ROTI 0.12
16.46 34.03 0.51
1.07 0.51
SKLT 0.05
6.53 11.28
19 0.42
0.73 0.31
150 SMAR 0.05
7.33 15.61
261 0.52
1.13 0.55
2550 STTP
0.07 7.49
10.15 31
0.26 0.36
0.08 250
ULTJ 0.04
3.53 5.13
21 0.34
0.50 0.12
580 Sumber : Diolah Peneliti 2011
B. Statistik Deskriptif
Statistik deskriptif ini memberikan gambaran mengenai nilai minimum, nilai maksimum, serta standar deviasi dalam bentuk tabulasi sehingga mudah
dipahami.
Descriptive Statistics
N Minimum
Maximum Mean
Std. Deviation NPM
30 .01
.22 .0653
.04862 ROI
30 .77
17.67 7.1823
4.84764 ROE
30 1.33
34.03 14.4113
8.75939 EPS
30 .00
485.00 99.3667
130.74177 DAR
30 .21
.68 .4727
.13633 DER
30 .27
3.08 1.1383
.70874 LTDtER
30 .05
1.35 .4983
.38562 HS
30 .00
6000.00 5.5803E2
1175.75577 Valid N listwise
30
Tabel 4.5 Statistik Deskriptif
Sumber : Diolah Peneliti 2011
Universitas Sumatera Utara
Tabel 4.5 di atas menunjukkan bahwa variabel NPM, ROI, ROE, EPS, DAR, DER, LTDtER memiliki nilai minimum positif. Berikut ini perincian data
deskriptif yang telah diolah: 1.
Variabel NPM memiliki nilai minimum 0.01 dan nilai maksimum 0.22 dengan nilai rata-rata sebesar 0.06 dengan jumlah sampel sebanyak 30 sampel,
2. Variabel ROI memiliki nilai minimum 0.77 dan nilai maksimum 17.67 dengan
nilai rata-rata sebesar 7.18 dengan jumlah sampel sebanyak 30 sampel, 3.
Variabel ROE memiliki nilai minimum 1.33 dan nilai maksimum 34.03 dengan nilai rata-rata sebesar 14.41 dengan jumlah sampel sebanyak 30 sampel,
4. Variabel EPS memiliki nilai minimum 0.00 dan nilai maksimum 485.00
dengan nilai rata-rata sebesar 99.36 dengan jumlah sampel sebanyak 30 sampel,
5. Variabel DAR memiliki nilai minimum 0.21 dan nilai maksimum 0.68 dengan
nilai rata-rata sebesar 0.47 dengan jumlah sampel sebanyak 30 sampel, 6.
Variabel DER memiliki nilai minimum 0.27 dan nilai maksimum 3.08 dengan nilai rata-rata sebesar 1.13 dengan jumlah sampel sebanyak 30 sampel,
7. Variabel LTDtER memiliki nilai minimum 0.05 dan nilai maksimum 1.35
dengan nilai rata-rata sebesar 0.49 dengan jumlah sampel sebanyak 30 sampel.
Universitas Sumatera Utara
C. Pengujian Asumsi Klasik
Pengujian asumsi klasik dalam penelitian ini dilakukan dengan bantuan program statistik. Menurut Ghozali 2006:123 asumsi klasik yang harus dipenuhi
adalah: 1.
Berdistribusi normal, 2.
Non-multikolinearitas, artinya antara variabel independen dalam model regresi tidak memiliki korelasi atau hubungan secara sempurna ataupun mendekati
sempurna, 3.
Non-autokorelasi, artinya kesalahan pengganggu dalam model regresi tidak saling berkorelasi,
4. Homokedastisitas, artinya variance variabel independen dari satu pengamatan
ke pengamatan lain adalah konstan atau sama.
1. Uji Normalitas
Uji normalitas bertujuan untuk mengetahui varians pengganggu atau residual berdistribusi secara normal serta untuk menghindari adanya bias dalam model
regresi. Pengujian normalitas data dalam penelitian ini menggunakan uji statistik non-parametrik Kolmogorov-Smirnov K-S, dengan membuat hipotesis:
H0 : Data residual berdistribusi normal Ha : Data residual tidak berdistribusi normal
Apabila nilai signifikansi lebih besar dari 0.05 maka H0 diterima, sedangkan jika nilai signifikansi lebih kecil dari 0.05 maka H0 ditolak.
Universitas Sumatera Utara
NPM ROI
ROE EPS
DAR DER
LTDtER HS
N Normal Parameters a Mean
Std. Deviation Most Extreme Differences Absolute
Positive Negative
Kolmogorov-Smirnov Z Asymp. Sig. 2-tailed
30 .0653
.04862 .195
.195 -.128
1.069 .204
30 7.1823
4.84764 .143
.143 -.109
.783 .572
30 14.4113
8.75939 .109
.109 -.076
.599 .866
30 99.3667
1.3074E2 .266
.266 -.224
1.458 .029
30 .4727
.13633 .096
.074 -.096
.528 .944
30 1.1383
.70874 .144
.144 -.110
.788 .564
30 .4983
.38562 .138
.138 -.122
.753 .622
30 5.5803E2
1.1752E3 .318
.285 -.318
1.739 .005
a. Test distribution is Normal
Tabel 4.6 Hasil Uji Normalitas
Sumber : Diolah Peneliti 2011
Dari hasil pengolahan data tersebut, diperoleh bahwa data dalam penelitian ini tidak terdistribusi secara normal, dimana variabel dalam penelitian EPS dan data
residual memiliki nilai signifikansi yang lebih kecil dari 0.05 5 yakni sebesar EPS 0.029 sehingga tidak dapat dilakukan pengujian lebih lanjut. Untuk itu, perlu
dilakukan tindakan perbaikan treatment agar model regresi memenuhi asumsi normalitas. Beberapa cara untuk mengubah model regresi menjadi normal,
menurut Jogiyanto 2004:172 terdapat tiga cara untuk menormalkan distribusi data, yaitu:
a. Dengan melakukan transformasi data, yaitu mengubah nilai-nilai observasi data ke dalam bentuk logaritma sehingga membentuk
distribusi yang normal,
Universitas Sumatera Utara
b. Trimming, yaitu memangkas membuang observasi yang bersifat outlier, yaitu nilainya lebih kecil dari µ - 2
σ atau lebih besar dari µ + 2
σ, c. Winzorising, yaitu mengubah nilai-nilai outlier menjadi nilai-nilai
minimum atau maksimum yang diizinkan supaya distribusinya menjadi normal.
Setelah melihat tabel 4.6 dapat disimpulkan bahwa perhitungan Kolmogorov- Smirnov menunjukkan data tidak terdistribusi secara normal. Untuk itu, peneliti
melakukan transformasi data ke model logaritma natural LN_ dari harga saham = fEPS menjadi LN_ Harga Saham = fLN_EPS, kemudian data diuji
ulang berdasarkan asumsi normalitas. Berikut ini hasil pengujian dengan Kolmogorov-Smirnov.
LN_NPM LN_ROI
LN_ROE LN_EPS
LN_DAR LN_DER
LN_LTDtER LN_HS
N Normal Parameters a Mean
Std. Deviation Most Extreme Differences Absolute
Positive Negative
Kolmogorov-Smirnov Z Asymp. Sig. 2-tailed
30 - 2.9968
.78697 .125
.080 -.125
.686 .734
30 1.7177
.77203 .115
.089 -.115
.629 .824
30 2.4436
.75249 .133
.075 -.133
.731 .659
27 3.7132
1.62545 .149
.124 -.149
.776 .583
30 -.7981
.33486 .159
.109 -.159
.871 .434
30 -.0601
.64644 .099
.065 -.099
.540 .933
30 -1.0672
.97339 .150
.194 -.150
.820 .513
27 4.4049
2.73262 .151
.125 -.151
.782 .573
a. Test distribution is Normal
Tabel 4.7 Hasil Uji Normalitas Setelah Transformasi Logaritma Natural
Sumber : Diolah Peneliti 2011
Universitas Sumatera Utara
Dari tabel 4.7 dapat disimpulkan bahwa data dalam model regresi telah terdistribusi secara normal. Masing-masing ditunjukkan dengan data sebagai
berikut:
Nilai signifikan NPM sebesar 0.734 0.05 maka H0 diterima.
Nilai signifikan ROI sebesar 0.824 0.05 maka H0 diterima.
Nilai signifikan ROE sebesar 0.659 0.05 maka H0 diterima.
Nilai signifikan EPS sebesar 0.583 0.05 maka H0 diterima.
Nilai signifikan DAR sebesar 0.434 0.05 maka H0 diterima.
Nilai signifikan DER sebesar 0.933 0.05 maka H0 diterima.
Nilai signifikan LTDtER sebesar 0.513 0.05 maka H0 diterima.
Nilai signifikan Harga Saham sebesar 0.573 0.05 maka H0 diterima.
Dengan demikian secara keseluruhan dapat disimpulkan bahwa nilai-nilai observasi data telah terdistribusi secara normal dan dapat dilanjutkan dengan uji
asumsi klasik lainnya. Untuk lebih jelasnya berikut ini turut dilampirkan grafik histogram dan plot data yang terdistribusi normal:
Universitas Sumatera Utara
Gambar 4.1 Histogram
Sumber : Diolah Peneliti 2011
Dari grafik di atas dapat disimpulkan bahwa distribusi data normal karena grafik histogram menunjukkan distribusi data mengikuti garis diagonal yang tidak
menceng skewness kiri maupun menceng kanan atau normal. Demikian pula dengan hasil uji normalitas dengan menggunakan grafik plot
berikut ini:
Universitas Sumatera Utara
Gambar 4.2 Grafik Normal Plot
Sumber : Diolah Peneliti 2011
Pada grafik normal plot terlihat titik-titik menyebar di sekitar garis diagonal serta penyebarannya agak mendekati dengan garis diagonal sehingga dapat
disimpulkan bahwa data dalam model regresi terdistribusi secara normal.
Universitas Sumatera Utara
2. Uji Multikolinearitas
Ghozali 2006:91 menyatakan “uji multikolinearitas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas
independen”. Multikolinearitas menunjukkan ada tidaknya variabel independen yang memiliki kemiripan atau hubungan dengan variabel independen lain dalam
model regresi. Untuk mengetahui ada tidaknya multikolinearitas dapat dilihat dari nilai Variance Inflation Factor VIF, apabila nilai VIF 10 maka terjadi
multikolinearitas dan apabila VIF 10 maka tidak terjadi multikolinearitas.
Coefficients
a
Model Collinearity Statistics
Tolerance VIF
1 Constant
NPM .154
6.490 ROI
.024 40.970
ROE .040
25.272 EPS
.709 1.411
DAR .152
6.562 DER
.123 8.138
LTDtER .254
3.941 a. Dependent Variable: HS
Tabel 4.8 Hasil Uji Multikolinearitas
Sumber : Diolah Peneliti 2011
Universitas Sumatera Utara
Dari data pada tabel 4.8 dapat disimpulkan bahwa terjadi multikolinearitas pada variabel ROI dan ROE sehingga tidak dapat dilakukan analisis dengan model
regresi. Tindakan perbaikan yang dilakukan adalah mengeluarkan variabel independen yang memiliki nilai VIF yang terbesar yaitu ROI sebesar 40.970
kemudian dilakukan pengujian multikolinearitas ulang kemudian di peroleh hasil:
Coefficients
a
Model Collinearity Statistics
Tolerance VIF
1 Constant
NPM .273
3.658 ROE
.271 3.684
EPS .709
1.409 DAR
.161 6.204
DAR .165
6.043 LTDtER
.254 3.938
a. Dependent Variable: HS
Tabel 4.9 Hasil Uji Multikolinearitas Setelah Tindakan Perbaikan
Sumber : Diolah Peneliti 2011
Dengan demikian, dari data tabel 4.9 disimpulkan dalam model regresi sudah tidak terjadi multikolinearitas dengan dasar nilai VIF untuk setiap variabel
independen tidak ada yang melebihi 10 dan nilai tolerance tidak ada yang kurang dari 0.1, maka dapat dilakukan analisis lebih lanjut dengan menggunakan model
regresi berganda.
Universitas Sumatera Utara
3. Uji Heterokedastisitas
Ghozali 2006:105 menyatakan “uji heterokedastisitas bertujuan untuk mengetahui apakah dalam model regresi terjadi ketidaksamaan variance dari
residual satu pengamatan ke pengamatan lainnya”. Jika variance dari residual satu pengamatan ke pengamatan lainnya tetap, maka disebut homokedastisitas, dan
jika berbeda disebut heterokedastisitas. Model regresi yang baik adalah homokedastisitas atau tidak terjadi heterokedastisitas.
Dalam penelitian ini, untuk mendeteksi ada tidaknya gejala heterokedastisitas adalah dengan melihat plot grafik yang dihasilkan dari pengolahan data
menggunakan program SPSS. Dasar pengambilan keputusannya adalah: a. Jika ada pola tertentu, seperti titik-titik yang teratur, maka telah terjadi
heterokedastisitas, b. Jika tidak ada pola tertentu, serta titik-titik yang menyebar tidak tertentu,
maka tidak terjadi heterokedastisitas atau terjadi homokedastisitas. Berikut ini dilampirkan gambar scatterplot untuk menganalisis apakah terjadi
heterokedastisitas atau terjadi homokedastisitas dengan mengamati penyebaran titik-titik pada gambar.
Universitas Sumatera Utara
Gambar 4.3 Hasil Uji Heterokedastisitas
Sumber : Diolah Peneliti 2011
Dari gambar scatterplot terlihat bahwa titik-titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y. Hal ini dapat
disimpulkan bahwa tidak terjadi heterokedastisitas pada model regresi sehingga model ini layak dipakai dalam memprediksi harga saham perusahaan industri
makanan dan minuman yang terdaftar di Bursa Efek Indonesia berdasarkan masukan variabel independen LN_NPM, LN_ROI, LN_ROE, LN_EPS,
LN_DAR, LN_DER, dan LN_LTDtER.
Universitas Sumatera Utara
4. Uji Autokorelasi Pengujian Autokorelasi menurut Ghozali 2006:95 “bertujuan untuk menguji
apakah dalam model regresi linear ada korelasi pengganggu antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1”.
Autokorelasi menunjukkan adanya korelasi diantara data pengamatan yang tersusun baik seperti data cross sectional danatau time series. Autokorelasi
menunjukkan adanya kesalahan pengganggu residual tidak bebas dari satu pengamatan ke pengamatan lain. Jika terjadi autokorelasi dalam model regresi
berarti koefisien korelasi yang diperoleh menjadi tidak akurat, sehingga model regresi yang baik adalah model yang bebas dari autokorelasi. Untuk mengetahui
adanya autokorelasi digunakan uji Durbin-Watson, dengan kriteria menurut Triton P. B. 2006:158 dengan cara melihat besaran Durbin-Watson sebagai berikut:
a. Jika angka D-W dU, maka tidak ada autokorelasi, b. Jika angka D-W dU, maka terjadi autokorealsi,
c. Jika dL D-W dU, maka tidak dapat dideteksi apakah terjadi autokorelasi atau tidak.
Berikut ini hasil uji Durbin-Watson dengan menggunakan program SPSS:
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .548
a
.301 .043
2.67329 2.008
a. Predictors: Constant, LN_LTDtER, LN_ROE, LN_EPS, LN_NPM, LN_DER, LN_DAR, LN_ROI b. Dependent Variable: LN_HS
Tabel 4.10 Hasil Uji Autokorelasi
Sumber : Diolah Peneliti 2011
Universitas Sumatera Utara
Hasil uji autokorelasi di atas menunjukkan nilai statistik Durbin-Watson D-W sebesar 2.008. Nilai ini akan dibandingkan dengan nilai tabel dengan
menggunakan nilai signifikansi 5, jumlah sampel 30 dan jumlah variabel independen 7 K=7, maka di tabel Durbin-Watson di dapat nilai batas atas dU
1.814 dan nilai batas bawah dL 0.748. Oleh karena itu, nilai DW lebih besar dari nilai dU 2.008 1.814 maka disimpulkan bahwa tidak terjadi autokorelasi.
D. Pengujian Hipotesis