Perbandingan Keakuratan Capital Assets Pricing Model (CAMP) Dengan Arbitrage Pricing Theory (APT) Dalam Memprediksi Tingkat Pendapatan Saham Pada Perusahaan Logam Dan Baja Yang Terdaftar Di Bei

LAMPIRAN

Lampiran 1 Proses Seleksi Sampel Perusahaan Logam dan Baja Tahun 20011 - 2014

No Kode Nama Perusahaan

Kriteria Sampel 1 2

1 ALKA Alakasa Industrindo, Tbk √ √ Sampel 1

2 ALMI Alumindo Light Metal Industry, Tbk √ √ Sampel 2

3 BTON Betonjaya Manunggal, Tbk √ √ Sampel 3

4 CTBN Citra Tubindo, Tbk √ √ Sampel 4

5 GDST Gunawan Dianjaya Steel, Tbk √ √ Sampel 5

6 INAI Indal Aluminium Industry, Tbk √ √ Sampel 6

7 ITMA Sumber Energi Andalan, Tbk √ √ Sampel 7

8 JKSW Jakarta Kyoi Steel Works, Tbk √ √ Sampel 8

9 JPRS Jaya Pari Steel, Tbk √ √ Sampel 9

10 KRAS Krakatau Steel, Tbk √ √ Sampel 10

11 LION Lion Metal Works, Tbk √ √ Sampel 11

12 LMSH Lionmesh Prima, Tbk √ √ Sampel 12

13 SPII Steel Pipe Industry of Indonesia Tbk x √

14 SCBJ Saranacentral Bajatama Tbk. √ x

15 MYRX Hanson International, Tbk √ √ Sampel 13

16 NIKL Pelat Timah Nusantara, Tbk √ √ Sampel 14

17 PICO Pelangi Indah Canindo, Tbk √ √ Sampel 15

Lampiran 2. Data Perhitungan Variabel Penelitian

PERHITUNGAN CAPM DAN APT

NO THN Emiten Return Individu

Standar

Deviasi Beta

Risk-free Rate of Return

Return

Pasar CAPM APT

1

2011

ALMI

0,024 _{0,142 4,617 0,100} 0,011 _{-0,313 0,755} 2012 -0,021 0,123 2,526 0,086 0,011 -0,104 0,396 2013 -0,003 0,088 61,810 0,065 0,000 -3,921 5,519 2014 -0,050 0,160 -0,038 0,075 0,016 0,078 0,069

2

2011

BTON

0,012 _{0,079 -0,537 0,100} 0,011 _{0,148 0,057} 2012 0,081 0,230 -1,644 0,086 0,011 0,210 -0,291 2013 -0,014 0,114 0,678 0,065 0,000 0,021 0,142 2014 0,000 0,045 0,045 0,075 0,016 0,073 0,077

3

2011

INAI

0,059 _{0,141 -0,455 0,100} 0,011 _{0,141 0,036} 2012 -0,010 0,114 0,769 0,086 0,011 0,028 0,174 2013 0,027 0,082 0,111 0,065 0,000 0,058 0,074 2014 -0,026 0,171 0,647 0,075 0,016 0,037 0,186

4

2011

JKSW

-0,056 _{0,102 0,089 0,100} 0,011 _{0,092 0,109} 2012 0,004 0,132 -0,349 0,086 0,011 0,112 0,040 2013 0,021 0,161 1,044 0,065 0,000 -0,003 0,233 2014 -0,049 0,067 0,097 0,075 0,016 0,070 0,082

5

2011

JPRS

-0,002 _{0,102 -1,098 0,100} 0,011 _{0,198 -0,012} 2012 -0,027 0,101 0,256 0,086 0,011 0,067 0,112 2013 -0,011 0,103 0,116 0,065 0,000 0,057 0,077 2014 -0,008 0,041 -0,299 0,075 0,016 0,093 0,063

6

2011

ALKA

-0,011 _{0,137 0,199 0,100 0,011 0,082 0,127} 2012 0,000 0,010 0,000 0,086 0,011 0,086 0,086 2013 0,008 0,029 0,213 0,065 0,000 0,051 0,071 2014 0,042 0,173 0,395 0,075 0,016 0,052 0,143

7

2011

CTBN

0,047 _{0,075 -0,215 0,100 0,011 0,119 0,084} 2012 0,004 0,092 0,146 0,086 0,011 0,075 0,099 2013 0,002 0,040 0,011 0,065 0,000 0,064 0,065 2014 0,044 0,281 -0,796 0,075 0,016 0,122 -0,148 8

2011

GDST

-0,002 _{0,117 -1,163 0,100 0,011 0,203 -0,036} 2012 -0,013 0,059 -0,134 0,086 0,011 0,096 0,078

2014 0,017 0,083 -0,327 0,075 0,016 0,094 0,048

9

2011

ITMA

0,014 _{0,088 0,265 0,100 0,011 0,076 0,123} 2012 0,176 0,603 7,033 0,086 0,011 -0,441 4,325 2013 0,557 1,935 11,474 0,065 0,000 -0,681 22,265 2014 0,000 0,051 0,000 0,075 0,016 0,075 0,075

10

2011

KRAS

-0,017 _{0,085 -0,566 0,100 0,011 0,150 0,052} 2012 -0,020 0,068 0,425 0,086 0,011 0,054 0,115 2013 -0,018 0,080 -0,168 0,065 0,000 0,076 0,051 2014 -0,001 0,051 -0,292 0,075 0,016 0,092 0,060

11

2011

LION

0,035 _{0,138 -1,112 0,100 0,011 0,199 -0,054} 2012 0,000 0,174 2,253 0,086 0,011 -0,083 0,479 2013 0,018 0,119 0,483 0,065 0,000 0,034 0,122 2014 -0,020 0,047 0,229 0,075 0,016 0,062 0,086

12

2011

LMSH

0,011 _{0,133 -0,539 0,100 0,011 0,148 0,028} 2012 0,072 0,137 1,145 0,086 0,011 0,000 0,243 2013 -0,007 0,191 0,446 0,065 0,000 0,036 0,150 2014 -0,013 0,101 0,830 0,075 0,016 0,026 0,159

13

2011

MYRX

0,054 _{0,134 -0,656 0,100 0,011 0,158 0,012} 2012 0,001 0,099 0,925 0,086 0,011 0,017 0,177 2013 0,071 0,172 -1,539 0,065 0,000 0,165 -0,200 2014 0,018 0,071 -0,222 0,075 0,016 0,088 0,059

14

2011

NIKL

-0,029 _{0,090 -0,709 0,100 0,011 0,163 0,036} 2012 -0,011 0,074 -0,370 0,086 0,011 0,114 0,059 2013 -0,022 0,075 0,094 0,065 0,000 0,059 0,072 2014 -0,016 0,058 -0,450 0,075 0,016 0,102 0,049

15

2011

PICO

-0,002 _{0,054 -0,277 0,100 0,011 0,125 0,085} 2012 0,034 0,166 -0,879 0,086 0,011 0,152 -0,060 2013 -0,039 0,086 -0,371 0,065 0,000 0,089 0,033 2014 0,008 0,109 0,369 0,075 0,016 0,053 0,115

16

2011

TBMS

-0,020 _{0,181 -3,029 0,100 0,011 0,370 -0,449} 2012 0,019 0,133 -0,852 0,086 0,011 0,150 -0,027 2013 0,020 0,121 -0,467 0,065 0,000 0,095 0,009 2014 0,025 0,164 -0,314 0,075 0,016 0,094 0,024

Lampiran 3. OUTPUT SPSS

Descriptive Statistics

N Minimum Maximum Mean Std. Deviation

CAPM 64 -3.92 .37 .0010 .51815

APT 64 -.45 22.26 .5758 2.88816

Return Individu 64 -.06 .56 .0151 .07756

Resiko Individu 64 .01 1.94 .1444 .24084

Resiko SIstematis 64 -3.03 61.81 1.2483 7.93318

Return Bebas Resiko 64 .06 .10 .0815 .01311

Return Pasar 64 .00 .02 .0095 .00590

One-Sample Kolmogorov-Smirnov Test

Unstandardized Residual

N 57

Normal Parametersa _{Mean .0000000}

Std. Deviation .00686640

Most Extreme Differences Absolute .134

Positive .093

Negative -.134

Kolmogorov-Smirnov Z 1.012

Asymp. Sig. (2-tailed) .258

a. Test distribution is Normal.

Model Summaryb

Model R R Square

Adjusted R Square

Std. Error of the

Estimate Durbin-Watson

1 .994a _{.988 .986 .00720 1.752}

a. Predictors: (Constant), Return Pasar, Return Individu, Resiko SIstematis, Resiko Individu, Return Bebas Resiko

b. Dependent Variable: CAPM

ANOVAb

Model Sum of Squares df Mean Square F Sig.

1 Regression .211 5 .042 814.592 .000a

Residual .003 51 .000

Total .213 56

a. Predictors: (Constant), Return Pasar, Return Individu, Resiko SIstematis, Resiko Individu, Return Bebas Resiko

Coefficientsa

Model

Unstandardized Coefficients

Standardized Coefficients

t Sig.

Collinearity Statistics

B Std. Error Beta Tolerance VIF

1 (Constant) -.020 .007 -2.818 .007

Return Individu -.082 .036 -.040 -2.286 .026 .810 1.234

Resiko Individu .020 .021 .017 .935 .354 .767 1.305

Resiko SIstematis -.078 .002 -.876 -49.669 .000 .779 1.284

Return Bebas Resiko 1.262 .088 .268 14.400 .000 .702 1.425

Return Pasar -.177 .186 -.017 -.954 .345 .790 1.265

One-Sample Kolmogorov-Smirnov Test

Unstandardized Residual

N 64

Normal Parametersa _{Mean .0000000}

Std. Deviation .61936371

Most Extreme Differences Absolute .099

Positive .090

Negative -.099

Kolmogorov-Smirnov Z .795

Asymp. Sig. (2-tailed) .552

a. Test distribution is Normal.

Model Summaryb

Model R R Square

Adjusted R Square

Std. Error of the

Estimate Durbin-Watson

1 .977a _{.954 .950 .64551 2.251}

a. Predictors: (Constant), Return Pasar, Resiko Individu, Resiko SIstematis, Return Bebas Resiko, Return Individu

Coefficientsa

Model

Unstandardized Coefficients

Standardized Coefficients

t Sig.

Collinearity Statistics

B Std. Error Beta Tolerance VIF

1 (Constant) -.617 .558 -1.107 .273

Return Individu 1.539 3.096 .041 .497 .621 .115 8.716

Resiko Individu 10.277 .998 .857 10.295 .000 .114 8.740

Resiko SIstematis .092 .011 .253 8.633 .000 .921 1.086

Return Bebas Resiko -4.774 7.172 -.022 -.666 .508 .748 1.337

Return Pasar -4.269 16.185 -.009 -.264 .793 .726 1.378

a. Dependent Variable: APT

ANOVAb

Model Sum of Squares df Mean Square F Sig.

1 Regression 501.347 5 100.269 240.638 .000a

Residual 24.168 58 .417

Total 525.514 63

a. Predictors: (Constant), Return Pasar, Resiko Individu, Resiko SIstematis, Return Bebas Resiko, Return Individu

Paired Samples Statistics

Mean N Std. Deviation Std. Error Mean

Pair 1 CAPM .0985 57 .06174 .00818

APT .0506 57 .11057 .01465

Paired Samples Correlations

N Correlation Sig.

Pair 1 CAPM & APT 57 -.866 .000

Paired Samples Test

Paired Differences

t df Sig. (2-tailed) Mean

Std. Deviation

Std. Error Mean

95% Confidence Interval of the

Difference

Lower Upper

Pair 1 CAPM -

DAFTAR PUSTAKA

Aswani, Said Kelana dan Chandra Wijaya, 2005. Riset Keuangan, Pengujian – Pengujian Empiris, Penerbit PT Gramedia Pustaka Utama, Jakarta.

Brigham, Eugene F. dan Houston, Joel F., dialihbahasakan oleh Dodo Suharto dan Herman Widodo. 2006, Manajemen Keuangan, Jilid 2, Penerbit Erlangga, Jakarta.

Erlina. 2011. Metodologi Penelitian. USU Press, Medan.

Ghozali, Imam, 2005. Aplikasi Analisis Multivariate dengan Program SPSS, Badan Penerbit Universitas Diponegoro, Semarang.

Halim, Abdul, 2005. Analisis Investasi, Salemba Empat, Jakarta.

Horne, Van. James C, dan Wachowichz,Jr. John M, 2005. Fundamentals of Financial Management, Buku I, Edisi 12, Salemba Empat, Jakarta.

Husnan, Saud, 2005. Dasar – Dasar Teori Portofolio dan Analisis Sekuritas, Edisi 4, Unit Penerbitan dan Percetakan AMP YKPN, Yogyakarta.

Jogiyanto, 2003. Teori Portofolio dan Analisis Investasi. Edisi 3, BPFE, Yogyakarta.

Muslih, M. Imam, 2008. “Perbandingan Model CAPM dengan APT Dalam Memprediksi Imbal Saham Industri Pertambangan di BEI”. Jurnal Ekonomi, STIE Perbanas, Jakarta.

Premananto, Gencar Candra dan Muhammad Madyan, 2002. “Perbandingan keakuratan Capital Asset Pricing Model dan Arbitrage Pricing Theory dalam memprediksi tingkat pendapatan saham industry Manufaktur sebelum dan semasa krisis ekonomi”, Jurnal Ekonomi, Universitas Airlangga, Jakarta. Ridwan, Andri, 2010. “Perbedaan Keakuratan CAPM dan APT Dalam

Memprediksi Tingkat Pendapatan Saham LG-45 Periode 2006 – 2009”. Jurnal Ekonomi, Universitas Islam Negeri Syarif Hidayatullah. Indonesia, Jakarta.

Rochaety, Ety, Ratih Tresnati dan H. Abdul Madjid Latief, 2010. Metodologi Penelitian Bisnis dengan Menggunakan Aplikasi SPSS, Mitra Wacana Media, Jakarta.

Samsul, Mohammad, 2006. Pasar Modal dan Manajemen Portofolio, Erlangga, Jakarta.

Sarjono, Haryadi dan Winda Julianita, 2013. SPSS vs LISREL : Sebuah Pengantar, Aplikasi untuk Riset, Penerbit Salemba Empat, Jakarta.

Sharpe, William F, Gordon J Alexander dan Jeffery V Bailey, 2005. Investasi, Edisi 6, Jilid 1. Indeks, Jakarta.

Situmorang, Syafrizal Helmi, dkk. 2009. Analisis Data Penelitian (Menggunakan Program SPSS). Cetakan 2. USU Press, Medan.

Suartini dan Martha, 2011. Perbandingan CAPM dengan APT Dalam Memprediksi Return Saham.

Suartini, Ni Kedek Ayu dan I Made Martha, 2011. “Perbandingan CAPM dengan APT Dalam Memprediksi Return Saham”. Jurnal Ekonomi, Universitas Udayana, Bali.

Sugiyono, 2008. Metode Penelitian Bisnis, Penerbitan Alfabeta, Bandung.

Teuku, Ishlah, 2010. “Fenomena Industri Mineral dan Prospek Pendirian Pengelolaan dan Pemurnian Mineral”. Jurnal Pusat Geologi, Surabaya. www.bi.go.id

BAB III

METODOLOGI PENELITIAN

3.1 Jenis Penelitian

Jenis penelitian yang dilakukan adalah penelitian deskriptif komparatif. Menurut Ety (2010 : 15) penelitian asosiatif kausal dan komparatif. Menurut Umar (2003 : 30) penelitian asosiatif kausal adalah penelitian yang bertujuan untuk menganalisis hubungan antara satu variabel dengan variable lainya atau bagaimana suatu variabel mempengaruhi variabel lain. Penelitian komperatif adalah penelitian yang bertujuan untuk menguji perbandingan variabel dua variabel bebas guna mengetahui keakuratan dalam memprediksi gejala (fenomena) yang ada.

3.2 Tempat dan Waktu Penelitian

Penelitian ini dilakukan pada perusahaan manufaktur jenis logam dan baja yang terdaftar di Bursa Efek Indoensia dengan melakukan browsing pada situs www.idx.co.id. Sedangkan waktu penelitian dilaksanakan mulai dari Juni 2015 sampai dengan November 2015.

3.3 Defenisi Variabel

Penelitian ini menggunakan dua variabel bebas yaitu CAPM dan APT.

a. Capital Asset Pricing Model (CAPM) adalah merupakan Model Penilaian Aset Kapital dengan teori dasar yang menghubungkan resiko tidak sistematis dengan pengembalian untuk semua aktiva, yang diperoleh dengan persamaan sebagai berikut :

E(Ri) = Rf + βi (E(Rm) – Rf)

- Rf adalah return bebas resiko dari suatu investasi dalam hal ini dapat

dihitung dari return suku bunga BI rate.

- βi adalah resiko sistematis yaitu jenis resiko yang mempengaruhi pasar

secara keseluruhan, seperti perubahan ekonomi suatu negara, politik atau perubahan situasi energi dunia. Semua itu resiko yang mempengaruhi sekuritas secara keseluruhan, sehingga tidak bisa dideversifikasi. Resiko sistematis dapat dihitung dengan beta melalui persamaan sebagai berikut :

Beta =

Covariance Market Variance

- E(Rm) adalah return pasar dihitung dengan membandingkan harga

IHSG pada priode sekarang dengan harga IHSG priode lalu menggunakan persamaan sebagai berikut :

IHSGt-1

b. Arbitrage Pricing Theory (APT) adalah hubungan antara risiko dan pendapatan, tetapi dengan menggunakan asumsi dan prosedur yang berbeda Formulasinya dapat ditulis dengan persamaan berikut :

r1 = rf + αiβi

- αi adalah resiko tidak sistematis yaitu resiko dari suatu perusahaan atau

suatu industri tertentu. Resiko ini tidak terikat oleh faktor ekonomi, politik dan faktor lainnya yang mempengaruhi semua sekuritas dalam cara yang sistematis. Resiko tidak sistematis dihitung dengan menggunakan standar deviasi melalui persamaan sebagai berikut :

N α = Σ (rt – rArg)2

t = 1

n – 1

Untuk memperjelas indikator dan alat ukur yang digunakan untuk masing-masing variabel tersebut dapat dilihat pada Tabel 3.1.

Tabel 3.1

Operasionalisasi Variabel

1. Retur Individu

(Ri)

Selisih harga saham periode t dengan harga saham

periode t-1 _Return

Individu =

HargaSahamt - HargaSaham -1 HargaSaham t-1 Rasio

2. Retur Bebas Resiko

(Rf)

Return bebas resiko dari suatu investasi dalam hal ini dapat dihitung dari return suku bunga BI rate

Persentase dari SBI

Rasio

3 Resiko sistemati

s (βi)

Resiko sistematis yaitu jenis resiko yang mempengaruhi pasar secara keseluruhan, seperti perubahan ekonomi suatu negara, politik atau perubahan situasi energi dunia. Semua itu resiko yang mempengaruhi sekuritas secara keseluruhan, sehingga tidak bisa dideversifikasi

Beta =

Covariance Market Variance

Rasio

4 Resiko individu

(α)

Resiko tidak sistematis yaitu resiko dari suatu perusahaan atau suatu industri tertentu. Resiko ini tidak terikat oleh faktor ekonomi, politik dan faktor

lainnya yang

mempengaruhi semua sekuritas dalam cara yang sistematis

5 Return pasar

(Rm)

Return pasar dihitung dengan membandingkan harga IHSG pada priode sekarang dengan harga IHSG priode lalu

Return market =

IHSGt -

IHSGt-1

IHSGt-1

6 CAPM CAPM pada dasarnya merupakan model untuk menentukan

harga suatu aset. Model ini mendasarkan diri pada kondisi ekuilibrium. Dalam keadaan

ekuilibrium tingkat

keuntungan yang

disyaratkan (required return) oleh investor untuk suatu saham akan dipengaruhi oleh risiko saham tersebut. Dalam hal ini risiko yang diperhitungkan hanyalah risiko sistematis (systematic risk) atau risiko pasar yang diukur dengan beta (β).

E(Ri) = Rf + βi (E(Rm) – Rf)

Rasio

7 APT APT pada dasarnya merupakan pemikiran yang menyatakan bahwa dua kesempatan investasi yang mempunyai karakteristik yang identik sama tidaklah bisa dijual dengan harga yang berbeda. Konsep yang dipergunakan adalah hukum satu harga.

r1 = rf+ αiβi

Rasio

3.4 Jenis Data dan Metode Pengumpulan Data 3.4.1 Jenis Data

Jenis data yang digunakan adalah data kuantitatif yaitu jenis data yang berupa angka-angka yang dapat dihitung dan diinterprestasikan untuk menarik sebuah kesimpulan.

3.4.2 Metode Pengumpulan Data

Metode pengumpulan data menggunakan meteode dokumentasi yaitu data yang telah dikumpulkan oleh pihak lain atau lembaga pengumpul data dan dipublikasikan kepada masyarakat pengguna data (Kuncoro, 2003: 127). Data dokumentasi disajikan antara lain dalam bentuk tabel-tabel atau diagram-diagram. Data sekunder dapat diperoleh dari berbagai literatur, situs internet, buku-buku dan catatan yang berkaitan erat dengan masalah yang sedang diteliti.

3.5 Populasi Penelitian

Menurut Ety dkk (2010,:35) : “Populasi (population) adalah sekelompok orang, kejadian atau segala sesuatu yang memiliki karakteristik tertentu.” Populasi

dalam penelitian ini adalah semua perusahaan logam dan baja yang listing di Bursa Efek Indonesia (BEI) sejak tahun 2011 sampai dengan tahun 2014 yang berjumlah 18 perusahaan. Daftar populasi dapat dilihat pada Lampiran 1.

Ety dkk (2010 : 35): “Sampel merupakan bagian dari jumlah data karakteristik yang dimiliki oleh populasi”. Teknik penarikan sampel (Tecnic sampling) menggunakan purposive sampling dimana penetapan sampel dengan didasarkan pada kriteria-kriteria tertentu yang bertujuan memberikan informasi yang maksimal”. Purposive sampling di sini menggunakan judgement sampling yaitu teknik pengambilan sampel dengan beberapa kriteria tertentu. Berikut ini adalah kriteria penarikan sampel:

1. Perusahaan logam dan baja terdaftar di BEI periode 2011 - 2014. 2. Saham perusahaan aktif di perdagangkan di BEI

Tabel 3.2 Proses Purposive Sampling

No Kriteria

Yang Melanggar

Kriteria

Jumlah

1 Perusahaan terdaftar di BEI periode 2011 - 2014 0 18 2 Perusahaan Memperoleh Laba Bersih periode

2011 – 2014 2 16

Jumlah perusahaan yang menjadi sampel

penelitian 16

Berikut ini merupakan daftar sampel penelitian Tabel 3.3

No Kode Nama Perusahaan 1 ALKA Alakasa Industrindo, Tbk

2 ALMI Alumindo Light Metal Industry, Tbk 3 BTON Betonjaya Manunggal, Tbk

4 CTBN Citra Tubindo, Tbk

5 GDST Gunawan Dianjaya Steel, Tbk 6 INAI Indal Aluminium Industry, Tbk 7 ITMA Sumber Energi Andalan, Tbk 8 JKSW Jakarta Kyoi Steel Works, Tbk 9 JPRS Jaya Pari Steel, Tbk

10 KRAS Krakatau Steel, Tbk 11 LION Lion Metal Works, Tbk 12 LMSH Lionmesh Prima, Tbk 13 MYRX Hanson International, Tbk 14 NIKL Pelat Timah Nusantara, Tbk 15 PICO Pelangi Indah Canindo, Tbk 16 TBMS Tembaga Mulia Semanan, Tbk

Sumber : www.idx.co.id

3.6 Teknik Pengumpulan Data

Dalam penelitian ini pengumpulan data dilakukan dengan menggunakan teknik dokumentasi. Data yang digunakan adalah data sekunder yang diperoleh dari situs Bursa Efek Indonesia yang terdiri dari :

1. Data harga saham peroleh dari situs Bursa Efek Indonesia www.idx.go.id. 2. Data IHSG peroleh dari situs Bursa Efek Indonesia www.idx.go.id.

3. Data suku bunga BI di peroleh dari situs Bank Indonesia www.bi.go.id.

3.7 Metode Analisis Data

Metode analisis data dalam penelitian ini adalah regresi linier berganda (multiple linier regression method) dan uji beda (pired sample t-test). Setelah dilakukan pengujian regresi berganda dilakukan pengujian uji beda. Pengujian ini dilakukan untuk mengetahui apakah ada perbedaan yang signifikan model CAPM dengan APT. Seluruh analisis dilakukan dengan bantuan Software SPSS (Statistical Package Social Science).

3.7.1 Pengujian Asumsi Klasik

Persamaan regresi Ordinary Least Square (OLS) harus bersifat BLUE (Best Linier Unbiased Estimator), artinya pengambilan keputusan melalui uji t tidak boleh bias. Syarat asumsi klasik yang harus dipenuhi model regresi berganda sebelum data tersebut dianalisis adalah uji Normalitas, Multikolinieritas, Autokorelasi dan Heteroskedastisitas.

3.7.1.1 Uji Normalitas

Uji Normalitas bertujuan untuk mengetahui apakah distribusi sebuah data mengikuti atau mendekati distribusi normal, yakni distribusi data dengan bentuk lonceng dan distribusi data tersebut tidak menceng ke kiri atau menceng ke kanan. Untuk menguji apakah sampel penelitian merupakan jenis

distribusi normal maka digunakan pengujian Kolmogorov-Smirnov Goodness of Fit Test terhadap masing-masing variabel. Fungsi pengujian suatu data dikategorikan sebagai distribusi normal atau tidak adalah sebagai alat membuat kesimpulan populasi berdasarkan data sampel Tingkat signifikasi (α) yang digunakan adalah 5% dengan kriteria pengujian sebagai berikut (Santoso, 2007:392) :

• Jika Probabilitas > 0.05, maka distribusi normal • Jika Probabilitas < 0.05, maka distribusi tidak normal

3.7.1.2 Uji Multikolinieritas

Multikolinieritas berarti adanya hubungan linier yang sempurna atau pasti di antara beberapa atau semua variabel yang menjelaskan dari model regresi. Untuk mendeteksi ada atau tidaknya multikolinearitas dapat dilakukan dengan melihat toleransi variabel dan Variante Inflation Factor (VIF) dengan membandingkan sebagai berikut (Ghozali, 2005:96):

 Jika VIF < 10 dan Tolerance > 0,10 maka tidak terjadi multikolinearitas  Jika VIF > 10 dan Tolerance < 0,10 maka terjadi multikolinearitas

3.7.1.3 Uji Autokorelasi

Uji autokorelasi bertujuan untuk melihat apakah dalam suatu model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1 (sebelumnya). Jika terjadi korelasi, maka

dinamakan ada problem autokorelasi. Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lain atau munculnya data dipengaruhi oleh data sebelumnya. Salah satu metode yang sering digunakan untuk menguji ada tidaknya autokorelasi adalah dengan uji statistik d dari Durbin-Watson. (Ghozali, 2005:32)

- Apabila nilai Durbin-Watson (DW-test) terletak antara 0 dan batas bawah Lower Bound (DL), berarti ada autokorelasi positif.

- Apabila nilai Durbin-Watson (DW-test) terletak antara DL dan batas atas atau Uper Bound (DU), berarti kita tidak dapat memutuskan apakah terjadi autokorelasi positif atau tidak.

- Apabila nilai Durbin-Watson (DW-test) terletak antara 4-DL dan 4, berarti ada autokorelasi negatif.

- Apabila nilai Durbin-Watson (DW-test) terletak antara DU dan 4-DL, berarti kita tidak dapat memutuskan apakah terjadi autokorelasi negatif atau tidak.

3.7.1.4Uji Heteroskedastisitas

Uji Heteroskedastisitas pengujian mengenai sama atau tidak varians dari residual satu pengamatan kepengamatan yang lain. Pengujiannya menggunakan grafik plots dengan menggunakan uji glestjer. Terjadi homoskedastisitas jika pada scatterplot titik-titik hasil pengolahan data antara Zpred dan Sresid menyebar dibawah maupun diatas titik origin (angka 0) pada

sumbu Y dan tidak mempunyai pola yang teratur. Terjadi heteroskedastisitas jika pada scatterplot titik-titiknya mempunyai pola yang teratur baik menyempit, melebar maupun bergelombang-gelombang (Ghozali, 2005:125). 3.7.2 Pengujian Hipotesis

3.7.2.1 Persamaa Regresi Linier Berganda

Persamaan regresi linier berganda dilakukan untuk mengetahui arah hubungan dari setiap variabel bebas terhadap variabl terikatnya. Berdasarkan spesifikasi model regresi berganda maka model persamaan dalam penelitian ini adalah sebagai berikut :

Y1 = α + β1X1 + β2X2 + β3X3 + β4X4 + β5X5 + e Y2 = α + β1X1 + β2X2 + β3X3 + β4X4 + β5X5 + e Dimana :

Y1 : Model CAPM

Y2 : Model APT

α : Koefisien Konstanta β1- β5 : Koefisien Regresi

X1 : Return Individu

X2 : Resiko Tidak Sistematis (α)

X3 : Resiko Tidak Sistematis (β)

X4 : Return Bebas Resiko (RF)

X5 : Return Pasar (RM)

3.7.2.2 Uji F (F-test)

Untuk menguji signifikansi pengaruh dimensi variabel bebas secara serempak terhadap variabel terikat dilakukan dengan uji-F. Bentuk pengujiannya adalah sebagai berikut :

a. Ho : b1, b2,b3,b4,b5 = 0 (tidak terdapat pengaruh yang signifikan secara

serempak dari seluruh variabel bebas terhadap variabel terikat).

b. Ha : b1, b2,b3,b4,b5  0 (terdapat pengaruh yang signifikan secara

serempak dari seluruh variabel bebas terhadap variabel terikat).

Untuk mengetahui apakah hipotesis yang diajukan diterima atau ditolak dilakukan dengan cara membandingkan nilai F hitung dengan F tabel pada tingkat kepercayaan 95 % ( = 0,05). Jika nilai Fhitung > Ftabel, maka Ho

ditolak dan Ha diterima sedangkan jika nilai Fhitung  Ftabel maka Ho diterima

dan Ha ditolak.

3.7.2.3 Uji t (t-test)

Uji t adalah untuk menguji hipotesis secara parsial antara masing-masing variabel bebas terhadap variabel terikat. Bentuk pengujiannya adalah sebagai berikut :

a. Ho : b1, b2,b3,b4,b5 = 0 (tidak terdapat pengaruh yang signifikan dari

b. Ha : b1, b2,b3,b4,b5  0 (terdapat pengaruh yang signifikan dari

masing-masing dimensi bebas terhadap variabel terikat).

Untuk mengetahui apakah hipotesis yang diajukan diterima atau ditolak dilakukan dengan cara membandingkan nilai t hitung dengan t tabel pada tingkat kepercayaan 95 % ( = 0,05). Jika nilai thitung > ttabel, maka Ho ditolak

dan Ha diterima sedangkan jika nilai thitung  ttabel maka Ho diterima dan Ha

ditolak.

3.7.2.4 Uji Beda

Menurut Ghozali (2005:55 dan 56), menyatakan “Uji beda t

-test digunakan untuk menentukan apakah dua sampel yang tidak berhubungan memiliki nilai rata-rata berbeda. Uji beda t-test dilakukan dengan cara membandingkan perbedaan antara dua nilai rata-rata dengan standar error dari perbedaan rata-rata dua sampel.

Menurut Sugiyono (2007:117), rumus uji beda dapat ditulis dengan formulasi berikut ini :

( X1 – X2 ) t =

Sgab 1 + 1 √ n1 n2

Keterangan :

X1 : Rata-rata CAPM

X2 : Rata-rata APT

Sgab : Varian gabungan

n : Jumlah sampel

Standar error perbedaan dalam nilai rata-rata terdistribusi secara normal. Jadi tujuan uji beda t-test adalah membandingkan rata-rata dua grup yang tidak berhubungan satu dengan yang lainnya. Apakah kedua grup tersebut mempunyai nilai rata-rata yang sama ataukah tidak sama secara sginifikan. Pengambilan keputusan :

Jika probabilitas > 0,05, maka H0 tidak dapat ditolak jadi variance sama

Jika probabilitas < 0,05, maka H0 ditolak jadi variance berbeda.

BAB IV

HASIL PENELITIAN DAN PEMBAHASAN

4.1 Hasil Penelitian

Statistik deskriptif digunakan untuk memberikan gambaran umum tentang data penelitian yang dijadikan sampel yang digunakan dalam penelitian. Statistik deskriptif pada penelitian ini difokuskan kepada nilai minimum, maksimum, rata-rata dan standar deviasi ditunjukkan Tabel 4.1:

Tabel 4.1 Descriptive Statistics

N Minimum Maximum Mean Std. Deviation

CAPM 64 -3.92 .37 .0010 .51815

APT 64 -.45 22.26 .5758 2.88816

Return Individu 64 -.06 .56 .0151 .07756

Resiko Individu 64 .01 1.94 .1444 .24084

Resiko Sistematis 64 -3.03 61.81 1.2483 7.93318

Return Bebas Resiko 64 .06 .10 .0815 .01311

Return Pasar 64 .00 .02 .0095 .00590

Valid N (listwise) 64

Sumber: Hasil Penelitian, 2016 (Data Diolah)

Berdasarkan hasil deskriptif pada Tabel 4.1 dapat dilihat bahwa jumlah pengamatan adalah sebanyak 64 data diperoleh dari 16 sample perusahaan selama 4 tahun penelitian. Data yang akan digunakan dalam penelitian ini sangat bervariasi dengan kisaran yang sangat lebar yaitu antar nilai positif dengan nilai negatif. Hal ini mengindikasikan bahwa data penelitian ini kemungkinan memiliki distribusi yang tidak normal.

Tabel 4.1. menunjukkan N CAPM perusahaan Industri Logam dan baja yang terdaftar di BEI tahun 2011-2014 adalah jumlah pengamatan sebanyak 64 data diperoleh dari 16 sample perusahaan selama 4 tahun penelitian. Nilai rata-rata sebesar 0.0010 dimana terdapat 56 tahun data yang memiliki nilai di atas rata-rata, sisanya 8 tahun data berada dibawah nilai rata-rata. Standar deviasi sebesar 0.51815

dengan Nilai CAPM minimum adalah sebesar -3.92 ada pada perusahaan ALMI tahun 2013 dan nilai maksimum yakni sebesar 0.37 ada pada perusahaan TBMS tahun 2011 menunjukan penyebaran data sangat jauh (heterogen).

Tabel 4.1. menunjukkan N APT perusahaan Industri Logam dan baja yang terdaftar di BEI tahun 2011-2014 adalah jumlah pengamatan sebanyak 64 data diperoleh dari 16 sample perusahaan selama 4 tahun penelitian. Nilai rata-rata sebesar 0.5758 dimana terdapat 61 tahun data yang memiliki nilai di atas rata-rata, sisanya 3 tahun data berada diatas nilai rata-rata. Standar deviasi sebesar 2.88816 dengan Nilai APT minimum adalah sebesar -0.45 ada pada perusahaan TBMS tahun 2011 dan nilai maksimum yakni sebesar 22.26 ada pada perusahaan ITMA tahun 2013 menunjukan penyebaran data sangat jauh (heterogen).

Tabel 4.1. menunjukkan N Return Individu (Ri) perusahaan Industri Logam dan baja yang terdaftar di BEI tahun 2011-2014 adalah jumlah pengamatan sebanyak 64 data diperoleh dari 16 sample perusahaan selama 4 tahun penelitian. Nilai rata-rata sebesar 0.0151 dimana terdapat 42 tahun data yang memiliki nilai di atas rata-rata, sisanya 22 tahun data berada dibawah nilai rata-rata. Standar deviasi sebesar 0.07756 dengan Nilai Return Individu (Ri) minimum adalah sebesar -0.06 ada pada perusahaan JKSW tahun 2011 dan nilai maksimum yakni sebesar 0.56 ada pada perusahaan ITMA tahun 2013 menunjukan penyebaran data sangat jauh (heterogen).

Tabel 4.1. menunjukkan N Resiko Individu (α) perusahaan Industri Logam dan baja yang terdaftar di BEI tahun 2011-2014 adalah jumlah pengamatan sebanyak 64 data diperoleh dari 16 sample perusahaan selama 4 tahun penelitian.

Nilai rata-rata sebesar 0.1444 dimana terdapat 13 tahun data yang memiliki nilai di atas rata-rata, sisanya 51 tahun data berada dibawah nilai rata-rata. Standar deviasi sebesar 0.24084 dengan Nilai Resiko Individu (α) minimum adalah sebesar 0.01 ada pada perusahaan ALKA tahun 2012 dan nilai maksimum yakni sebesar 1.94 ada pada perusahaan ITMA tahun 2013 menunjukan penyebaran data sangat dekat (homogen).

Tabel 4.1. menunjukkan N Resiko Sistematis (β) perusahaan Industri Logam dan baja yang terdaftar di BEI tahun 2011-2014 adalah jumlah pengamatan sebanyak 64 data diperoleh dari 16 sample perusahaan selama 4 tahun penelitian. Nilai rata-rata sebesar 1.2483 dimana terdapat 58 tahun data yang memiliki nilai di bawah rata-rata, sisanya 6 tahun data berada diatas nilai rata-rata. Standar deviasi sebesar 7.93318 dengan Nilai Resiko Sistematis (β) minimum adalah sebesar -3.03 ada pada perusahaan TBMS tahun 2011 dan nilai maksimum yakni sebesar 61.81 ada pada perusahaan ALMI tahun 2013 menunjukan penyebaran data sangat jauh (heterogen).

Tabel 4.1. menunjukkan N Return Bebas Resiko (Rf) perusahaan Industri Logam dan baja yang terdaftar di BEI tahun 2011-2014 adalah jumlah pengamatan sebanyak 64 data diperoleh dari 16 sample perusahaan selama 4 tahun penelitian. Nilai rata-rata sebesar 0.0815 dimana terdapat 32 tahun data yang memiliki nilai di atas rata-rata, sisanya 32 tahun data berada dibawah nilai rata-rata. Standar deviasi sebesar 0.01311 dengan Nilai Return Bebas Resiko (Rf) minimum adalah sebesar 0.06 ada pada setiap perusahaan tahun 2013 dan nilai maksimum yakni sebesar 0.10

ada pada setiap perusahaan tahun 2011 menunjukan penyebaran data sangat dekat (homogen).

Tabel 4.1. menunjukkan N Return pasar (RM) perusahaan Industri Logam dan baja yang terdaftar di BEI tahun 2011-2014 adalah jumlah pengamatan sebanyak 64 data diperoleh dari 16 sample perusahaan selama 4 tahun penelitian. Nilai rata-rata sebesar 0.0095 dimana terdapat 48 tahun data yang memiliki nilai di atas rata-rata, sisanya 16 tahun data berada dibawah nilai rata-rata. Standar deviasi sebesar 0.00590 dengan Nilai Return pasar (RM) minimum adalah sebesar 0.0 ada pada setiap perusahaan tahun 2011 dan nilai maksimum yakni sebesar 0.02 ada pada setiap perusahaan tahun 2014 menunjukan penyebaran data sangat dekat (homogen).

4.1.2 Uji Asumsi Klasik

Pengujian asumsi klasik diperlukan untuk mengetahui apakah hasil estimasi regresi yang dilakukan benar-benar bebas dari adanya gejala heteroskedastisitas, gejala multikolonieritas, dan gejala autokorelasi. Model regresi akan dapat dijadikan estimasi yang tidak bias jika telah memenuhi persyaratan BLUE (Best Linear Unbiased Estimator) yakni tidak terdapat heteroskedastisitas, tidak terdapat multikolonieritas dan tidak terdapat autokolerasi.

4.1.2.1 Uji Normalitas CAPM

Uji normalitas bertujuan untuk mengetahui apakah variabel dependen dan independen yang digunakan dalam penelitian mempunyai

ditribusi normal atau tidak. Model regresi yang layak adalah model yang mempunyai distribusi normal atau mendekati normal. Hasil pengujian normalitas data dapat dilihat pada Gambar 5.1.

Gambar 4.1. Normal P-Plot CAPM Sumber: Lampiran Output SPSS

Pada grafik normal probility Gambar 4.1. menunjukkan titik-titik menjauhi garis diagonal dan hal ini menunjukkan bahwa residual tidak terdistribusi secara normal.

Gambar 4.2. Normal P-Plot CAPM Setelah Dilakukan Scaning Sumber: Lampiran Output SPSS

Pada grafik normal probility Gambar 4.2. menunjukkan titik-titik mendekati garis diagonal dan hal ini menunjukkan bahwa residual terdistribusi secara normal. Uji Kolmogorov-Smirnov dapat dilakukan untuk menguji apakah residual terdistribusi secara normal. Hasil uji Kolmogorov-Smirnov tampak dibawah ini:

Tabel 4.2. One-Sample Kolmogorov-Smirnov Test CAPM Unstandardized

Residual

N 57

Normal Parametersa Mean .0000000

Std. Deviation .00686640 Most Extreme

Differences

Absolute .134

Positive .093

Negative -.134

Kolmogorov-Smirnov Z 1.012

Asymp. Sig. (2-tailed) .258

Berdasarkan uji Kolmogorov-Smirnov diperoleh nilai dari Unstandardized Residual sig. K-S 0.258 > 0,05. Oleh sebab itu, residual data tidak terdistribusi dengan normal.

4.1.2.2 Uji Normalitas APT

Berikut ini dijelaskan hasil uji normalitas data variabel APT. Hasil pengujian normalitas data dapat dilihat pada Gambar 5.3.

Gambar 4.3. Normal APT P-Plot Setelah Transformasi

Gambar pada tampilan Normal P-Plot memberikan pola distribusi normal dengan penyebaran secara merata mendekati garis diagonal. Uji statistik Kolmogorov Smirnov, yang merupakan pengujian yang paling valid atas normalitas. Pengujian ini dilakukan terhadap nilai yang dihasilkan dari setiap variabel dengan hasil yang terlihat pada Tabel 4.3. berikut:

Tabel 4.3. One-Sample Kolmogorov-Smirnov Test APT Unstandardiz ed Residual

N 64

Normal Parametersa Mean .0000000

Std. Deviation .61936371 Most Extreme

Differences

Absolute .099

Positive .090

Negative -.099

Kolmogorov-Smirnov Z .795

Sumber Lampiran Output SPSS

Berdasarkan uji Kolmogorov-Smirnov pada data diperoleh nilai sig. dari Unstandardized Residual sebesar 0,552 > 0,05. Oleh sebab itu, residual data terdistribusi dengan normal sehingga layak untuk menggunakan statistik parametrik.

4.1.2.3 Uji Multikolonieritas

Tabel 4.4 Hasil Uji Multikolonieritas CAPM

Model

Collinearity Statistics Tolerance VIF 1 (Constant)

Return Individu .810 1.234 Resiko Individu .767 1.305 Resiko SIstematis .779 1.284 Return Bebas Resiko .702 1.425

Return Pasar .790 1.265

Sumber Lampiran Output SPSS

Uji multikolinieritas menunjukkan nilai tolerance > 0,10 dan Variance Inflation Factor (VIF) < 10. Hal ini menunjukkan bahwa variabel-variabel independen yang digunakan dalam penelitian ini tidak saling berkolerasi atau tidak ditemukan adanya kolerasi antar variabel independen.

Tabel 4.5 Hasil Uji Multikolonieritas APT

Model

Collinearity Statistics Tolerance VIF 1 (Constant)

Return Individu .115 8.716 Resiko Individu .114 8.740 Resiko SIstematis .921 1.086 Return Bebas Resiko .748 1.337

Return Pasar .726 1.378

Sumber Lampiran Output SPSS

Uji multikolinieritas menunjukkan nilai tolerance > 0,10 dan Variance Inflation Factor (VIF) < 10. Hal ini menunjukkan bahwa variabel-variabel independen yang digunakan dalam penelitian ini tidak saling berkolerasi atau tidak ditemukan adanya kolerasi antar variabel independen.

4.1.2.4 Uji Heteroskedastisitas

Berikut ini hasil uji heteroskedasitas sesudah transformasi menggunakan uji glesger dengan melihat grafik scaterplots berikut ini :

Gambar 4.4. Scatterplot CAPM Setelah Transformasi Sumber: Hasil Penelitian 2016, (Data Diolah)

Berdasarkan grafik scater plots diatas terlihat bahwa titik-titik menyebar secara acak dan telah tersebar baik di atas maupun dibawah angka 0 (nol) pada sumbu Y sehingga dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi.

Berdasarkan grafik scater plots diatas terlihat bahwa titik-titik menyebar secara acak dan telah tersebar baik di atas maupun dibawah angka 0 (nol) pada sumbu Y sehingga dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi.

4.1.2.5 Uji Autokolerasi

Tabel 4.6 Tabel Autokorelasi CAPM Model R R Square

Adjusted R Square

Std. Error of the Estimate

Durbin-Watson

1 .994a _{.988 .986 .00720 1.752}

a. Predictors: (Constant), Return Pasar, Return Individu, Resiko SIstematis, Resiko Individu, Return Bebas Resiko

b. Dependent Variable: CAPM Sumber: Lampiran Output SPSS

Berdasarkan uji autokorelasi diperoleh nilai hitung Durbin Watson sebesar 1,752 menunjukkan tidak terjadi autokorelasi karena nilai Durbin-Watson (DW-test) berada di antara DL=1,3885 dan DU=1,7675.

Tabel 4.7 Tabel Autokorelasi APT Model R R Square

Adjusted R Square

Std. Error of the Estimate

Durbin-Watson

1 .977a .954 .950 .64551 2.251

a. Predictors: (Constant), Return Pasar, Resiko Individu, Resiko SIstematis, Return Bebas Resiko, Return Individu

b. Dependent Variable: APT Sumber: Lampiran Output SPSS

Berdasarkan uji autokorelasi diperoleh nilai hitung Durbin Watson sebesar 2,251 menunjukkan tidak terjadi autokorelasi karena nilai Durbin-Watson (DW-test) berada di antara 4-DU = 2,2328 dan 4-DL= 2,5678.

4.1.3 Pengujian Hipotesis

4.1.3.1 Pengujian Hipotesis Pertama a. Koefisien Determinasi

Uji Statistik koefisien determinasi pada penelitian ini tujuannya adalah untuk mengetahui seberapa jauh kemampuan model dalam menerangkan variasi variabel dependen. Uji statistik koefisien determinasi dapat dilihat pada Tabel 4.8 berikut:

Tabel 4.8. Koefisien Determinasi CAPM Model R R Square

Adjusted R Square

Std. Error of the Estimate

1 .994a .988 .986 .00720

Sumber Data : SPSS 16 (diolah Peneliti, 2016)

Tabel 4.8 memperlihatkan bahwa nilai R Square sebesar 0,986 atau 98,6% yang berarti bahwa persentase pengaruh variabel independen Return Individu (Ri), Resiko Individu (α), Resiko Sistematis (β), Return Bebas Resiko (Rf) dan Return Pasar (RM) terhadap CAPM adalah sebesar nilai koefisien determinasi atau 98,6%. Sedangkan sisanya 1,4% dipengaruhi atau dijelaskan oleh variabel lain yang tidak dimasukkan dalam model penelitian ini.

b.Uji Simultan (Uji F)

Hasil pengujian statistik F (uji simultan) pada Return Individu (Ri), Resiko Individu (α), Resiko Sistematis (β), Return Bebas Resiko (Rf) dan Return Pasar (RM) terhadap CAPM dapat dilihat pada Tabel 4.9.

Tabel 4.9. Hasil Uji F CAPM Model

Sum of

Squares Df Mean Square F Sig.

1 Regression .211 5 .042 814.592 .000a

Residual .003 51 .000

Total .213 56

a. Predictors: (Constant), Return Pasar, Return Individu, Resiko SIstematis, Resiko Individu, Return Bebas Resiko

b. Dependent Variable: CAPM

Sumber Data : SPSS 16 (diolah Peneliti, 2016)

Dari Tabel 4.9. diperoleh nilai Fhitung sebesar 814.592 sedangkan Ftabel pada

tingkat kepercayaan α = 5% dengan df1 = 6 – 1 = 5 dan df2 = 57 – 6 =56, adalah

sebesar 2,38 dengan tingkat signifikansi sebesar 0,000. Dengan demikian dapat disimpulkan bahwa Fhitung > Ftabel dan sig = 0,000 < α = 0,05, yang berarti bahwa

hipotesis Ha diterima, yang menyatakan bahwa variabel Return Individu (Ri), Resiko Individu (α), Resiko Sistematis (β), Return Bebas Resiko (Rf) dan Return Pasar (RM) secara simultan berpengaruh terhadap CAPM.

c. Uji Parsial (Uji t)

Hasil pengujian statistik t (uji parsial) pada Return Individu (Ri), Resiko Individu (α), Resiko Sistematis (β), Return Bebas Resiko (Rf) dan Return Pasar (RM) terhadap CAPM dapat dilihat pada tabel 4.10.

Tabel 4.10. Hasil Uji Statistik t CAPM

Model

Unstandardized Coefficients

Standardized Coefficients

t Sig.

B Std. Error Beta

1(Constant) -.020 .007 -2.818 .007

Return Individu -.082 .036 -.040 -2.286 .026

Resiko Individu .020 .021 .017 .935 .354

Resiko Sistematis -.078 .002 -.876 -49.669 .000 Return Bebas Resiko 1.262 .088 .268 14.400 .000

Return Pasar -.177 .186 -.017 -.954 .345

Sumber Data : SPSS 16 (diolah Peneliti, 2016)

Kriteria pengambilan keputusan menggunakan taraf nyata 5% untuk uji t dengan deajat bebas (df) = 57 – 6 = 51. Nilai t tabel dengan taraf nyata α/2 = 0,025 dan df = 51 adalah 2,008.

- Jika t hitung > t tabel (2,008) atau t hitung < t tabel (-2,008), maka Ha dapat diterima

(berpengaruh).

- Jika t tabel (-2,008) ≤ t hitung ≤ t tabel (2,008) maka Ha tidak diterima (tidak

berpengaruh).

Berdasarkan pengujian pada Tabel 4.10 maka secara parsial pengaruh masing-masing variabel independen terhadap variabel dependen dapat diuraikan sebagai berikut:

1. Variabel Return Individu (Ri) merupakan nilai -t hitung sebesar -2,286 < -t tabel =

-2,008 dengan tingkat signifikasi sebesar 0,026 < 0,05, sehingga dapat disimpulkan bahwa variabel Return Individu (Ri) berpengaruh negatif

signifikan terhadap CAPM pada perusahaan Industri Logam dan baja yang terdaftar di BEI tahun 2011 – 2014. Kondisi ini berarti hipotesis diterima. 2. Variabel Resiko Individu (α), t hitung = 0,935 < t tabel = 2,008, dengan tingkat

signifikansi sebesar 0,354 > 0,05, sehingga dapat disimpulkan bahwa variabel Resiko Individu (α) tidak berpengaruh positif tidak signifikan terhadap APT pada perusahaan Industri Logam dan baja yang terdaftar di BEI tahun 2011 – 2014. Kondisi ini berarti Ha diterima.

3. Variabel Resiko Sistematis (β) merupakan nilai -t hitung sebesar -49.669 < -t tabel

= -2,008 dengan tingkat signifikasi sebesar 0,000 < 0,05, sehingga dapat disimpulkan bahwa variabel Resiko Sistematis (β) berpengaruh negatif signifikan terhadap CAPM pada perusahaan Industri Logam dan baja yang terdaftar di BEI tahun 2011 – 2014. Kondisi ini berarti hipotesis diterima. 4. Variabel Return Bebas Resiko (Rf) t hitung = 14.400 > t tabel = 2,008, dengan

tingkat signifikansi sebesar 0,000 < 0,05, sehingga dapat disimpulkan bahwa variabel Return Bebas Resiko (Rf) berpengaruh positif signifikan terhadap APT pada perusahaan Industri Logam dan baja yang terdaftar di BEI tahun 2011 – 2014. Kondisi ini berarti Ha diterima.

5. Variabel Return Return Pasar (RM) -t hitung = -0.954 > -t tabel = 2,008, dengan

tingkat signifikansi sebesar 0,345 > 0,05, sehingga dapat disimpulkan bahwa variabel Return Pasar (RM) berpengaruh negatif tidak signifikan terhadap APT pada perusahaan Industri Logam dan baja yang terdaftar di BEI tahun 2011 – 2014. Kondisi ini berarti Ha ditolak.

d.Regresi Linier Berganda

Analisis regresi linier berganda bertujuan untuk mengetahui arah pengaruh dua variabel bebas atau lebih terhadap variabel terikatnya. Adapun hasil pengolahan data dengan analisis regresi dapat dilihat pada tabel 4.11 berikut:

Tabel 4.11. Regresi Linier Berganda CAPM

Model

Unstandardized Coefficients

Standardized Coefficients

T Sig.

B Std. Error Beta

1 (Constant) -.020 .007 -2.818 .007

Return Individu -.082 .036 -.040 -2.286 .026

Resiko Individu .020 .021 .017 .935 .354

Resiko Sistematis -.078 .002 -.876 -49.669 .000 Return Bebas Resiko 1.262 .088 .268 14.400 .000

Return Pasar -.177 .186 -.017 -.954 .345

Sumber : SPSS 16 (diolah Peneliti, 2016)

Informasi yang ditampilkan pada tabel 4.11 adalah persamaan regresi berganda antara variabel independen (X) terhadap variabel dependen (Y) yang dapat diformulasikan dalam bentuk persamaan berikut ini:

Y = -0.020 - 0.082X1 + 0,020X2 - 0.078X3 + 1,262X4- 0.177X5 + e

Penjelasan dari nilai a, b1 s/d b5 pada Unstandardized Coefficients tersebut

dapat dijelaskan dibawah ini:

1. Nilai B Constant (a) sebesar -0.020 artinya jika variabel Return Individu (Ri), Resiko Individu (α), Resiko Sistematis (β), Return Bebas Resiko (Rf) dan Return Pasar (RM) konstan (tetap) maka CAPM adalah sebesar -0.020. 2. Nilai β1 sebesar -0.082 artinya pengaruh variabel Return Individu (Ri) terhadap

CAPM adalah negatif dimana jika variabel Return Individu (Ri) meningkat sebesar satu maka CAPM akan turun sebesar -0.082.

3. Nilai β2 sebesar 0,020 artinya pengaruh variabel Resiko Individu (α) terhadap

CAPM adalah positif dimana jika variabel Resiko Individu (α) meningkat sebesar satu maka CAPM akan naik sebesar 0,020.

4. Nilai β3 sebesar -0,078 artinya pengaruh variabel Resiko Sistematis (β)

terhadap CAPM adalah negatif dimana jika variabel Resiko Sistematis (β) meningkat sebesar satu maka CAPM akan turun sebesar -0,078.

5. Nilai β4 sebesar 1.262 artinya pengaruh variabel Return Bebas Resiko (Rf)

terhadap CAPM adalah positif dimana jika variabel Return Bebas Resiko (Rf) meningkat sebesar satu maka CAPM akan naik sebesar 1.262.

6. Nilai β5 sebesar -0,177 artinya pengaruh variabel Return Pasar (RM) terhadap

CAPM adalah negatif dimana jika variabel Return Pasar (RM) meningkat sebesar satu maka CAPM akan turun sebesar -0,177.

4.1.3.2 Pengujian Hipotesis Kedua a. Koefisien Determinasi

Uji Statistik koefisien determinasi pada penelitian ini tujuannya adalah untuk mengetahui seberapa jauh kemampuan model dalam menerangkan variasi variabel dependen. Uji statistik koefisien determinasi dapat dilihat pada Tabel 4.12 berikut:

Tabel 4.12. Koefisien Determinasi APT Model R R Square

Adjusted R Square

Std. Error of the Estimate

1 .977a .954 .950 .64551

Tabel 4.12 memperlihatkan bahwa nilai R Square sebesar 0,950 atau 95% yang berarti bahwa persentase pengaruh variabel independen Return Individu (Ri), Resiko Individu (α), Resiko Sistematis (β), Return Bebas Resiko (Rf) dan Return Pasar (RM) terhadap APT adalah sebesar nilai koefisien determinasi atau 95%. Sedangkan sisanya 5% dipengaruhi atau dijelaskan oleh variabel lain yang tidak dimasukkan dalam model penelitian ini.

b.Uji Simultan (Uji F)

Hasil pengujian statistik F (uji simultan) pada Return Individu (Ri), Resiko Individu (α), Resiko Sistematis (β), Return Bebas Resiko (Rf) dan Return Pasar (RM) terhadap APT dapat dilihat pada Tabel 4.13.

Tabel 4.13. Hasil Uji F APT Model

Sum of

Squares Df Mean Square F Sig.

1 Regression 501.347 5 100.269 240.638 .000a

Residual 24.168 58 .417

Total 525.514 63

a. Predictors: (Constant), Return Pasar, Resiko Individu, Resiko SIstematis, Return Bebas Resiko, Return Individu

b. Dependent Variable: APT

Sumber Data : SPSS 16 (diolah Peneliti, 2016)

Dari Tabel 4.13 diperoleh nilai Fhitung sebesar 240.638 sedangkan Ftabel pada

tingkat kepercayaan α = 5% dengan df1 = 6 – 1 = 5 dan df2 = 64 – 6 =58, adalah

sebesar 2,37 dengan tingkat signifikansi sebesar 0,000. Dengan demikian dapat disimpulkan bahwa Fhitung > Ftabel dan sig = 0,000 < α = 0,05, yang berarti bahwa

Resiko Individu (α), Resiko Sistematis (β), Return Bebas Resiko (Rf) dan Return Pasar (RM) secara simultan berpengaruh terhadap APT.

c. Uji Parsial (Uji t)

Hasil pengujian statistik t (uji parsial) pada Return Individu (Ri), Resiko Individu (α), Resiko Sistematis (β), Return Bebas Resiko (Rf) dan Return Pasar (RM) terhadap APT dapat dilihat pada tabel 4.14.

Tabel 4.14. Hasil Uji Statistik t APT

Model

Unstandardized Coefficients

Standardized Coefficients

t Sig.

B Std. Error Beta

1(Constant) _{-.617 .558 -1.107 .273}

Return Individu _{1.539 3.096 .041 .497 .621}

Resiko Individu _{10.277 .998 .857 10.295 .000}

Resiko Sistematis _{.092 .011 .253 8.633 .000}

Return Bebas Resiko _{-4.774 7.172 -.022 -.666 .508}

Return Pasar _{-4.269 16.185 -.009 -.264 .793}

Sumber Data : SPSS 16 (diolah Peneliti, 2016)

Kriteria pengambilan keputusan menggunakan taraf nyata 5% untuk uji t dengan deajat bebas (df) = 64 – 6 = 58. Nilai t tabel dengan taraf nyata α/2 = 0,025 dan df = 51 adalah 2,002.

- Jika t hitung > t tabel (2,002) atau t hitung < t tabel (-2,002), maka Ha dapat diterima

(berpengaruh).

- Jika t tabel (-2,002) ≤ t hitung ≤ t tabel (2,002) maka Ha tidak diterima (tidak

Berdasarkan pengujian pada Tabel 4.14 maka secara parsial pengaruh masing-masing variabel independen terhadap variabel dependen dapat diuraikan sebagai berikut:

1. Variabel Return Individu (Ri) merupakan nilai t hitung sebesar 0.497 < t tabel =

2,002 dengan tingkat signifikasi sebesar 0,621 < 0,05, sehingga dapat disimpulkan bahwa variabel Return Individu (Ri) berpengaruh positif tidak signifikan terhadap APT pada perusahaan Industri Logam dan baja yang terdaftar di BEI tahun 2011 – 2014. Kondisi ini berarti hipotesis ditolak. 2. Variabel Resiko Individu (α), t hitung = 10.295 > t tabel = 2,002, dengan tingkat

signifikansi sebesar 0,000 < 0,05, sehingga dapat disimpulkan bahwa variabel Resiko Individu (α) tidak berpengaruh positif signifikan terhadap APT pada perusahaan Industri Logam dan baja yang terdaftar di BEI tahun 2011 – 2014. Kondisi ini berarti Ha diterima.

3. Variabel Resiko Sistematis (β) merupakan nilai t hitung sebesar 8.633 > t tabel =

2,002 dengan tingkat signifikasi sebesar 0,000 < 0,05, sehingga dapat disimpulkan bahwa variabel Resiko Sistematis (β) berpengaruh positif signifikan terhadap APT pada perusahaan Industri Logam dan baja yang terdaftar di BEI tahun 2011 – 2014. Kondisi ini berarti hipotesis diterima. 4. Variabel Return Bebas Resiko (Rf) -thitung = -0.666 > -ttabel = 2,002, dengan

tingkat signifikansi sebesar 0,508 > 0,05, sehingga dapat disimpulkan bahwa variabel Return Bebas Resiko (Rf) berpengaruh negatif tidak signifikan terhadap APT pada perusahaan Industri Logam dan baja yang terdaftar di BEI tahun 2011 – 2014. Kondisi ini berarti Ha ditolak.

5. Variabel Return Return Pasar (RM) -t hitung = -0.264 > -t tabel = 2,002, dengan

tingkat signifikansi sebesar 0,793 > 0,05, sehingga dapat disimpulkan bahwa variabel Return Pasar (RM) berpengaruh negatif tidak signifikan terhadap APT pada perusahaan Industri Logam dan baja yang terdaftar di BEI tahun 2011 – 2014. Kondisi ini berarti Ha ditolak.

d.Regresi Linier Berganda

Analisis regresi linier berganda bertujuan untuk mengetahui arah pengaruh dua variabel bebas atau lebih terhadap variabel terikatnya. Adapun hasil pengolahan data dengan analisis regresi dapat dilihat pada tabel 4.15 berikut:

Tabel 4.15. Regresi Linier Berganda APT

Model

Unstandardized Coefficients

Standardized Coefficients

t Sig.

B Std. Error Beta

1(Constant) _{-.617 .558 -1.107 .273}

Return Individu _{1.539 3.096 .041 .497 .621}

Resiko Individu _{10.277 .998 .857 10.295 .000}

Resiko Sistematis _{.092 .011 .253 8.633 .000}

Return Bebas Resiko _{-4.774 7.172 -.022 -.666 .508}

Return Pasar _{-4.269 16.185 -.009 -.264 .793}

Sumber : SPSS 16 (diolah Peneliti, 2016)

Informasi yang ditampilkan pada tabel 4.15 adalah persamaan regresi berganda antara variabel independen (X) terhadap variabel dependen (Y) yang dapat diformulasikan dalam bentuk persamaan berikut ini:

Penjelasan dari nilai a, b1 s/d b5 pada Unstandardized Coefficients tersebut

dapat dijelaskan dibawah ini:

1. Nilai B Constant (a) sebesar -0.617 artinya jika variabel Return Individu (Ri), Resiko Individu (α), Resiko Sistematis (β), Return Bebas Resiko (Rf) dan Return Pasar (RM) konstan (tetap) maka APT adalah sebesar -0.617.

2. Nilai β1 sebesar 1.539 artinya pengaruh variabel Return Individu (Ri) terhadap

APT adalah positif dimana jika variabel Return Individu (Ri) meningkat sebesar satu maka APT akan naik sebesar 1.539.

3. Nilai β2 sebesar 10.277 artinya pengaruh variabel Resiko Individu (α) terhadap

APT adalah positif dimana jika variabel Resiko Individu (α) meningkat sebesar satu maka APT akan naik sebesar 10.277.

4. Nilai β3 sebesar 0,092 artinya pengaruh variabel Resiko Sistematis (β)

terhadap APT adalah positif dimana jika variabel Resiko Sistematis (β) meningkat sebesar satu maka APT akan naik sebesar 0,092.

5. Nilai β4 sebesar -4.774 artinya pengaruh variabel Return Bebas Resiko (Rf)

terhadap APT adalah negatif dimana jika variabel Return Bebas Resiko (Rf) meningkat sebesar satu maka APT akan turun sebesar -4.774.

6. Nilai β5 sebesar -4.269 artinya pengaruh variabel Return Pasar (RM) terhadap

APT adalah negatif dimana jika variabel Return Pasar (RM) meningkat sebesar satu maka APT akan turun sebesar -4,269.

4.1.3.3 Pengujian Hipotesis Ketiga

Hipotesis uji beda yang menyatakan bahwa Ho ditolak apabila

pendapatan saham perusahaan dengan metode CAPM secara statistik berbeda dengan pendapatan saham perusahaan dengan metode APT. Sebaliknya Ho

diterima apabila pendapatan saham perusahaan dengan metode CAPM secara statistik berbeda dengan pendapatan n saham perusahaan dengan metode APT. Perbedaan angka yang dihasilkan kedua kelompok data apakah secara statistik signifikan berbeda atau tidak berbeda dengan menggunakan parametric test secara ringkas disajikan pada tabel 4.16 sebagai berikut:

Tabel 4.16. Pengujian Hipotesis Ketiga Paired Samples Test

Paired Differences

t df

Sig. (2-tailed) Mean

Std. Deviation

Std. Error Mean

95% Confidence Interval of the

Difference Lower Upper Pair 1 CAPM

– APT .04791 .16694 .02211 .00362 .09221 2.167 56 .035

Sumber : Data Olahan 2016

Kriteria pengambilan keputusan menggunakan taraf nyata 5% untuk uji dua arah (α/2 = 0,05/2 = 0,025) dengan Derajat bebas (df) = 56. Nilai t tabel dengan taraf nyata α/2 = 0,025 dan df = 56 adalah 2.003.

- Jika t hitung > t tabel (2.003) atau -t hitung < t tabel (-2.003), maka Ha dapat

- Jika t tabel (-2.003) ≤ t hitung ≤ t tabel (2.003) maka Ha tidak diterima (tidak

berpengaruh)

-2.003 0 2.003 2.167 Sumber : Data Olahan 2016

Gambar 4.6. Kurva Pengujian Hipotesis

Dari tabel di atas dapat dilihat bahwasannya nilai t hitung 2.167 dengan ingkat signifikansi sebesar 0,035 < 0,05 artinya hipotesis di terima yang artinya secara statistik ada perbedaan signifikan pendapatan saham menggunakan metode CAPM dengan APT.

4.2 Pembahasan

4.2.1 Pembahasan Hipotesis Pertama 4.2.1.1 Pengujian Secara Simultan

Hasil penelitian diperoleh nilai Fhitung yang akan dibandingkan dengan Ftabel

pada tingkat kepercayaan α = 5% dengan df1 = 6 – 1 = 5 dan df2 = 57 – 6 = 56,

adalah sebesar 2,38 dengan ketentuan sebagai berikut : Daerah Penerimaan Ho

Daerah Penolakan Ho Daerah

Tabel 4.17

Kriteria Pengujian Hipotesis CAPM secara Simultan Fhitung Ftabel Signifikan alpha (α) Kesimpulan

814,592 2,38 0,000 0,05 Hipotesis diterima Sumber : Hasil Penelitian, 2016

Berdasarkan hasil uji F maka dapat dibuktikan bahwa pengujian hipotesis simultan untuk variabel terikat CAPM diperoleh nilai Fhitung sebesar 814,592 > Ftabel

dengan tingkat signifikansi sebesar 0,000. Dengan demikian dapat disimpulkan bahwa variabel Return Individu (Ri), Resiko Individu (α), Resiko Sistematis (β), Return Bebas Resiko (Rf) dan Return Pasar (RM) secara simultan berpengaruh terhadap CAPM. Nilai R Square sebesar 0,986 atau 98,6% yang berarti bahwa persentase pengaruh variabel independen Return Individu (Ri), Resiko Individu (α), Resiko Sistematis (β), Return Bebas Resiko (Rf) dan Return Pasar (RM) terhadap CAPM adalah sebesar nilai koefisien determinasi atau 98,6%. Sedangkan sisanya 1,4% dipengaruhi atau dijelaskan oleh variabel lain yang tidak dimasukkan dalam model penelitian.

Hasil penelitian ini konsisten dengan teori yang dikembangkan oleh Shanken (1982) yang menjelaskan bahwa CAPM yang dibentuk oleh atribut dari beberapa faktor dapat menjadi tolak ukur keakuratan dalam memprediksi pendapatan saham. Variabel-variabel (makro) pembentuk model CAPM dari Return Individu (Ri), Resiko Individu (α), Resiko Sistematis (β), Return Bebas Resiko (Rf) dan Return Pasar (RM) dalam penelitian ini sangat besar kontribusinya terhadap variasi pendapatan saham industri manufaktur, dengan kata lain variabel-variabel ini sesuai dimasukkan sebagai variabel-variabel pembentuk model CAPM.

Hasil penelitian ini konsisten dengan hasil penelitian yang dilakukan oleh Ni Kedek Ayu Suartini dan I Made Martha (2011) yang membuktikan bahwa secara bersama-sama faktor-faktor pembentuk return seperti kurs, GDP, Inflasi dan BI rate berpengaruh secara simultan terhadap return CAPM.

4.2.1.2 Pengujian Secara Parsial

Hasil penelitian ini memperoleh nilai thitung yang akan dibandingkan dengan

ttabel pada tingkat kepercayaan α = 5% dengan = 64 – 6 = 58. Nilai t tabel dengan

taraf nyata α/2 = 0,025 dan df = 51 adalah 2,002 maka ketentuannya sebagai berikut :

Tabel 4.18

Kriteria Pengujian Hipotesis CAPM secara Parsial thitung ttabel Signifikan alpha (α) Kesimpulan

-2.286 2,024 0,026 0,05 Hipotesis diterima 0,935 2,024 0,354 0,05 Hipotesis ditolak -49.669 2,024 0,000 0,05 Hipotesis diterima

14.400 2,024 0,000 0,05 Hipotesis diterima -.954 2,024 0,345 0,05 Hipotesis ditolak Sumber : Hasil Penelitian, 2016

Berdasarkan hasil uji t maka dapat dibuktikan bahwa Return Individu (Ri) merupakan nilai -t hitung sebesar -2,286 < -t tabel = -2,008 dengan tingkat signifikasi

sebesar 0,026 < 0,05, sehingga dapat disimpulkan bahwa variabel Return Individu (Ri) berpengaruh negatif signifikan terhadap CAPM pada perusahaan Industri Logam dan baja yang terdaftar di BEI tahun 2011 – 2014. Kondisi ini berarti hipotesis diterima. Resiko Individu (α), t hitung = 0,935 < t tabel = 2,008, dengan

tingkat signifikansi sebesar 0,354 > 0,05, sehingga dapat disimpulkan bahwa variabel Resiko Individu (α) tidak berpengaruh positif tidak signifikan terhadap APT pada perusahaan Industri Logam dan baja yang terdaftar di BEI tahun 2011

– 2014. Kondisi ini berarti Ha diterima. Resiko Sistematis (β) merupakan nilai -t

hitung sebesar -49.669 < -t tabel = -2,008 dengan tingkat signifikasi sebesar 0,000 <

0,05, sehingga dapat disimpulkan bahwa variabel Resiko Sistematis (β) berpengaruh negatif signifikan terhadap CAPM pada perusahaan Industri Logam dan baja yang terdaftar di BEI tahun 2011 – 2014. Kondisi ini berarti hipotesis diterima. Return Bebas Resiko (Rf) t hitung = 14.400 > t tabel = 2,008, dengan tingkat

signifikansi sebesar 0,000 < 0,05, sehingga dapat disimpulkan bahwa variabel Return Bebas Resiko (Rf) berpengaruh positif signifikan terhadap APT pada perusahaan Industri Logam dan baja yang terdaftar di BEI tahun 2011 – 2014. Kondisi ini berarti Ha diterima. Return Return Pasar (RM) -t hitung = -0.954 > -t tabel

= 2,008, dengan tingkat signifikansi sebesar 0,345 > 0,05, sehingga dapat disimpulkan bahwa variabel Return Pasar (RM) berpengaruh negatif tidak signifikan terhadap APT pada perusahaan Industri Logam dan baja yang terdaftar di BEI tahun 2011 – 2014. Kondisi ini berarti Ha ditolak.

4.2.2 Pembahasan Hipotesis Kedua 4.2.2.1 Pengujian Secara Simultan

Hasil penelitian diperoleh nilai Fhitung yang akan dibandingkan dengan Ftabel

pada tingkat kepercayaan α = 5% dengan df1 = 6 – 1 = 5 dan df2 = 57 – 6 = 56,

adalah sebesar 2,38 dengan ketentuan sebagai berikut : Tabel 4.19

Kriteria Pengujian Hipotesis APT secara Simultan Fhitung Ftabel Signifikan alpha (α) Kesimpulan

240,638 2,38 0,000 0,05 Hipotesis diterima Sumber : Hasil Penelitian, 2016

Berdasarkan hasil uji F maka dapat dibuktikan bahwa pengujian hipotesis simultan untuk variabel terikat APT diperoleh nilai Fhitung sebesar 240,638 > Ftabel

dengan tingkat signifikansi sebesar 0,000. Dengan demikian dapat disimpulkan bahwa variabel Return Individu (Ri), Resiko Individu (α), Resiko Sistematis (β), Return Bebas Resiko (Rf) dan Return Pasar (RM) secara simultan berpengaruh terhadap APT. Nilai R Square sebesar 0,950 atau 95% yang berarti bahwa persentase pengaruh variabel independen Return Individu (Ri), Resiko Individu (α), Resiko Sistematis (β), Return Bebas Resiko (Rf) dan Return Pasar (RM) terhadap APT adalah sebesar nilai koefisien determinasi atau 95,4%. Sedangkan sisanya 5 % dipengaruhi atau dijelaskan oleh variabel lain yang tidak dimasukkan dalam model penelitian ini.

Hasil penelitian ini konsisten dengan teori yang dikembangkan oleh Stephen A. Ross (1976) yang menjelaskan bahwa APT dapat mengakomodasi sumber-sumber resiko sistematis. Asumsi utama dari APT adalah setiap investor, yang memiliki peluang untuk meningkatkan return portofolionya tanpa meningkatkan risikonya, akan memanfaatkan peluang tersebut. Pada model APT faktor – faktor makro ekonomi seperti inflasi, tingkat suku bunga, nilai tukar mata uang turut diperhitungkan dalam memprediksi return saham. Perubahan kurs mata uang akan mempengaruhi iklim investasi karena perubahan kurs mata uang akan mempengaruhi perdagangan antar negara. Tingkat suku bunga dijadikan patokan dalam perbandingan imbalan investasi bila diinvestasikan pada sektor lain. Jika tingkat pengembalian investasi lebih tinggi dari pada tingkat suku bunga maka investasi tersebut layak diterima.

Hasil penelitian ini tidak konsisten dengan hasil penelitian yang dilakukan oleh Premananto dan Madyan (2004) yang membuktikan bahwa variabel-variabel (makro) pembentuk model APT (tingkat bunga yang tidak diharapkan, tingkat inflasi yang tidak diharapkan dan perubahan kurs yang tidak diharapkan) dalam penelitian ini kecil sekali kontribusi terhadap variasi pendapatan saham industri manufaktur, dengan kata lain variabel-variabel ini kurang sesuai dimasukkan sebagai variabel pembentuk model APT untuk memprediksi pendapatan saham industri manufaktur di Bursa Efek Jakarta. Kesimpulan dalam penelitian tersebut juga menyatakan bahwa variabel-variabel makro tersebut kurang cocok sebagai pembentuk model APT. Berbeda dengan model CAPM yang menggunakan pendapatan pasar saham (Return market portofolio) sebagai variabel pembentuk model. Pendapatan pasar saham dalam penelitian ini mampu menjelaskan variasi dari pendapatan saham industri manufaktur lebih baik dibandingkan dengan variabel-variabel pembentuk model APT yang digunakan dalam penelitian ini.

4.2.2.2 Pengujian Secara Parsial

Hasil penelitian ini memperoleh nilai thitung yang akan dibandingkan dengan

ttabel pada tingkat kepercayaan α = 5% dengan = 64 – 6 = 58. Nilai t tabel dengan

taraf nyata α/2 = 0,025 dan df = 51 adalah 2,002 maka ketentuannya sebagai berikut :

Tabel 4.20

Kriteria Pengujian Hipotesis APT secara Parsial

thitung ttabel Signifikan alpha (α) Kesimpulan

0.497 2,024 0.621 0,05 Hipotesis ditolak 10.295 2,024 0.000 0,05 Hipotesis diterima

8.633 2,024 0.000 0,05 Hipotesis diterima -0.666 -2,024 0.508 0,05 Hipotesis ditolak -0.264 -2,024 0.793 0,05 Hipotesis ditolak Sumber : Hasil Penelitian, 2016

Berdasarkan hasil uji t maka dapat dibuktikan bahwa Return Individu (Ri) merupakan nilai t hitung sebesar 0.497 < t tabel = 2,002 dengan tingkat signifikasi

sebesar 0,621 < 0,05, sehingga dapat disimpulkan bahwa variabel Return Individu (Ri) berpengaruh positif tidak signifikan terhadap APT pada perusahaan Industri Logam dan baja yang terdaftar di BEI tahun 2011 – 2014. Kondisi ini berarti hipotesis ditolak. Resiko Individu (α), t hitung = 10.295 > t tabel = 2,002, dengan tingkat

signifikansi sebesar 0,000 < 0,05, sehingga dapat disimpulkan bahwa variabel Resiko Individu (α) tidak berpengaruh positif signifikan terhadap APT pada perusahaan Industri Logam dan baja yang terdaftar di BEI tahun 2011 – 2014. Kondisi ini berarti Ha diterima. Resiko Sistematis (β) merupakan nilai t hitung sebesar

8.633 > t tabel = 2,002 dengan tingkat signifikasi sebesar 0,000 < 0,05, sehingga

dapat disimpulkan bahwa variabel Resiko Sistematis (β) berpengaruh positif signifikan terhadap APT pada perusahaan Industri Logam dan baja yang terdaftar di BEI tahun 2011 – 2014. Kondisi ini berarti hipotesis diterima. Return Bebas Resiko (Rf) -thitung = -0.666 > -ttabel = 2,002, dengan tingkat signifikansi sebesar

0,508 > 0,05, sehingga dapat disimpulkan bahwa variabel Return Bebas Resiko (Rf) berpengaruh negatif tidak signifikan terhadap APT pada perusahaan Industri Logam dan baja yang terdaftar di BEI tahun 2011 – 2014. Kondisi ini berarti Ha

ditolak. Return Return Pasar (RM) -t hitung = -0.264 > -t tabel = 2,002, dengan tingkat

signifikansi sebesar 0,793 > 0,05, sehingga dapat disimpulkan bahwa variabel Return Pasar (RM) berpengaruh negatif tidak signifikan terhadap APT pada perusahaan Industri Logam dan baja yang terdaftar di BEI tahun 2011 – 2014. Kondisi ini berarti Ha ditolak.

4.2.3 Pembahasan Hipotesis Ketiga

Hasil penelitian diperoleh nilai thitung yang akan dibandingkan dengan ttabel

pada tingkat kepercayaan α = 5% dengan Derajat bebas (df) = 56. Nilai t tabel dengan taraf nyata α/2 = 0,025 dan df = 56 adalah 2.003 dengan ketentuan sebagai berikut :

Tabel 4.21

Kriteria Pengujian Hipotesis Simultan thitung ttabel Signifikan alpha (α) Kesimpulan

2.167 2,003 0,000 0,05 Hipotesis diterima Sumber : Hasil Penelitian, 2016

Berdasarkan hasil uji beda dapat disimpulkan bahwa nilai t hitung 2.167 dengan tingkat signifikansi sebesar 0,035 < 0,05 artinya hipotesis di terima yang artinya secara statistik ada perbedaan signifikan pendapatan saham menggunakan metode CAPM dengan APT. Hasil penelitian ini konsisten dengan hasil penelitian Premananto dan Madyan (2004) yang juga membuktikan ada perbedaan yang signifikan antara CAPM dan APT. Hasil penelitiannya juga menjelaskan beberapa faktor yang menyebabkan model CAPM lebih akurat dibandingkan model APT dalam memprediksi pendapatan saham industri manufaktur semasa krisis ekonomi:

1. Ketidaksesuaian atau ketidak cocokan variabel-variabel pembentuk model APT itu sendiri, tidak semua investor menggunakan model ARIMA dalam memprediksi varabel-variabel makro ekonomi dan ketidakmampuan model APT menjelaskan variasi pendapatan saham yang disebabkan oleh faktor non ekonomi dan company action, sebagaimana yang diutarakan sebelumnya pada point 1, 2 dan 3 tentang ketidakakuratan model APT dibandingkan model CAPM pada masa sebelum krisis. Alasan ini masih relevan karena, baik model APT dan model CAPM yang digunakan untuk memprediksi pendapatan saham industri manufaktur pada masa krisis adalah model yang sama dengan model yang digunakan untuk memprediksi pendapatan saham industri manufaktur sebelum krisis ekonomi yaitu model CAPM maupun APT yang dibentuk pada periode estimasi (Januari 1991-Desember 1993).

2. Ketidakmampuan model ARIMA (Box-Jenkins) untuk memprediksi tingkat inflasi, tingkat bunga dan tingkat perubahan kurs pada masa krisis karena model ARIMA tersebut dibentuk pada masa sebelum krisis. Pada saat itu tingkat bunga, tingkat inflasi dan tingkat perubahan kurs pergerakannya relatif stabil, sehingga hasil prediksinyapun memiliki pola-pola kestabilan. Pada masa krisis ekonomi tingkat bunga, tingkat inflasi dan tingkat perubahan kurs sangat berfluktuasi, sehingga tingkat inflasi yang tidak diharapkan, tingkat bunga yang tidak diharapkan dan tingkat perubahan kurs yang tidak diharapkan sangat berfluktuasi. Apabila hasil tersebut dimasukkan ke dalam model APT yang dibentuk pada saat tingkat inflasi,

tingkat bunga dan tingkat perubahan kurs yang stabil, maka hasil prediksinyapun tidak akurat, hal ini dapat dilihat pada rata-rata MAD model APT dalam memprediksi pendapatan saham industri manufaktur yang tinggi yaitu sebesar 0.7066. Karena MAD model APT untuk industri manufaktur maka dapat dikatakan bahwa model APT yang dibentuk pada masa sebelum krisis ekonomi tidak dapat digunakan untuk memprediksi pendapatan saham industri manufaktur pada masa krisis ekonomi karena menghasilkan error yang tinggi. Berbeda dengan penggunaan model CAPM dalam memprediksi pendapatan saham industri manufaktur, sejak awal variabel bebas pembentuk model ini adalah pendapatan pasar saham yang diukur dengan perubahan IHSG di BEJ, tidak terlibat proses prediksi, artinya pendapatan pasar yang digunakan adalah pendapatan pasar aktual, sehingga besarnya MAD model CAPM dalam memprediksi pendapatan saham industri manufaktur semasa krisis jauh lebih kecil dibandingkan dengan MAD model APT semasa krisis, artinya model CAPM jauh lebih akurat dibandingkan model APT dalam memprediksi pendapatan saham industri manufaktur

3. Perubahan sistem kurs di Indonesia dari sistem kurs mengambang terkendali (managed floating rate) menjadi sistem kurs mengambang bebas (free floating rate) sejak tanggl 14 Agustus 1997 cukup berpengaruh terhadap keakuratan model APT dalam memprediksi pendapatan saham industri manufaktur semasa krisis ekonomi, karena kurs merupakan salah satu varabel makro ekonomi yang

digunakan dalam penelitian ini sebagai pembentuk model APT. Model APT yang digunakan dalam penelitian ini adalah model APT yang dibentuk pada periode estimasi (Januari 1991 – Desember 1993), dimana pada waktu itu kurs dollar Amerika terhadap relatif stabil karena berlaku sistem mengambang terkendali, sehingga apabila model APT yang dibentuk pada kondisi dimana salah satu variabelnya stabil (kurs), diterapkan pada kondisi yang tidak stabil karena perubahan sistem kurs dan kondisi krisis, maka penerapan model APT dalam memprediksi pendapatan saham industri manufaktur akan menjadi bias, hal ini bisa dilihat dari error yang cukup besar pada penerapan model APT sejak diberlakukannya sistem kurs mengambang bebas pada tanggal 14 Agustus 1997. Berbeda dengan model CAPM yang tidak melibatkan variabel kurs dalam pembentukan modelnya, sehingga model ini menghasilkan error yang lebih kecil dibandingkan model APT, dengan kata lain model CAPM lebih akurat dibandingkan model APT dalam memprediksi pendapatan saham industri manufaktur semasa krisis ekonomi.

BAB V

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Berdasarkan hasil penelitian dan analisis statistik yang dikemukakan pada bab sebelumnya, maka dapat disimpulkan sebagai berikut.

1. Berdasarkan model CAPM dapat disimpulkan bahwa Return Individu (Ri), Resiko Individu (α), Resiko Sistematis (β), Return Bebas Resiko (Rf) dan Return Pasar (RM) secara simultan berpengaruh terhadap CAPM. Pengujian parsial Return Individu (Ri), Resiko Sistematis (β), Return Bebas Resiko (Rf) berpengaruh terhadap CAPM, sedangkan Resiko Individu (α) dan Return Pasar (RM) tidak berpengaruh terhadap CAPM.

2. Berdasarkan model APT dapat disimpulkan bahwa Return Individu (Ri), Resiko Individu (α), Resiko Sistematis (β), Return Bebas Resiko (Rf) dan Return Pasar (RM) secara simultan berpengaruh terhadap APT. Pengujian parsial hanya Resiko Individu (α), Resiko Sistematis (β) berpengaruh terhadap APT, sedangkan Return Individu (Ri), Return Bebas Resiko (Rf) dan Return Pasar (RM) tidak berpengaruh terhadap APT.

3. Ada perbedaan yang signifikan antara return saham model CAPM dengan return saham model APT, hal ini dapat dibuktikan dari hasil pengujian hipotesis menggunakan uji beda paired sample t-test. Angka signifikansinya sebesar 0,035 dibawah probabilitas 0,05 yang berarti hipotesis diterima.

5.2 Keterbatasan

Penelitian ini memiliki beberapa keterbatasan, antara lain:

1.Penelitian ini hanya meneliti pada perusahaan – perusahaan logam dan baja saja.

2.Keterbatasan menggunakan sampel yaitu hanya pada perusahaan logam dan baja saja sehingga belum dapat dijadikan dasar keputusan secara umum terhadap perusahaan-perusahaan yang terdaftar di BEI.

5.3 Saran

1. Untuk melakukan strategi investasi dalam bentuk portofolio saham sebaiknya mempertimbangkan kinerja saham yang diukur dengan menggunakan metode CAPM karena pergerakan saham lebih cenderung mengikuti harga pasar sehingga lebih mudah dalam memprediksi return masa depan. Terlihat juga CAPM lebih responsif terhadap return dan resiko saham.

2. Investor sebaiknya menyesuaikan investasinya sesuai dengan keberanian dirinya dalam berinvestasi karena return yang besar akan mengakibatkan penanggungan risiko yang besar pula, begitu pula sebaliknya.

3. Peneliti selanjutnya disarankan untuk menambah sampel penelitian yang ada pada perusahaan-perusahaan di BEI.

SKRIPSI

PERBANDINGAN KEAKURATAN CAPITAL ASSETS PRICING MODEL

(CAMP) DENGAN ARBITRAGE PRICING THEORY (APT) DALAM

MEMPREDIKSI TINGKAT PENDAPATAN SAHAM PADA PERUSAHAAN LOGAM DAN BAJA

YANG TERDAFTAR DI BEI

OLEH

IRENE HAREFA 110503208

PROGRAM STUDI STRATA 1 DEPARTEMEN AKUNTANSI FAKULTAS EKONOMI DAN BISNIS

UNIVERSITAS SUMATERA UTARA MEDAN

DAFTAR ISI

DAFTAR ISI ... i

DAFTAR TABEL ... ii

DAFTAR GAMBAR ... iii

DAFTAR LAMPIRAN ... iv

BAB I. PENDAHULUAN 1.1. Latar Belakang Masalah ... 1

1.2. Perumusan Masalah ... 7

1.3. Tujuan Penelitian... 7

1.4. Manfaat Penelitian... 8

BAB II. TINJAUAN PUSTAKA 2.1. Uraian Teoritis ... 9

2.1.1. Investasi ... 9

2.1.1.1. Pengertian Investasi ... 9

2.1.1.2. Langkah-langkah Investasi ... 10

2.1.1.3. Return Investasi ... 14

2.1.1.4. Resiko Investasi ... 16

2.1.2. Capital Asset Pricing Model (CAPM) ... 21

2.1.3. Arbitrage Pricing Theory (APT) ... 24

2.1.4. Perbandingan CAPM dengan APT ... 26

2.2. Penelitian Terdahulu ... 27

2.3. Kerangka Konseptual ... 28

2.4. Hipotesis ... 31

BAB III. METODE PENELITIAN 3.1. JenisPenelitian ... 32

3.2.Tempat dan WaktuPenelitian ... 32

3.3.DefinisiVariabel ... 32

3.4.Jenis Data dan Metode Pengumpulan Data ... 36

3.4.1 Jenis Data ... 36

3.4.2 Metode Pengumpulan Data ... 36

3.5. Populasi Penelitian ... 36

3.6. Teknik Pengumpulan Data ... 38

3.7. Metode Analisis Data ... 38

3.7.1 Pengujian Asumsi Klasik... 38

3.7.1.1 Uji Normalitas ... 39

3.7.1.2 Uji Multikolinieritas ... 39

3.7.1.3 Uji Autokorelasi ... 40

3.7.2.1 Persamaan Regresi Linier Berganda ... 41

3.7.2.2 Uji F (F-test) ... 42

3.7.2.3 Uji t (t-test) ... 42

3.7.2.4 Uji Beda ... 43

BAB IV. HASIL PENELITIAN DAN PEMBAHASAN 4.1. Hasil Penelitian ... 45

4.1.1 Statistik Deskriptif ... 45

4.1.2 Uji Asumsi Klasik ... 48

4.1.2.1 Uji Normalitas CAPM ... 49

4.1.2.2 Uji Normalitas APT ... 51

4.1.2.3 Uji Multikolonieritas ... 53

4.1.2.4 Uji Heteroskedastistas ... 54

4.1.2.5 Uji Autokolerasi ... 56

4.1.3 Pengujian Hipotesis ... 57

4.1.3.1 Pengujian Hipotesis Pertama ... 57

a. Koefisien Determinasi ... 57

b. Uji Simultan (Uji F) ... 57

c. Uji Parsial (Uji t)... 58

d. Regresi Linier Berganda ... 61

4.1.3.2 Pengujian Hipotesis Kedua ... 62

a. Koefisien Determinasi ... 62

b. Uji Simultan (Uji F) ... 63

c. Uji Parsial (Uji t)... 64

d. Regresi Linier Berganda ... 66

4.1.3.3 Pengujian Hipotesis Ketiga ... 68

4.2. Pembahasan ... 69

4.2.1 Pembahasan Hipotesis Pertama ... 69

4.2.1.1 Pembahasan Secara Simultan ... 69

4.2.2.1 Pembahasan Secara Parsial ... 71

4.2.2 Pembahasan Hipotesis Kedua ... 72

4.2.1.1 Pembahasan Secara Simultan ... 72

4.2.2.1 Pembahasan Secara Parsial ... 74

4.2.3 Pembahasan Hipotesis Ketiga ... 76

BAB V. KESIMPULAN DAN SARAN 5.1. Kesimpulan ... 80

5.2. Keterbatasan ... 81

5.3. Saran ... 81

DAFTAR PUSTAKA ... 82

DAFTAR TABEL

No. Tabel Judul Halaman

1.1 Perbandingan CAPM dengan APT Perusahaan

Logam dan Baja Periode tahun 2011 – 2014 ... 5

2.1 Ringkasan Penelitian Sebelumnya... 27

3.1 Operasional Variabel ... 34

3.2 Proses Purposive Sampling ... 37

3.3 Daftar Sampel Perusahaan ... 37

4.1 Descriptive Statistics ... 45

4.2 One-Sample Kolmogorov-Smirnoc Test CAPM ... 51

4.3 One-Sample Kolmogorov-Smirnoc Test APT ... 53

4.4 Hasil Uji Multikolonieritas CAPM... 53

4.5 Hasil Uji Multikolonieritas APT ... 54

4.6 Tabel Autokorelasi CAPM ... 56

4.7 Tabel Autokorelaasi APT ... 56

4.8 Koefisien Determinasi CAPM ... 57

4.9 Uji F CAPM ... 58

4.10 Hasil Uji Statistik t CAPM ... 59

4.11 Regresi Linier Berganda CAPM ... 61

4.12 Koefisien Determinasi APT ... 62

4.13 Uji F APT ... 63

4.14 Hasil Uji Statistik t APT ... 64

4.15 Regresi Linier Berganda APT ... 66

4.16 Pengujian Hipotesis Ketiga ... 68

4.17 Kriteria Pengujian Hipotesis CAPM secara Simultan ... 70

4.18 Kriteria Pengujian Hipotesis CAPM secara Parsial ... 71

4.19 Kriteria Pengujian Hipotesis APT secara Simultan ... 72

4.20 Kriteria Pengujian Hipotesis APT secara Parsial ... 75

DAFTAR GAMBAR

No. Gambar Judul Halaman

2.1 Hubungan antara resiko total,Resiko sistematis

dan resiko tidak sistematis ... 17

2.2 Kerangka Konseptual ... 29

4.1 Normal P-Plot CAPM ... 49

4.2 Normal P-Plot CAPM Setelah Dilakukan Scaning .... 50

4.3 Normal P-Plot APT Setelah Transformasi ... 52

4.4 Scatterplot CAPM Setelah Transformasi ... 55

4.5 Scatterplot APT Setelah Transformasi ... 55

DAFTAR LAMPIRAN

No. Lampiran Judul Halaman

1 Proses Seleksi Sampel Perusahaan Logam dan Baja

Tahun 2011 – 2014 ... 84

2 Data perhitungan Variabel Penelian ... 85

3 Output SPSS ... 86

4 Tabel Durbin-Watson (DW) ... 97

5 Tabel Titik Persentase Distribusi F ... 98

6 Tabel Titik Persentase Distribusi t... 99