995:201 autokorelasi dapat didefinisikan sebagai korelasi antar anggota serangkaian observasi yang diurutkan menurut waktu
seperti dalam data deretan waktu atau ruang seperti data dalam cross sectional. Jadi dalam model regresi linier diasumsikan tidak terdapat gejala autokorelasi,
artinya nilai residual Y observasi – Y prediksi pada waktu ke-t e
t
tidak boleh ada hubungan nilai residual periode sebelumnya e
t-1
d =
. Identifikasi ada atau tidaknya gejala autokorelasi dapat ditest dengan menghitung nilai Durbin Watson
d test dengan persamaan : Gujarati,1995:215
Keterangan: d
= nilai Durbin Watson e
t
e = Residual pada waktu ke-t
t-1
= Residual pada waktu ke t-1 satu periode sebelumnya
3. Heteroskedastisitas
Satu asumsi penting penting dari model regresi linier klasik menurut Gujarati 1995:177 adalah bahwa gangguan disturbance yang muncul dari
regresi populasi adalah heteroskedastisitas yaitu semua gangguan yang mempunyai varians sama. Menurut Gujarati 1995:189 heteroskedastisitas tidak
merusak sifat ketidakbiasan dan konsistensi dari penaksir OLS Ordinary Least Square
atau kuadrat terkecil biasa, tetapi penaksir tadi tidak lagi efisien, bahkan
tidak lagi asimonik yaitu untuk sampel yang besar. Ketidakadaan efisiensi ini membuat prosedur pengujian hipotesis yang biasa nilainya diragukan.
Pada regresi linier nilai residual tidak boleh ada hubungan dengan variabel bebas. Heteroskedastisitas dapat dideteksi dengan menggunakan pengujian
Spearman Ranking Corellation sebagai brikut: Gujarati,1995:188
rs = 1 – 6
Dimana: di = Perbedaan dalam rank yang ditepatkan untuk dua karakteristik yang berbeda
dari individual atau fenomena ke-i. N = Banyaknya individual atau fenomena yang di rank.
BAB IV HASIL PENELITIAN DAN PEMBAHASAN