commit to user 41
B. DESKRIPSI DATA
Dengan melakukan perhitungan statistik deskriptif, maka dapat diketahui gambaran tentang data Economic Value Added EVA, Return On Asset, return
On Equity dan Return Saham. Gambaran mengenai data tersebut dapat dilihat dalam tabel berikut ini:
Tabel 4.2. Statistik Deskriptif
Descriptive Statistics Variabel N
Minimum Maximum
Mean Std. Deviation
EVA 150 -71013026.9900 2416697.1610 -598929.392310 6143181.7926673
ROE 150
.0102 .7764
.163597 .1383709
ROA 150
.0034 .3920
.095039 .0833102
RETURN 150 -.8457
4.2857 .142330
.6636468 Sumber: Hasil pengolahan data lampiran
Dari tabel 4.2 diatas, dapat diketahui nilai rata-rata Return yaitu sebesar 598929.392310. Nilai Return terkecil dicapai oleh PT Semen Gresik Tbk, yaitu
sebesar -0,8457 pada tahun 2006. Sedangkan nilai Return terbesar dicapai oleh PT. Bristol-Myers Squibb Indonesia Tbk, yaitu sebesar 4,2857 pada tahun 2006.
Variabel Economic Value Added memiliki nilai rata-rata sebesar - 546828,573568. Nilai Economic Value Added terkecil dicapai oleh PT. Indorama
Sintetic Tbk, yaitu sebesar -71013026,9900 pada tahun 2008. Sedangkan nilai
commit to user 42
Economic Value Added terbesar dicapai oleh PT. Astra International Tbk, yaitu sebesar 2416697,1610 pada tahun 2007.
Nilai Return On Asset terkecil dicapai oleh PT. Indorama Sintetics Tbk, yaitu sebesar 0,0034 pada tahun 2006. Nilai Return On Asset terbesar dicapai
oleh PT. Sepatu Bata Tbk, yaitu sebesar 0,3920 pada tahun 2008. Variabel Return On Equity memiliki nilai rata-rata sebesar 0,163597. Nilai
Return On Equity terkecil dicapai oleh PT. Unggul Indah Cahaya Tbk, yaitu sebesar 0,0102 pada tahun 2006. Sedangkan nilai Return On Equity terbesar
dicapai oleh PT. Unilver Indonesia Tbk, yaitu sebesar 0,7764 pada tahun 2006.
C. PENGOLAHAN DATA
Pengolahan data dalam penelitian ini menggunakan bantuan SPSS versi 15.00 for Windows. Sebelum melakukan regresi untuk pengujian hipotesis,
terlebih dahulu dilakukan pengujian normalitas data dan pengujian asumsi klasik yang merupakan persyaratan untuk melakukan regresi.
1. Uji Normalitas Data Uji normalitas data bertujuan untuk menguji dalam model
regresi, variabel dependen dan variabel independen keduanya mempunyai distribusi normal atau tidak. Pengujian normalitas data
dilakukan dengan menggunakan model kolmogorov-smirnov. Uji ini dilakukan dengan membandingkan nilai signifikansi yang diperoleh
dengan taraf signifikansi yang sudah ditentukan yaitu 0,05. Apabila nilai signifikansi p-value lebih besar dari taraf signifikansi yaitu 0,05,
maka data berdistribusi normal.
commit to user 43
Hasil pengujian normalitas data dengan menggunakan uji kolmogorov-smirnov dapat ditunjukkan pada tabel berikut ini:
Tabel 4.3. Hasil Uji
Kolmogorov-Smirnov I Variabel
Nilai Sig. Sig. 5
Kesimpulan
Unstandardized Residual
0,013 0,05
Tidak berdistribusi normal
Sumber: Hasil pengolahan data lampiran Dari hasil pengujian diatas, diketahui nilai signifikansi lebih kecil
dari taraf signifikansi yaitu 0,05. Untuk menormalkan distribusi, maka dilakukan transformasi data dalam bentuk LN Logaritma Natural.
Hasil pengujian normalitas data dengan menggunakan uji kolmogorov- smirnov setelah transformasi data dapat ditunjukkan pada tabel berikut
ini:
Tabel 4.4. Hasil Uji
Kolmogorov-Smirnov II Variabel
Nilai Sig. Sig. 5
Kesimpulan
Unstandardized Residual
0,834 0,05
Berdistribusi normal
Sumber: Hasil pengolahan data lampiran
Dari tabel 4.4 diatas menunjukkan bahwa variabel dependen dan variabel independen telah berdistribusi normal. Hal ini ditunjukkan
commit to user 44
dengan nilai signifikansi yang lebih besar dari taraf signifikansi yaitu 0,05. Dengan demikian dapat disimpulkan bahwa data tersebut
berdistribusi normal. 2. Uji Autokorelasi
Uji autokorelasi digunakan untuk mendeteksi adanya korelasi
internal diantara
anggota-anggota dari
serangkaian pengamatan yang tersusun dalam rangkaian ruang dan waktu. Untuk
mendeteksi adanya autokorelasi dapat dilihat dari nilai Durbin- Watson. Panduan mengenai angka Durbin-Watson D-W untuk
mendeteksi autokorelasi bisa dilihat dalam tabel D-W. Adapun dasar pengambilan keputusan dalam uji Durbin-
Watson ini, yaitu jika nilai -2 sampai +2, maka tidak terdapat autokorelasi positif atau negative pada model regresi Santoso, 2001:
218-219.
Tabel 4.5. Hasil Uji Autokorelasi
Model Nilai DW
Kriteria Kesimpulan
I 1,736
-2 DW +2
Tidak ada autokorelasi II
1,379 Tidak ada autokorelasi
Sumber: data primer diolah, 2010
Tabel 4.5 menjelaskan bahwa nilai DW hitung berada antara -2 sampai +2. Hal ini menunjukan bahwa tidak ada
autokorelasi dalam model regresi tersebut.
commit to user 45
3. Uji Multikolinearitas Uji multikolinearitas digunakan untuk menguji ada
hubungan yang sempurna atau hubungan yang hampir sempurna diantara variabel bebas pada model regresi. Cara yang digunakan
untuk mendeteksi gejala ada tidaknya multikolinearitas adalah dengan melihat nilai tolerance dan Variance Inflation Factor VIF. Jika nilai
tolerance dibawah 0,1 dan VIF lebih besar dari 10 maka menunjukkan adanya multikolinearitas. Sebaliknya jika nilai tolerance diatas 0,1 dan
VIF dibawah 10 maka tidak terjadi multikolinearitas. Hasil pengujian multikolinearitas ditunjukkan dalam tabel
berikut ini: Tabel Tabel 4.6.
Hasil Uji Multikolinearitas
Variabel I
II Tranformasi Kesimpulan
Tolerance VIF
Tolerance VIF
EVA .985
1.016 .795
1.258 Tidak terjadi multikolinearitas
ROA .167
5.988 .168
5.939 Tidak terjadi multikolinearitas
ROE .166
6.020 .183
5.460 Tidak terjadi multikolinearitas
Sumber: Hasil pengolahan data lampiran
Dari tabel 4.6. diatas, hasil nilai tolerance untuk semua variabel independen bernilai lebih besar dari 0,1 dan nilai VIF bernilai
kurang dari 10 regresi I maupun regresi II setelah ditransformasi
commit to user 46
data, maka dapat disimpulkan bahwa dalam model regresi tidak terdapat gejala multikolinearitas.
4. Uji Heteroskedastisitas Pengertian heteroskedastisitas adalah apabila kesalahan
atau residual yang diamati tidak memiliki varian yang konstan. Kondisi heteroskedastisitas sering terjadi pada data cross section,
atau data yang diambil dari beberapa responden pada suatu waktu tertentu.
Untuk mendeteksi masalah heteroskedastisitas dapat digunakan uji Glejser dengan ketentuan apabila nilai t
hitung
t
tabel
atau nilai probabilitas 0,05 5 maka data tidak ada masalah tidak mengalami heteroskedastisitas.
Tabel 4.7. Hasil Uji Heterokedastisitas
Variabel Model II
Kesimpulan t
hitung
p
EVA 1.240
.225 Tidak Terjadi Heterokedastisitas
ROE .267
.791 Tidak Terjadi Heterokedastisitas
ROA -.144
.887 Tidak Terjadi Heterokedastisitas
Sumber: data primer diolah 2011 Hasil uji heteroskedastisitas yang telah dilakukan
pengolahan data dengan bantuan SPSS pada tabel di atas, maka diketahui bahwa hasil pada model I variabel ROA memiliki nilai
commit to user 47
p 0,05 yang berarti ROA mengalami gejala masalah heteroskedastisitas.
Setelah data ditranformasi, hasil pengujian menunjukkan bahwa ketiga variabel yang diteliti tidak ada yang memiliki nilai
probabilitas 0,05, maka dapat disimpulkan bahwa dalam model regresi ini standar error e tidak mengalami gejala
heteroskedastisitas. Untuk lebih jelasnya, sebaran hasil pengujian heteroskedastisitas akan dilengkapi gambar scatter plot sebagai
berikut:
Regression Standardized Predicted Value
3 2
1 -1
-2
Regression Standardized Residual
2 1
-1 -2
-3
Scatterplot
Dependent Variable: LnRETURN
Gambar: Hasil pengujian Heteroskedastisitas Scatter-Plot II
commit to user 48
D. PENGUJIAN HIPOTESIS
Kategori