Analisis dan Pengujian Hipotesis 1 Uji Normalitas

4.3. Analisis dan Pengujian Hipotesis 4.3.1 Uji Normalitas Normalitas adalah Sebuah model regresi yang variabel Dependen dan Independen atau keduanya mempunyai distribusi normal atau tidak. Untuk mengetahui apakah data tersebut mengikuti sebaran normal dapat dilakukan dengan metode Kolmogrov Smirnov Sumarsono, 2004;40. Dasar pengambilan keputusan : jika nlai signifikan nilai probabilitasnya lebih besar dari 5, maka distribusi adalah normal Sumarsono, 2004;43. Tabel 4.5: Uji Normalitas One-Sample Kolmogorov-Smirnov Test ROA NPM DER PBV RETURN_SAH AM N 31 31 31 31 31 Mean 8.5394 7.7561 10.7258 2.0213 .3148 Normal Parameters a Std. Deviation 8.55026 1.88240E1 2.16122E 1 1.86949 .99544 Absolute .159 .417 .391 .170 .112 Positive .152 .417 .391 .170 .112 Most Extreme Differences Negative -.159 -.341 -.310 -.151 -.093 Kolmogorov-Smirnov Z .885 2.321 2.176 .945 .625 Asymp. Sig. 2-tailed .414 .000 .000 .333 .830 Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. Berdasarkan hasil uji Normalitas Menggunakan uji Kolmogorov-Smirnov dengan menggunakan uji ini diperoleh hasil analisis bahwa tidak semua variable yang diteliti memiliki distribusi yang normal, hanya pada variable ROA,PBV DAN RETURN SAHAM yang memiliki distribusi normal dimana nilai Asymp. Sig signifikansi lebih besar dari 0,10, sehingga dapat disimpulkan sebagian data tersebut tidak memenuhi asumsi berdistribusi normal. 4.3.2 Uji Asumsi Klasik Tujuan utama menggunakan uji asumsi klasik adalah untuk mendapatkan koefisien yang terbaik linier dan tidak bias BLUE : Best Linier Unbiased Estimator. Uji asumsi klasik meliputi asumsi mulikolonieritas, autokorelasi dan heteroskedastisitas. Uji Multikolinieritas Multikolinieritas : Adanya korelasi variabel independen dalam regresi berganda. a. Deteks Besarnya VIF Variance Inflation Factor dan Tolerance - Jika VIF melebihi angka 10, maka variabel tersebut mengindikasikan adanya multikolinieritas. Gujarati b. Nilai Eigenvalue mendekati 0 Singgih Santoso Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. c. Condition Index melebihi angka 15 Singgih Santoso Dalam pengujian asumsi klasik terhadap analisis regresi linier berganda ini menyatakan bahwa hasil analisis penelitian ini menunjukkan tidak adanya gejala multikolinieritas pada semua variabel bebas dimana nilai VIF pada semua variabel lebih kecil dari 10. Syarat terjadi multikolinieritas jika nilai VIF Variance Inflation Factor  10 Cryer,1994 : 681. Tabel 4. 6 : Hasil Uji Multikolonieritas Coefficients a Unstandardized Coefficients Standardize d Coefficients Collinearity Statistics Model B Std. Error Beta t Sig. Tolerance VIF Constant .525 .259 2.026 .053 ROA -.064 .019 -.547 -3.320 .003 .799 1.252 NPM .015 .011 .291 1.457 .157 .546 1.833 DER -.017 .009 -.364 -1.875 .072 .576 1.736 1 PBV .195 .084 .367 2.324 .028 .873 1.145 a. dependent variabel Return Saham Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. Uji Heteroskedastisitas Heteroskedastisitas : Varian dari residual dari satu pengamatan ke pengamatan lain mempunyai varian yang berbeda. Jika sama namanya Homoskedastisitas. Model regresi yang baik tidak mempunyai Heteroskedastisitas. Deteksi Adanya Heteroskedastisitas : a. Dari Scatter Plot Residual: jika ada pola tertentu seperti titik-titik point- point yang ada membentuk pola tertentu yang teratur bergelombang, menyebar kemudian menyempit b. Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas 0 pada sumbu

Y, maka tidak terjadi Heteroskedastisitas.

c. Pada regresi linier nilai residual tidak boleh ada hubungan dengan variabel X. Hal ini bisa diidentifikasi dengan cara menghitung korelasi rank Spearman antara residual dengan seluruh variabel bebas. Rumus rank Spearman adalah : r s = 1 – 6   1 N N d 2 2 i   Keterangan : d i = perbedaan dalam rank antara residual dengan variabel bebas ke-i N = banyaknya data Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. Pengujian Heteroskedastisitas di sini menggunakan korelasi rank Spearman antara residual dengan seluruh variabel bebas dengan hasil analisis sbb: Tabel 4. 7 Nonparametric Correlations ROA NPM DER PBV Unstand ardized Residual Correlation Coefficient 1.000 .307 .198 .092 -.212 Sig. 2-tailed . .093 .286 .624 .252 ROA N 31 31 31 31 31 Correlation Coefficient .307 1.000 .280 .169 -.039 Sig. 2-tailed .093 . .128 .362 .836 NPM N 31 31 31 31 31 Correlation Coefficient .198 .280 1.000 .213 -.237 Sig. 2-tailed .286 .128 . .249 .200 DER N 31 31 31 31 31 Correlation Coefficient .092 .169 .213 1.000 .007 Sig. 2-tailed .624 .362 .249 . .970 PBV N 31 31 31 31 31 Correlation Coefficient -.212 -.039 -.237 .007 1.000 Spearm ans rhos Unstandardized Residual Sig. 2-tailed .252 .836 .200 .970 . Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. ROA NPM DER PBV Unstand ardized Residual Correlation Coefficient 1.000 .307 .198 .092 -.212 Sig. 2-tailed . .093 .286 .624 .252 ROA N 31 31 31 31 31 Correlation Coefficient .307 1.000 .280 .169 -.039 Sig. 2-tailed .093 . .128 .362 .836 NPM N 31 31 31 31 31 Correlation Coefficient .198 .280 1.000 .213 -.237 Sig. 2-tailed .286 .128 . .249 .200 DER N 31 31 31 31 31 Correlation Coefficient .092 .169 .213 1.000 .007 Sig. 2-tailed .624 .362 .249 . .970 PBV N 31 31 31 31 31 Correlation Coefficient -.212 -.039 -.237 .007 1.000 Sig. 2-tailed .252 .836 .200 .970 . N 31 31 31 31 31 Hasil analisis menunjukkan bahwa pada variabel X1, X2, X3 dan X4, TIDAK mempunyai korelasi yang signifikan antara residual dengan variabel bebasnya,nilai Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. Sig lebih besar dari 0,10 maka hasil analisis ini dapat disimpulkan seluruh variabel penelitian tidak terjadi Heteroskedastisitas. Uji Autokorelasi Autokorelasi : Adanya korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu periode t-1 sebelumnya. Jika data di atas 15 Catatan: Autokorelasi pada sebagian besar data time series. Deteksi Autokorelasi: a. Besarnya Angka Durbin Watson Patokan : Angka D-W di bawah –2 ada autokorelasi positif Angka D-W di atas +2 ada autokorelasi negatif Angka Berada diantara –2 sampai +2 Tidak ada Autokorelasi atau Membandingkan dengan Tabel Durbin Watson Identifikasi gejala autokorelasi dapat dilakukan dengan kurva di bawah ini. Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. Tidak ada autokorelasi positif dan tidak ada autokorelasi negatif dL dU 4 - dU 4 - dL 4 ada auto korelasi positif daerah keragu raguan ada auto korelasi negatif daerah keragu raguan 0,85 1,52 2,056 4,15 3,48 a. Koefisien determinasi berganda R square tinggi b. Koefisien korelasi sederhananya tinggi. c. Nilai F hitung tinggi signifikan d. Tapi tak satupun atau sedikit sekali diantara variabel bebas yang signifikan. Untuk asumsi klasik yang mendeteksi adanya autokorelasi di sini dilihat dari hasil analisis yang menunjukkan hasil bahwa nilai Durbin Watson sebesar 1,803, hal ini menunjukkan tidak adanya gejala autokorelasi.negative, Namun data penelitian merupakan data pooling bukan data time series maka tidak menjadi masalah yang berarti. Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. Jadi dapat disimpulkan bahwa model regresi linier berganda yang diperoleh pada penelitian ini telah memenuhi asumsi klasiknya yaitu tidak memenuhi autokorelasi dan normalitas datanya untuk sebagian variabel.

4.3.3 Analisis Regresi Linear Berganda

Berdasarkan data tabel di atas diperoleh data masukan seperti terlihat pada lampiran. Data masukan ini digunakan untuk menghasilkan perhitungan statistik. Perhitungan dilakukan dengan menggunakan metode regresi linier berganda untuk melihat konsistensi dari pengaruh variabel-variabel independent terhadap variabel dependennya. Variabel dependent dalam penelitian ini adalah ROA, NPM, DER dan PBV terhadap variabel terikat yaitu Return Saham. Dari hasil analisis perhitungan computer menggunakan program SPSS, Statistik diskriptif berguna untuk mengetahui karakteristik sample yang digunakan dalam penelitian. Untuk mengetahui gambaran mengenai karakteristik sample yang digunakan. Berdasarkan statistik diskriptif ini, dapat diketahui jumlah sample yang diteliti, nilai rata-rata sample dan tingkat penyebaran data dari masing- masing variabel penelitian. Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. Tabel 4.8 : Statistik Deskriptif Descriptive Statistics Mean Std. Deviation N RETURN_SAHAM .3148 .99544 31 ROA 8.5394 8.55026 31 NPM 7.7561 18.82398 31 DER 10.7258 21.61224 31 PBV 2.0213 1.86949 31 Pada data dengan metode regresi linier berganda diperoleh hasil seperti ditunjukkan pada tabel dibawah ini Tabel 4. 9 : Hasil Analisis Regresi Linier Berganda Hasil Regresi Berganda Coefficients a Unstandardized Coefficients Standardize d Coefficients Collinearity Statistics Model B Std. Error Beta t Sig. Toleranc e VIF Constant .525 .259 2.026 .053 ROA -.064 .019 -.547 -3.320 .003 .799 1.252 NPM .015 .011 .291 1.457 .157 .546 1.833 DER -.017 .009 -.364 -1.875 .072 .576 1.736 1 PBV .195 .084 .367 2.324 .028 .873 1.145 Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. Adapun persamaan regresi yang dihasilkan adalah sebagai berikut : Y = 0,525 - 0,64 X 1 + 0.015 X 2 – 0,17 X 3 + 0,195 X 4 + ei Interpretasi dari persamaan regresi diatas, dapat dijelaskan sebagai berikut: a. Konstanta sebesar 0,525 artinya dengan asumsi variabel bebas ROA X I , NPM X 2 , DER X 3 , PBV X 4 tetap, maka estimasi return saham perusahaan akan semakin meningkat sebesar 0,525 satu satuan rupiah. b. Koefisien regresi variabel X 1 ROA sebesar -0,64 Artinya jika mengalami kenaikan 1 maka return saham akan mengalami penurunan sebesar - 0,64 satu satuan rupiah dengan asumsi bahwa variabel lain konstan begitu pula sebaliknya. c. Koefisien regresi variabel X 2 NPM sebesar 0,015 Artinya jika mengalami kenaikan satu 1 rupiah, maka return saham akan mengalami kenaikan sebesar 0,015 satu satuan rupiah dengan asumsi bahwa variabel lain konstan begitu pula sebaliknya. d. Koefisien regresi variabel X 3 DER sebesar -0,17 Artinya jika mengalami kenaikan 1 maka return saham akan mengalami penurunan sebesar -0,17 satu satuan rupiah dengan asumsi bahwa variabel lain konstan begitu pula seabliknya. e. Koefisien regresi variabel X 4 PBV sebesar 0,195 Artinya jika mengalami kenaikan satu 1 rupiah, maka return saham akan mengalami kenaikan sebesar 0,195 satu satuan rupiah dengan asumsi bahwa variabel lain konstan begitu pula sebaliknya. Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

4.3.4 Koefisien Determinansi R

2 Besarnya pengaruh ROA X 1 , NPM X 2 DER X 3 dan PBV X 4 berpengaruh terhadap Return Saham Y dapat dilihat dari nilai koefisien determinasi R-squareR 2 . Berikut ini nilai koefisien determinasi R-squareR 2 Nilai Koefisien Determinansi R-squareR 2 Tabel 4.10 Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .660 a .435 .348 .80351 1.803 a. Predictors: Constant, PBV, ROA, DER, NPM b. Dependent Variable: RETURN_SAHAM Nilai koefisien determinasi R-squareR 2 yang dihasilkan sebesar 0,435 menunjukkan bahwa variabel ROA X 1 , NPM X 2 , DER X3, dan PBV X 4 dan berpengaruh terhadap Return Saham Y sebesar,34,5 sedangkan sisanya 65,5 dijelaskan oleh variabel lain diluar model.

4.3.5 Uji t

Uji t digunakan untuk menguji pengaruh secara parsial masing-masing variabel bebas ROA, NPM, DER dan PBV terhadap variabel terikat Return Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. Saham. Pengujian ini dilakukan dengan menggunakan tingkat signifikan 0,10 10 ; df:26 dengan nilai t tabel adalah sebesar 2,056 Uji t Hasil Analisis Regresi table 4.12 Coefficients a Unstandardized Coefficients Standardize d Coefficients Collinearity Statistics Model B Std. Error Beta t Sig. Tolerance VIF Constant .525 .259 2.026 .053 ROA -.064 .019 -.547 -3.320 .003 .799 1.252 NPM .015 .011 .291 1.457 .157 .546 1.833 DER -.017 .009 -.364 -1.875 .072 .576 1.736 1 PBV .195 .084 .367 2.324 .028 .873 1.145 a. Dependent Variable: RETURN_SAHAM a. Pengaruh secara parsial antara ROA terhadap return saham Dari perhitungan didapat t hitung -3,320 lebih kecil dari t tabel -2,056, maka Ho diterima atau Ha ditolak pada level of significant 10. Sehingga secara parsial variabel ROA berpengaruh signifikan negatif terhadap return saham. Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. b. Pengaruh secara parsial antara NPM terhadap return saham Dari perhitungan didapat t hitung 1,457 lebih kecil dari t tabel 2,056, maka Ho diterima atau Ha ditolak pada level of significant 10. Sehingga secara parsial variabel NPM berpengaruh signifikan positif terhadap return saham. c. Pengaruh secara parsial antara DER terhadap return saham Dari perhitungan didapat t hitung -1,875 lebih kecil dari t tabel -2,056, maka Ho diterima atau Ha ditolak pada level of significant 10. Sehingga secara parsial variabel DER berpengaruh signifikan negatif terhadap return saham. d. Pengaruh secara parsial antara PBV terhadap return saham Dari perhitungan didapat t hitung 2,324 lebih besar dari t tabel 2,056, maka Ho tolak atau Ha diterima pada level of significant 10. Sehingga secara parsial variabel PBV berpengaruh signifikan negatif terhadap return saham.

4.4. Pembahasan