BAB IV ANALISIS HASIL PENELITIAN
4.1 Data Penelitian
Populasi dala penelitian ini adalah perusahaan-perusahaan sub sektor property dan real estate yang terdaftar di Bura Efek Indonesia BEI. Periode
pengamatan dalam penelitian ini adalah tahun 2011 sampai dengan 2013. Jumlah populasi dalam penelitian ini adalah 45 perusahaan dan sampel yang digunakan
dalam penelitian ini adalah 25 perusahaan dengan total data sampel yang digunakan sebanyak 75 data setiap variabelnya. Berikut ini merupakan statistik
secarra umum dari seluruh data yang digunakan:
Tabel 4.1 Statistik Deskriptif
Descriptive Statistics
N Minimum
Maximum Mean
Std. Deviation
IOS 75
,28 19,36
2,9845 3,70342
EPS 75
,38 905,00 125,4017
204,29312 FIRMSZ
75 25,72
31,07 28,5447
1,29929 HARGASHM
75 98,00
7316,67 1110,7877 1431,79970
Unstandardized Residual
75 -
3008,62797 4594,92573 ,0000000 831,97772715
Valid N listwise 75
Sumber: Lampiran V
Variabel set kesempatan investasi IOS memiliki nilai minimum 0,28, nilai maksimum 19,36, nilai mean nilai rata-rata 2,9845 dan standart deviation
Universitas Sumatera Utara
simpangan baku variabel ini adalah 3,70342. Variabel laba per saham EPS memiliki nilai minimum 0,38, nilai maksimum 905,00, nilai mean nilai rata-rata
125,4017 dan standart deviation simpangan baku variabel ini adalah 204,29312. Variabel ukuran perusahaan FIRMSZ memiliki nilai minimum 25,72, nilai
maksimum 31,07, nilai mean nilai rata-rata 28,5447 dan standart deviation simpangan baku variabel ini adalah 1,29929. Variabel harga saham
HARGASHM memiliki nilai minimum 98, nilai maksimum 7316,67, nilai mean nilai rata-rata 1110,7877 dan standart deviation simpangan baku variabel ini
adalah 1431,79970.
4.2 Pengujian Asumsi Klasik
Analisa dilakukan dengan metode analisa regresi berganda. Sebelum dilakukan uji hipotesis, peneliti akan melakukan uji asumsi klasik. Pengujian ini
perlu dilakukan intuk mengetahui apakah distribusi data yang digunakan dalam penelitian
sudah normal,
serta bebas
dari gejala
multikolinearitas, heteroskedastisitas serta auto korelasi. Menurut Ghozali 2005:123 asumsi klasik
yang harus dipenuhi adalah: berdistribusi normal,
non-multikolinearitas, artinya antara variabel independen dalam model regresi tidak memiliki kolerasi atau hubungan secara sempurna ataupun
mendekati sempurna, non-autokolerasi, artinya kesalahan penggangu dalam model regresi tidak
saling korelasi, homoskedastisitas, artinya variance variabel independen dari satu
pengamatan kepengamatan yang lain adalah konstan atau sama. 4.2.1 Hasil Uji Normalitas
Universitas Sumatera Utara
Pengujian ini dimaksudkan untuk mengetahui apakah dalam model regresi, variabel penggangu atau residual memiliki distribusi normal. Adapun uji
normalitas dapat dilakukan dengan dua cara yaitu analisis grafik dan statistik.
A. Analisis Grafik Analisis grafik dapat digunakan dengan dua alat, yaitu
grafik histogram dan grafik P-P Plot. Data yang baik adalah data yang memiliki pola distribusi normal. Pada grafik histogam, data yang
mengikuti atau mendekati distribusi normal adalah distribusi data dengan bentuk lonceng. Pada grafik P-P Plot, sebuah data dikatakan
berdistribusi normal apabila titik-titik datanya tidak menceng ke kiri atau ke kanan, melainkan menyebar disekitar garis diagonal. Berikut
hasil uji normalitas dengan menggunakan analisis grafik.
Gambar 4.1 Uji Normalitas-Histogram
Sumber: Lampiran V
Universitas Sumatera Utara
Gambar 4.2 Uji Normalitas-Normal P-P Plot
Sumber: Lampiran V
Dengan melihat tampilan grafik histogram, kita dapat melihat bahwa gambarnya telah berbentuk lonceng dan menceng ke kiri yang
menunjukkan bahwa data tidak terdistribusi secara normal. Pada grafik P-P Plot terlihat titik-titik menyebar di sekitar garis diagonal dan jauh dari
garis diagonal. Kedua grafik tersebut menunjukkan bahwa model regresi menyalahi asumsi normalitas.
B. Uji Statistik Pengujian normalitas data dengan hanya melihat grafik dapat
menyesatkan kalau tidak melihat secara seksama, sehingga kita perlu melakukan uji normalitas data dengan menggunakan statistik agar lebih
meyakinkan. Untuk memastikan apakah data di sepanjang garis diagonal berdistribusi normal, maka dilakukan uji Kolmogorov-Smirnov 1 sample
KS dengan melihat data residualnya apakah berdistribusi normal atau
Universitas Sumatera Utara
tidak. Jika nilai signifikansinya lebih besar dari 0,05 maka data tersebut terdistribusi normal. Jika nilai signifikansinya lebih kecil dari 0,05 maka
distribusi data adalah tidak normal. Hasil uji Kolmogorov-Smirnov dapat dilihat pada tabel berikut:
Tabel 4.2 Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
IOS EPS
FIRMSZ HARGASHM N
75 75
75 75
Normal Parameters
a,b
Mean 2,9845 125,4017 28,5447
1110,7877 Std. Deviation
3,70342 204,29312 1,29929 1431,79970
Most Extreme
Differences Absolute
,255 ,342
,071 ,263
Positive ,255
,342 ,071
,263 Negative
-,233 -,270
-,062 -,240
Kolmogorov-Smirnov Z 2,208
2,964 ,617
2,281 Asymp. Sig. 2-tailed
,000 ,000
,840 ,000
a. Test distribution is Normal. b. Calculated from data.
Sumber: Lampiran V
Hasil uji Kolmogorov-Smirnov pada penelitian ini menujukkan probabilitas = 0.000. Dengan demikian, data pada penelitian ini tidak
berdistribusi normal dan dapat digunakan untuk melakukan uji hipotesis karena 0.000 0,05. Pada pengujian normalitas dengan analisis statistik dapat ketahui
bahwa data yang digunakan oleh penulis tidak berdistribusi normal sehingga data ini tidak dapat digunakan untuk melakukan uji hipotesis. Pada penelitian
ini penulis menggunakan metode transformasi data untuk menormalkan data penelitian. Menurut Gozali 2005:32, data yang tidak terdistribusi secara
normal dapat ditransformasi agar menjadi normal. Salah satu trasformasi data
Universitas Sumatera Utara
yang dapat dilakukan adalah dengan mentransformasikan data ke LG10 atau logaritma 10 atau LN. Hasil transformasi data dapat dilihat pada lampiran vii.
Setelah dilakukan transformasi, penulis melakukan pengujian ulang terhadap uji normalitas untuk melihat kembali apakah data penelitian ini telah
berdistribusi normal atau tidak. Hasil pengujian normalitas setelah transformasi dapat dilihat sebagai berikut.
1. Analisis Grafik
Gambar 4.3 Uji Normalitas
Sumber: Lampiran V
Universitas Sumatera Utara
Gambar 4.4 Uji Normalitas
Sumber: Lampiran V
Dengan melihat tampilan grafik histogram, kita dapat melihat bahwa gambarnya telah berbentuk lonceng dan tidak menceng ke kanan
atau ke kiri yang menunjukkan bahwa data telah terdistribusi secara normal. Pada grafik P-P Plot terlihat titik-titik menyebar di sekitar garis
diagonal dan tidak jauh dari garis diagonal. Kedua grafik tersebut menunjukkan bahwa model regresi tidak menyalahi asumsi normalitas.
Universitas Sumatera Utara
2. Uji Statistik
Tabel 4.3 Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 75
Normal Parameters
a,b
Mean ,0000000
Std. Deviation ,53772539
Most Extreme Differences Absolute
,054 Positive
,054 Negative
-,047 Kolmogorov-Smirnov Z
,472 Asymp. Sig. 2-tailed
,979 a. Test distribution is Normal.
b. Calculated from data.
Sumber: Lampiran V
Hasil uji Kolmogorov-Smirnov pada penelitian ini menujukkan probabilitas = 0.472. Dengan demikian, data pada penelitian ini
berdistribusi normal dan dapat digunakan untuk melakukan uji hipotesis karena 0.979 0,05.
4.2.2 Hasil Uji Heteroskedastisitas Uji Heteroskedastisitas bertujuan untuk menguji terjadinya perbedaan
variance residual suatu periode pengamatan ke periode yang lain. Uji Heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi
ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Model regresi yang baik adalah tidak terjadi heteroskedastisitas. Cara mendeteksi
Universitas Sumatera Utara
ada tidaknya gejala heteroskedastisitas adalah dengan melihat grafik scatterplott yang dihasilkan dari pengolahan data menggunakan program SPSS 18. Dasar
pengambilan keputusannya adalah sebagai berikut:
Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur maka mengindikasikan telah terjadi heteroskedastisitas.
Jika tidak ada pola yang jelas, serta titik menyebar dibawah angka 0 dan y, maka tidak terjadi heteroskedastisitas.
Uji ini dilakukan dengan mengamati pola tertentu pada grafik scatterplot, dimana bila ada titik
– titik yang menyebar di atas dan dibawah angka 0 pada sumbu Y serta tidak membentuk pola maka tidak terjadi heteroskedastisitas.
Gambar 4.5 Uji Heteroskedastisitas scatterplot
Sumber: Lampiran V
Universitas Sumatera Utara
Pada gambar 4.5 tentang grafik scatterplot diatas terlihat titik-titik menyebar secara acak tidak membentuk sebuh pola tertentu yang jelas serta
tersebar baik diatas maupun dibawah angka nol pada sumbu y. Hal ini berarti tidak terjadi heteroskedastisitas pada model regresi sehingga model regresi layak
dipakai untuk melihat pengaruh variabel independen terhadap variabel dependen. 4.2.3 Hasil Uji Autokorelasi
Uji ini bertujuan untuk melihat apakah dalam suatu model linear ada korelasi antar kesalahan pengganggu pada periode t dengan kesalahan periode t-1
sebelumnya. Model regresi yang baik adalah yang bebas dari autokorelasi. Masalah autokorelasi umumnya terjadi pada regresi yang datanya time series.
Untuk mendeteksi masalah autokorelasi dapat dilakukan dengan menggunakan uji Durbin Watson. Mengacu kepada pendapat Sunyoto 2009:91, Pengambilan
keputusan ada tidaknya autokorelasi adalah sebagai berikut:
angka D-W dibawah -2 berarti ada autokorelasi positif, angka D-W diantara -2 sampai +2 berarti tidak ada autokorelasi,
angka D-W di atas +2 berarti ada autokorelasi negatif.
Universitas Sumatera Utara
Tabel 4.4 Hasil Uji Autokorelasi
Model Summary
b
Model
R R
Square Adjusted
R Square
Std. Error of
the Estimate
Change Statistics Durbin-
Watson R
Square Change
F Change df1
df2 Sig. F
Change
dimension0
1 ,854
a
,728 ,717
,54897 ,728
63,491 3
71 ,000
1,770
a. Predictors: Constant, LnFIRMSZ, LnIOS, LnEPS b. Dependent Variable: LnHARGASHM
Sumber: Lampiran V
Tabel 4.4 memperlihatkan nilai statistik D-W sebesar 1.770. Angka ini terletak di antara -2 sampai +2, dari pengamatan ini dapat disimpulkan bahwa
tidak terjadi autokorelasi dalam penelitian ini.
4.2.4 Hasil Uji Multikolinieritas Pengujian bertujuan mengetahui ada tidaknya multikolinearitas antar
variabel – variabel independen. Model regresi yang baik seharusnya tidak terjadi
korelasi antar variabel independen. Deteksi dilakukan dengan melihat nilai VIF Variable Inflation Factor dan toleransi. Menurut Ghozali 2005:91 untuk
melihat ada atau tidaknya multikolinearitas dalam model regresi dapat dilihat dari: a. nilai tolerance dan lawannya,
b. variance inflation factor VIF Kedua ukuran ini menunjukkan setiap variabel independen manakah yang
dijelaskan oleh variabel independen lainnya. Tolerance mengukur variabilitas
Universitas Sumatera Utara
variabel independen yang terpilih yang tidak dijelaskan oleh variabel independen lainnya. Jadi, nilai tolerance yang rendah sama dengan nilai VIF yang tinggi
karena VIF=1tolerance. Nilai cutoff yang umum dipakai untuk menunjukkan adanya multikolinearitas adalah nilai tolerance 0.01 atau sama dengan VIF10.
Tabel 4.5 Hasil Uji Multikolinearitas
Coefficients
a
Model Unstandardized
Coefficients Standard
ized Coefficie
nts t
Sig. Correlations
Collinearity Statistics
B Std.
Error Beta
Zero- order
Partia l
Part Tolera
nce VIF
1 Const
ant 3,487
4,989 ,699
,487 LnIOS
,262 ,076
,225 3,462 ,001
,097 ,380
,214 ,901 1,109
LnEPS ,478
,037 ,854 12,91
4 ,000
,823 ,837
,799 ,875 1,143
LnFIR MSZ
,322 1,505
,014 ,214
,831 ,299
,025 ,013
,853 1,172 a. Dependent Variable: LnHARGASHM
Sumber: Lampiran V
Berdasarkan tabel 4.5 diatas dapat dilihat bahwa tidak ada satupun variabel bebas yang memiliki nilai VIF lebih dari 10 dan tidak ada yang memiliki
tolerance value lebih kecil dari 0,1. Jadi dapat disimpulkan bahwa penelitian ini bebas dari adanya multikolinearitas. Dari hasil uji ini maka dapat disimpulkan
bahwa semua variabel bebas yang dipakai dalam penelitian ini lolos uji gejala multikolinearitas.
Universitas Sumatera Utara
4.3 Pengujian Hipotesis