28 No
Kode Nama Perusahaan
Kriteria
Sample
Sample 1
2 37 MAPI
Mitra Adi Perkasa Tbk. √
× 38 MLPL
Multipolar Tbk. √
× 39 MNCN
Media Nusantara Citra Tbk. √
√ 25
40 PGAS Perusahaan Gas Negara Tbk.
√ √
26 41 PTBA
Tambang Batubara Bukit Asam Persero Tbk. √
√ 27
42 PTPP PP Persero Tbk.
√ ×
43 PWON Pakuwon Jati Tbk.
√ √
28 44 SCMA
Surya Citra Media Tbk. √
× 45 SMCB
Holcim Indonesia Tbk. √
× 46 SMGR
Semen Gresik Persero Tbk. √
√ 29
47 SMRA Summarecon Agung Tbk.
√ ×
48 SSIA Surya Semesta Internusa Tbk.
√ ×
49 TAXI Express Transindo Utama Tbk.
√ ×
50 TBIG Tower Bersama Infrastructure Tbk.
√ ×
51 TLKM Telekomunikasi Indonesia Tbk.
√ √
30 52 UNTR
United Tractors Tbk. √
√ 31
53 UNVR Unilever Indonesia Tbk.
√ √
32 54 VIVA
Visi Media Asia Tbk. √
× 55 WIKA
Wijaya Karya Persero Tbk. √
√ 33
56 WSKT Waskita Karya Persero Tbk
√ ×
3.6 Jenis dan Sumber Data Penelitian
Data yang digunakan dalam penelitian ini adalah data sekunder yaitu pengambilan data tidak langsung dari sumbernya melainkan diperoleh dari
dokumen yang telah dikumpulkan dan diolah oleh pihak lain. Data yang digunakan dalam penelitian ini adalah data saham LQ-45 periode Januari
Universitas Sumatera Utara
29 2014 sampai dengan Desember 2014. Data yang digunakan dalam
penelitian ini diperoleh dari situs resmi Bursa Efek Indonesia BEI yaitu www.idx.co.id, situs www.finance.yahoo.com, dan www.sahamok.com.
3.7 Metode Pengumpulan Data Penelitian
Dalam penelitian ini data yang dikumpulkan menggunakan metode Studi Dokumentasi yaitu mengambil data yang telah tersedia, serta melalui
studi pustaka berupa literatur, jurnal, penelitian terdahulu, dan laporan- laporan yang dipublikasikan untuk mendapat gambaran masalah yang akan
diteliti serta melalui data sekunder berupa laporan-laporan yang dipublikasikan oleh Bursa Efek Indonesia.
3.8 Teknik Analisis Data
Teknik analisa data yang dilakukan adalah dengan menganalisa data secara langsung dengan cara memahami data yang ada. Analisa juga
dilakukan dengan bantuan komputer dengan menggunakan software SPSS 21.0 for windows. Analisis data yang digunakan dalam penelitian ini adalah
analisis regresi linear berganda Multiple Regression Analysis dan untuk menguji hipotesis digunakan analisis varians ANOVA. Metode yang
digunakan adalah metode analisis deskriptif dan metode analisis statistik. Langkah-langkah yang dilakukan adalah sebagai berikut:
1. Mengumpulkan data-data saham perusahaan yang tetap terdaftar dalam
LQ-45 pada Januari 2014 sampai Desember 2014. 2.
Menghitung return saham harian, dengan menggunakan rumus:
Universitas Sumatera Utara
30 �
�
= �
�
− �
�−1
�
�−1
Dimana: ��
: Return saham ��
: Harga saham penutupan closing price ��−1 : Harga saham pembukaan opening price
3. Menghitung return saham rata-rata periode 2014.
4. Mengelompokkan return saham rata-rata yang dihitung berdasarkan hari
perdagangan, yaitu Senin, Selasa, Rabu, Kamis, dan Jumat. 5.
Melakukan pengujian hipotesis.
3.8.1 Analisis Deskriptif
Analisis Deskriptif adalah metode statistika yang digunakan untuk menggambarkan atau mendeskripsikan data yang telah
dikumpulkan menjadi sebuah informasi. 3.8.2
Uji Asumsi Klasik 1.
Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam sebuah model regresi, variabel terikat dan variabel bebas
mempunyai distribusi normal atau tidak. Model regresi yang baik adalah model yang memiliki distribusi data normal atau
mendekati normal. Untuk melihat normalitas data dilakukan dengan melihat histogram atau pola distribusi data
normal.Normalitas dapat dideteksi dengan melihat penyebaran data titik pada sumbu diagonal dari grafik atau dengan melihat
histogram dari nilai residualnya.
Universitas Sumatera Utara
31 Data yang menyebar disekitar garis diagonal dan mengikuti
arah garis diagonal atau grafik histogramnya menunjukkan pola distribusi normal, maka model regresi memenuhi asumsi
normalitas. Teknik pengujian yang digunakan dalam penelitian ini adalah uji statistik non-parametrik, Kolmogorov-Smirnov.
Dasar pengambilan keputusan dengan menggunakan Kolmogorov-Smirnov adalah jika nilai Asymp.sig nilai
signifikansi 0,05 maka data disimpulkan berdistribusi normal” Indrawati,2015:190.
Jika data tidak normal, ada beberapa cara mengubah model regresi menjadi normal menurut Hartono 2008 yaitu:
1. Melakukan transformasi data ke bentuk lain, yaitu logaritma
natural, akar kuadrat, logaritma 10. 2.
Lakukan timing, yaitu memangkas observasi bersifat outlier, 3.
Lakukan winsorising yaitu mengubah nilai-nilai data outliers menjadi nilai-nilai minimum atau maksimum yang diizinkan
supaya distribusinya normal.
2. Uji Heteroskedastisitas
Uji Heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dan residul
satu pengamatan ke pengamatan yang lain. Jika varians dari residual 1 pengamatan ke pengamatan lain tetap disebut
Homoskedastisitas dan jika berbeda disebut Heteroskedastisitas.
Universitas Sumatera Utara
32 Uji ini dapat dilakukan dengan uji Park, yaitu dengan melihat
nilai signifikansi, jika koefisien parameter beta dari persamaan regresi signifikan secara statistik sig 0,05, maka ada indikasi
heteroskedastisitas. Model regresi yang baik adalah yang
Homoskedstisitas atau tidak terjadi heteroskedastisitas. 3.
Uji Multikolinearitas
Model regresi berganda yang baik seharusnya tidak terjadi korelasi yang tinggi diantara variabel-variabel independen karena
akan menyebabkan nilai koefisien regresi berfluktuasi tinggi sehingga mengurangi keyakinan akan hasil pengujian. Uji
Multikolineritas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas independen.
Model regresi yang baik seharusnya tidak terjadi kolerasi diantara variabel bebas.
Untuk mendeteksi ada atau tidaknya gejala multikolinearitas adalah dengan melihat nilai Variance Inflation
Factor VIF dan nilai toleransi, jika nilai toleransi 1 dan VIF
10 menunjukkan multikolinaritas signifikan. 4.
Uji Autokolerasi
Uji Autokolerasi bertujuan untuk menguji apakah dalam suatu model regresi linear ada kolerasi antar kesalahan
pengganggu pada periode t dengan kesalahan pada periode t-1 sebelumnya. Model regresi yang baik, tidak terjadi
Universitas Sumatera Utara
33 autokorelasi. Untuk mendiagnosis adanya autokorelasi dalam
suatu model regresi, maka dilakukan pengujian terhadap nilai uji Durbin Watson.
Menurut Indrawati 2012 :191,
Pengambilan keputusan ada tidaknya autokorelasi adalah dengan melihat besaran Durbin Watson D-W 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.
3.8.3 Pengujian Hipotesis
3.8.3.1 Analisis Regresi Linear Berganda
Analisis regresi yang digunakan adalah analisis regresi berganda tanpa intercept multiple regression through origin.
Analisis regresi linear berganda digunakan untuk mengetahui hubungan antara dua atau lebih variabel independen terhadap
variabel dependen secara serentak atau bersamaan. Model yang digunakan dalam analisis regresi linear berganda adalah sebagai
berikut:
Rt = b0D
Sen
+ b1D
Sel
+ b2D
Rab
+ b3D
Kam
+ b4D
Jum
+ et Keterangan:
Rt = Return Saham pada hari t b0,1,2,3,4 = Koefisien Regresi
D
Sen
= Variabel Dummy untuk hari perdagangan Senin D
Sel
= Variabel Dummy untuk hari perdagangan Selasa
Universitas Sumatera Utara
34 D
Rab
= Variabel Dummy untuk hari perdagangan Rabu D
Kam
= Variabel Dummy untuk hari perdagangan Kamis D
Jum
= Variabel Dummy untuk hari perdagangan Jumat e = Standard Error
Nilai D
SEN
= 1 apabila return saham rata-rata merupakan return pada hari Senin dan diberi nilai 0 pada hari lainnya. Nilai
D
SEL
= 1 apabila return saham rata-rata merupakan return pada hari Selasa dan diberi nilai 0 pada hari lainnya, demikian juga berlaku
untuk D
RAB
, D
KAM
, D
JUM
. Dengan menggunakan tingkat signifikan α 5, jika nilai sig. t 0,05, �0 diterima, artinya tidak ada
pengaruh yang signifikan antara variabel bebas terhadap variabel terikat. Dan jika nilai sig. t 0,05, maka
�� diterima, artinya ada pengaruh yang signifikan antara variabel bebas dan variabel terikat.
3.8.3.2 Analysis of variance ANOVA
Untuk hipotesis yang kedua pengujiannya menggunakan One Way Analysis of Variance One Way Anova. Analysis of
Varians ANOVA menurut Gozali 2013:68 merupakan metode untuk menguji hubugan antara satu variabel dependen skala metrik
dengan satu atau lebih variabel independen skala non-metrik atau kategorikal dengan kategori lebih dari dua. Analisis ANOVA
bertujuan untuk menguji beda rata-rata return saham harian antara hari perdagangan yang satu dengan hari lain.
Universitas Sumatera Utara
35 Untuk dapat menggunakan uji statistik ANOVA harus
memenuhi beberapa asumsi di bawah iniGhozali, 2013:70:
a. Homogeneity of variance
Homogeneity of variance dalam data dapat dilihat dari Levene’s test of homogeniety of variance, jika nilai Levene’s test signifikan
Sig,0,05 maka hipotesis nol akan ditolak bahwa grup memiliki variance yang berbeda dan hal ini menyalahi asumsi. Jadi yang
dikehendaki adalah tidak dapat menolak hipotesis nol atau hasil Levene’s test tidak signifikan Sig. 0,05.
b. Random Sampling
Untuk tujuan uji signifikan, maka subjek di dalam setiap grup harus diambil secara random.
c. Multivariate Normality
Untuk tujuan uji signifikansi, maka variabel harus mengikuti distribusi normal multivariate.
Untuk menarik kesimpulan hipotesis ditentukan melalui tingkat signifikansi, apabila nilai signifikannya 0.05 maka dapat
diartikan bahwa terdapat perbedaan, jika signifiknnya 0,05 maka dapat diartikan bahwa tidak terdapat perbedaan atau sama.
Universitas Sumatera Utara
36
BAB IV HASIL PENELITIAN DAN PEMBAHASAN
4.1 Hasil Penelitian
4.1.1 Analisis Deskriptif
Metode yang digunakan dalam penelitian ini adalah statistik deskriptif yang memberikan penjelasan tentang nilai minimum, nilai
maksimum, nilai rata-rata mean, dan nilai standar deviasi dari variabel independen dan variabel dependen. Secara terperinci
statistik deskriptif dari masing-masing return saham setiap hari perdagangan saham adalah sebagai berikut:
Tabel 4.1 Statistik Deskriptif
N Minimum
Maximum Mean
Std. Deviation SENIN
50 -,01680
,27871 ,0062527
,04002074 SELASA
49 -,01625
,01835 -,0001633
,00580300 RABU
48 -,00735
,01717 ,0020006
,00449792 KAMIS
47 -,02688
,01403 ,0007872
,00658836 JUMAT
48 -,01022
,03772 ,0023715
,00718219 Valid N listwise
47 Berdasarkan tabel 4.1 di atas dapat dilihat return saham rata-
rata Senin menunjukkan nilai positif yaitu sebesar 0,0062527. Return saham rata-rata pada hari Senin merupakan return saham
rata-rata teringgi. Return saham rata-rata pada hari Selasa menunjukkan nilai negatif yaitu sebesar -0,0001633. Return saham
rata-rata pada hari Selasa merupakan return terendah. Pada hari
Universitas Sumatera Utara
37 Rabu return rata-rata menunjukkan nilai positif yaitu sebesar
0,0020006, sedangkan pada hari Kamis return saham rata-rata menunjukkan nilai posotif yaitu sebesar 0,0007872. Return saham
rat-rata pada hari Jumat menunjukkan nilai positif yaitu sebesar 0,0023715.
Dari gambar di bawah ini dapat terlihat dengan jelas bahwa return terendah terjadi pada hari Selasa dan return tertinggi hari
Senin.
Gambar 4.1 Fluktuasi Rata-Rata Return Harian
Standar Deviasi merupakan penyimpangan dari nilai rata-rata Mean. Berdasarkan Tabel 4.1, dapat dilihat bahwa standar deviasi
hari Senin–Jumat lebih besar dibandingkan dengan rata-rata mean hari Senin-Jumat, dengan demikian penyebaran data return adalah
tidak merata atau terjadi penyimpangan dari rata-rata return yang ada dihari perdagangan. Nilai standar deviasi terbesar terjadi hari
0,0062527
-0,0001633 0,0020006
0,0007872 0,0023715
-0,001 0,001
0,002 0,003
0,004 0,005
0,006 0,007
SENIN SELASA
RABU KAMIS
JUMAT RETURN
Universitas Sumatera Utara
38 Senin, yaitu sebesar 0,04002074. Hal ini dapat diartikan bahwa hari
Senin memiliki resiko tertinggi dibandingkan dengan hari perdagangan lainnya. Standar deviasi terendah pada hari Rabu, yaitu
sebesar 0,00449792, yang menandakan bahwa resiko hari Rabu paling kecil dibandingkan dengan hari perdagangan lainnya.
4.1.2 Uji Asumsi Klasik
1. Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam sebuah model regresi, variabel terikat dan variabel bebas
mempunyai distribusi normal atau tidak. Teknik pengujian yang digunakan dalam penelitian ini adalah uji statistik non-
parametrik, Kolmogorov-Smirnov. Berdasarkan pengolahan data maka diperoleh hasil sebagai berikut:
Tabel 4.2 Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 242
Normal Parameters
a,b
Mean ,0000000
Std. Deviation ,01883203
Most Extreme Differences Absolute
,297 Positive
,297 Negative
-,275 Kolmogorov-Smirnov Z
4,624 Asymp. Sig. 2-tailed
,000 a. Test distribution is Normal.
b. Calculated from data.
Universitas Sumatera Utara
39 Berdasarkan Tabel 4.2 diperoleh hasil pengujian statistik
dengan model kolmogorov-Smirnov yang menunjukkan nilai Asymp. Sig. 2-tailed sebesar 0,000 lebih kecil dari nilai alpha
0,05, maka dapat disimpulkan bahwa data tidak terdistribusi normal. Data yang tidak terdistribusi secara normal tersebut juga
dapat dilihat melalui grafik histogram dan grafik normal plot data berikut ini:
Gambar 4.2 Histogram
Dengan cara membandingkan antara data observasi dengan distribusi yang mendekati distribusi normal, dari grafik di atas
Universitas Sumatera Utara
40 menunjukkan bahwa distribusi data tidak normal karena grafik
histogram menunjukkan kurtosis Leptokurtik.
Gambar 4.3 Normal Plot
Pada Gambar 4.3 terlihat hasil uji normalitas dengan menggunakan grafik plot. Pada grafik normal plot, terlihat titik-
titik menyebar disekitar garis diagonal serta penyebarannya agak menjauh dari garis diagonal sehingga dapat disimpulkan bahwa
data dalam model regresi terdistribusi secara tidak normal. Hasil uji normalitas dengan Kolmogorov-Smirnov K-S,
grafik Histogram dan grafik normal Plot menunjukkan data tidak
Universitas Sumatera Utara
41 terdistribusi secara normal. Untuk tindakan perbaikan
treatment, agar model regresi memenuhi asumsi normalitas, peneliti melakukan transformasi data ke model logaritma natural
Ln dan kemudian data diuji ulang berdasarkan asumsi normalitas. Variabel independen adalah variabel dummy
sehingga tidak perlu ditransformasi. Hasil uji statistik dengan model Kolmogorov-Smirnov K-S yang baru setelah dilakukan
transformasi data yang tidak normal tersebut dapat dilihat pada Tabel 4.3.
Tabel 4.3 Uji Normalitas Setelah Data Ditransformasi
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 182
Normal Parameters
a,b
Mean ,0000000
Std. Deviation 1,67616218
Most Extreme Differences Absolute
,076 Positive
,076 Negative
-,060 Kolmogorov-Smirnov Z
1,030 Asymp. Sig. 2-tailed
,239 a. Test distribution is Normal.
b. Calculated from data. Hasil pengolahan data pada Tabel 4.3 diperoleh hasil
pengujian statistik dengan model Kolmogorv-Smirnov menunjukkan bahwa data telah terdistribusi normal karena nilai
Asymp. Sig. 2-tailed Kolmogorov-Smirnov 0,239 lebih besar
Universitas Sumatera Utara
42 dari 0,05. Apabila data telah terdistribusi normal maka dapat
dilanjutkan dengan uji asumsi klasik lainnya. Data yang terdistribusi normal dapat juga dilihat dari grafik histogram dan
grafik normal plot data sebagai berikut:
Gambar 4.4 Histogram Setalah Data Ditransformasi
Grafik histogram pada Gambar 4.4 menunjukkan bahwa data telah terdistribusi secara normal. Hal ini dapat dilihat dari
grafik histogram yang menunjukkan distribusi data mengikuti garis diagonal. Hal ini juga didukung dengan hasil uji normalitas
Universitas Sumatera Utara
43 dengan menggunakan grafik plot yang ditampilkan pada Gambar
4.5.
Gambar 4.4 Normal Plot Stelah Data Ditransformasi
Menurut Ghozali 2013:163, pendeteksian normalitas
dapat dilakukan dengan melihat penyebaran data titik pada sumbu diagonal dari grafik, yaitu jika data titik menyebar
disekitar garis diagonal dan mengikuti arah diagonal, hal ini menunjukkan data yang telah terdistribusi normal. Gambar 4.4
menunjukkan bahwa data titik menyebar di sekitar dan mendekati garis diagonal. Hal ini sejalan dengan hasil pengujian
Universitas Sumatera Utara
44 dengan menggunakan histogram data telah terdistribusi normal