Deskripsi Data
A. Deskripsi Data
1. Statistik Deskriptif
Hasil dari statistik deskriptif memberikan gambaran umum tentang sampel yang digunakan dalam penelitian. Hasil yang diperoleh dari statistik deskriptif diharapkan akan memberikan gambaran awal mengenai data yang diteliti. Selanjutnya akan dideskripsikan tentang rata-rata dan standar deviasi untuk masing-masing variabel dependen dan variabel independen.
Table 4.1
Statistik deskriptif Price Book Value (PBV)
Variabel
Minimum Maximum Mean Std. Deviation
PBV membandingkan harga pasar per lembar saham dengan nilai buku per lembar saham, maka dari hasil tersebut terlihat bahwa harga geepasar saham jauh lebih tinggi dari nilai bukunya. Dari tabel 4.1 dapat
dilihat rata-rata Price Book Value adalah 2,3258. Standar deviasi PBV adalah 2,88914, ini menunjukkan angka yang cukup besar jika dibandingkan dengan nilai rata-ratanya. Hal ini menunjukkan adanya variance atau kesenjangan nilai PBV yang besar pada perusahaan sampel.
Tabel 4.2
Statistik deskriptif variabel-variabel independen
Variabel N Minimum Maximum
Mean
Std. Deviation
1.2756E6 1.24526E6 DPR
Tabel 4.2 menununjukkan hasil statistik deskriptif atas variabel- variabel independen (ROA, MBVA, dan DPR). Return on Total Asset (ROA) mengukur kemampuan perusahaan menghasilkan laba bersih berdasarkan tingkat asset tertentu. Rasio ini membandingkan laba bersih penjualan dengan total aktiva (Sawir, 2005). Tabel 4.2 menunjukkan rata- rata ROA perusahaan sampel 0,1199 dan standar deviasinya adalah 0,10515. Nilai standar deviasi ROA lebih rendah dari nilai rata-ratanya, hal ini menunjukkan adanya variance atau kesenjangan yang kecil pada ROA perusahaan manufaktur sampel.
Market to Book Value of Assets Ratio (MBVA) menunjukkan prospek pertumbuhan perusahaan yang tercermin dalam harga saham (Kallapur dan Trombley, 1999). Tabel 4.2 menunjukkan rata-rata MBVA sebesar 0,012756 dengan standar deviasi 0,1242526. Perbedaan standar deviasi dan nilai rata-rata yang cukup tinggi menunjukkan variance atau kesenjangan yang besar pada MBVA.
Rata-rata DPR adalah 32,4255 dengan standar deviasi 34,60339.
rendah menunjukkan variance atau kesenjangan yang kecil pada DPR.
2. Pengujian Asumsi Klasik
a. Pengujian Normalitas
Uji normalitas bertujuan untuk menguji apakah model regresi, variabel pengganggu atau residual memiliki distribusi normal. Salah satu cara mendeteksi normalitas adalah lewat pengamatan nilai residual (Ghozali, 2006). Pengujian normalitas dalam penelitian ini dengan menggunakan Kolmogorov-Smirnov agar data dinyatakan normal maka nilai probabilitas harus lebih dari 0,05.
Tabel 4.3
One-Sample Kolmogorov-Smirnov Test Unstandardized Residual
Normal Parameters a
Mean
Std. Deviation
Most Extreme Differences
Kolmogorov-Smirnov Z
Asymp. Sig. (2-tailed)
a. Test distribution is Normal.
Tabel 4.3 merupakan pengujian awal dengan menggunakan 108 Tabel 4.3 merupakan pengujian awal dengan menggunakan 108
Tabel 4.4
One-Sample Kolmogorov-Smirnov Test Unstandardized Residual
Normal Parameters a
Mean
Std. Deviation
Most Extreme Differences
Kolmogorov-Smirnov Z
Asymp. Sig. (2-tailed)
a. Test distribution is Normal.
Tabel 4.4 merupakan hasil pengujian normalitas atas 99 sampel. Namun hasil yang diperoleh menunjukkan bahwa data tidak terdistribusi secara normal. Langkah selanjutnya dilakukan transform data ke dalam bentuk logaritma.
Setelah dilakukan transform data ke bentuk logaritma maka diperoleh hasil pada tabel 4.5. Hasil pengujian tersebut menunjukkan nilai probabilitas 0,187, sehingga data terdistribusi secara normal.
Tabel 4.5
One-Sample Kolmogorov-Smirnov Test Unstandardized Residual
Normal Parameters a
Mean
Std. Deviation
Most Extreme Differences
Kolmogorov-Smirnov Z
Asymp. Sig. (2-tailed)
a. Test distribution is Normal.
b. Pengujian Multikolinearitas
Multikolinearitas menunjukkan adanya lebih dari satu hubungan linear yang sempurna. Pengujian ini perlu untuk dilakukan sebab jika kolinearitas sempurna terjadi maka koefisien regresi dari variabel dependen tidak dapat ditentukan dan standar error-nya tidak terhingga (Supranto, 2004). Indikator pengujian multikolinearitas adalah dengan melihat nilai collinearity statistics, yaitu jika nilai VIF (variance inflation factor) lebih dari 10 dan nilai tolerance lebih kecil dari 0,10 (Ghozali, 2006). Dari tabel 4.6 , diperoleh nilai VIF dari semua variabel adalah kurang dari 10 dan nilai tolerance nya lebih dari 0,10. Sehingga disimpulkan bahwa tidak ada multikolinearitas antar Multikolinearitas menunjukkan adanya lebih dari satu hubungan linear yang sempurna. Pengujian ini perlu untuk dilakukan sebab jika kolinearitas sempurna terjadi maka koefisien regresi dari variabel dependen tidak dapat ditentukan dan standar error-nya tidak terhingga (Supranto, 2004). Indikator pengujian multikolinearitas adalah dengan melihat nilai collinearity statistics, yaitu jika nilai VIF (variance inflation factor) lebih dari 10 dan nilai tolerance lebih kecil dari 0,10 (Ghozali, 2006). Dari tabel 4.6 , diperoleh nilai VIF dari semua variabel adalah kurang dari 10 dan nilai tolerance nya lebih dari 0,10. Sehingga disimpulkan bahwa tidak ada multikolinearitas antar
Tabel 4.6
Coefficients a
Collinearity Statistics
Std. Error
Beta
Tolerance VIF (Constant) -7.709 1.144
a. Dependent Variable: LnPBV
c. Pengujian Autokorelasi
Autokorelasi adalah keadaan dimana kesalahan pengganggu saling berkorelasi. Jika terjadi autokorelasi maka ini mengindikasikan bahwa variabel-variabel memiliki korelasi/tidak random (Ghozali, 2006). Jika terdapat autokorelasi maka data tetap konsisten dan tidak bias tetapi menjadi tidak efisien dan jika tetap dilakukan pengujian selanjutnya maka akan mengakibatkan interval keyakinan lebar, uji t dan uji F tidak sah, dan pemerkira-pemerkira OLS menjadi sangat sensitif terhadap fluktuasi sampling (Supranto, 2004).
Tabel 4.7 menunjukkan hasil uji LM. Hasil ini diperoleh dari uji Breusch-Godfrey dengan cara meregres model persamaan, dimana Tabel 4.7 menunjukkan hasil uji LM. Hasil ini diperoleh dari uji Breusch-Godfrey dengan cara meregres model persamaan, dimana
Tabel 4.7
Coefficients a
Standardized Coefficients
t Sig.
B Std. Error
-.005 -.036 .971 LnDPR
.002 .018 .986 Unstandardized Residual
a. Dependent Variable: Unstandardized Residual
Tabel 4.8 Runs Test
Unstandardized Residual Test Value a .00920
Cases < Test Value
Cases >= Test Value
Total Cases
Number of Runs
Asymp. Sig. (2-tailed)
a. Median a. Median
d. Pengujian Heteroskedastisitas
Heteroskedastisitas adalah keadaan dimana masing-masing kesalahan pengganggu mempunyai varian yang berbeda (Supranto, 2004). Jika semua asumsi klasik terpenuhi, kecuali heteroskedastisitas maka pemerkira OLS masih tetap tidak bias dan konsisten, namun tidak lagi efisien, baik untuk sampel besar ataupun kecil.
Tabel 4.9
Coefficients a
t Sig.
Std. Error
-.131 -1.041 .300 LnDPR
a. Dependent Variable: AbsLnPBV
Tabel 4.9 menunjukkan hasil pengujian heteroskedastisitas dengan menggunakan uji Glejser, dengan meregres nilai absolut residual terhadap variabel independen. Jika angka signifikan yang Tabel 4.9 menunjukkan hasil pengujian heteroskedastisitas dengan menggunakan uji Glejser, dengan meregres nilai absolut residual terhadap variabel independen. Jika angka signifikan yang