Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi gejala heteroskedastisitas atau tidak dengan cara mengamati penyebaran titik-titik pada grafik.
Gambar 4.3 Hasil Uji Heteroskedasitas
Sumber :OutputSPSS, diolah Peneliti, 2013 Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara acak dengan
tidak adanya pola yang jelas serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y. Hal tersebut menunjukkan bahwa tidak terjadi heteroskedastisitas,
sehingga model ini layak dipakai untuk memprediksi tingkat return sahamperusahaan manufaktur yang terdaftar di Bursa Efek Indonesia berdasarkan masukan variabel
independen yaitu market value added MVA dan economic value added EVA.
4.2.2.4. Uji autokorelasi
Uji ini bertujuan untuk melihat apakah dalam suatu model linear ada korelasi antar kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1
Universitas Sumatera Utara
sebelumnya.Model regresi yang baik adalah yang bebas dari autokorelasi.Masalah autokorelasi umumnya terjadi pada regresi yang datanya time series.Ada beberapa
cara yang dapat digunakan untuk mendeteksi masalah dalam autokorelasi diantaranya adalah dengan Uji Durbin Watson. Menurut Sunyoto 2009, untuk melihat ada
tidaknya autokorelasi dilihat dari: 1 angka D-W dibawah –2 berarti ada autokorelasi positif,
2 angka D-W di antara -2 sampai +2 berarti tidak ada autokorelasi, 3 angka D-W di atas +2 berarti ada autokorelasi negatif.
Tabel 4.5
Hasil Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .597
a
.356 .342
121.96337 1.762
a. Predictors: Constant, EVA, MVA data perubahan b. Dependent Variable: Return Saham data perubahan
Sumber : Output SPSS, diolah oleh peneliti, 2013
Tabel 4.5 menunjukkan hasil uji autokorelasi variabel penelitian.Berdasarkan hasil pengujiannya dapat dilihat bahwa terjadi autokorelasi antar kesalahan
pengganggu antar periode.Hal tersebut dilihat dari nilai Durbin-Watson D-W sebesar 1,762. Angka D-W di antara -2 sampai +2 yang mengartikan bahwa angka
DW lebih besar dari -2 dan lebih kecil dari 2. Dengan demikian, dapat dikemukakan bahwa tidak ada autokorelasi positif maupun negatif.
Universitas Sumatera Utara
4.3 Analisis Regresi
Berdasarkan hasil uji asumsi klasik yang telah dilakukan di atas, dapat disimpulkan bahwa model regresi yang dipakai dalam penelitian ini telah memenuhi
model estimasi yang Best Linear Unbiased Estimstor BLUE dan layak untuk dilakukan analisis statistik selanjutnya, yaitu melakukan pengujian hipotesis. Adapun
hasil pengolahan data dengan analisis regresi sebagai berikut :
Tabel 4.6 Analisis Regresi
a. D epe
nde nt
Vari able
: Return Saham data perubahan
Sumber :OutputSPSS, diolah Peneliti, 2013 Berdasarkan tabel 4.6 pada kolom Unstandardized Coefficients bagian B
diperoleh model persamaan regresi linier berganda yaitu:
Y= 124,421 + 0,003 X1 + 0,078 X2 + c
Dimana: Y = Return Saham
a = Konstanta b1,b2 = Parameter koefisien regresi
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error
Beta 1Constant
124.421 13.660
9.109 .000
X1 .003
.001 .510
5.900 .000
X2 .078
.026 .261
3.020 .003
Universitas Sumatera Utara
X1 = MVA X2 = EVA
e = Pengganggu Penjelasan dari nilai a, b1, b2 padaUnstandardized Coefficients tersebut dapat
dijelaskan dibawah ini. • Nilai B Constant a = 124,421=konstanta
Nilai konstanta ini menunjukkan bahwa apabila tidak ada nilai variabel bebas yaitu MVA dan EVA maka nilai return saham yang dilihat dari nilai Y tetap sebesar
124,421 • Nilai b1 = 0,003 = MVA
Koefisisen regresi ini menunjukkan bahwa setiap kenaikan MVA sebesar 1 satuan, maka perubahan return saham yang dilihat dari nilai Y akan berkurang sebesar
0,003 dengan asumsi variabel lain dianggap tetap. • Nilai b2 = 0,078 = EVA
Koefisisen regresi ini menunjukkan bahwa setiap kenaikan EVA sebesar 1 satuan, maka perubahan return saham yang dilihat dari nilai Y akan berkurang sebesar
0,078 dengan asumsi variabel lain dianggap tetap.
4.4. Pengujian Hipotesis
Dalam penelitian ini, hipotesis diuji dengan menggunakan analisis regresi berganda yaitu Uji Koefisien Determinasi Regresi R.Uji regresi digunakan untuk
mengukur proporsi atau persentase sumbangan variabel independen yang diteliti
Universitas Sumatera Utara
terhadap variasi naik turunnya variabel dependen. Koefisien korelasi dikatakan kuat apabila data nilai R berada diantara 0,5 dan mendekati 1. Nilai R Square adalah 0
sampai dengan 1.Apabila nilai R Square semakin mendekati 1, maka variabel- variabel independen mendekati semua informasi yang dibutuhkan untuk memprediksi
variasi variabel dependen.Sebaliknya, semakin kecil nilai R Square maka kemampuan variabel-variabel independen untuk menjelaskan variasi variabel dependen semakin
terbatas.Dalam kenyataannya nilai Adjusted R Square Adj R2 bernilai positif.Berdasarkan hasil pengolahan data dengan program statistik, maka diperoleh
hasil yang dapat dilihat pada tabel 4.7.
Tabel 4.7 Model Summary
a. Predictors: Constant, EVA, MVA data perubahan b. Dependent Variable: Return Saham data perubahan
Sumber :OutputSPSS, diolah Peneliti, 2013 Pada tabel 4.7, dapat dilihat hasil analisis regresi secara keseluruhan. Nilai R
sebesar 0,597 menunjukkan bahwa korelasi atau keeratan hubungan Return Saham dengan MVA dan EVA mempunyai hubungan yang tidak cukup erat yaitu sebesar
59,7. Menurut Sugiyono 2006, jika angka R berada diantara 0,40 dan 0,59 maka hubungan antara variabel independen dengan variabel dependennya cukup erat.
Besarnya Adjusted R2 berdasarkan hasil analisis dengan menggunakan SPSS diperoleh sebesar 0.342. Dengan demikian besarnya pengaruh yang diberikan oleh
Model R
R Square Adjusted R Square
Std. Error of the Estimate
1 .597
a
.356 .342
121.96337
Universitas Sumatera Utara
variabel EVA dan MVAterhadap tingkat Return Saham adalah sebesar 34,2. Sedangkan sisanya sebesar 66,8 dipengaruhi oleh faktor lain yang tidak diteliti
dalam penelitian ini. Standar Error of Estimate SEE adalah 121,96337, semakin besar SEE akan
membuat model regresi kurang tepat dalam memprediksi variabel dependen. Pengujian hipotesis secara statistik dilakukan dengan menggunakan uji t dan uji F.
4.4.1 Uji signifikan parsial t-test
