i
3.4 Metode Pengumpulan Data
Metode pengumpulan data yang digunakan dalam penelitian ini adalah dokumentasi, yaitu peneliti melakukan pengumpulan data sekunder atau data yang
diperoleh secara tidak langsung atau melalui media perantara yaitu internet melalui situs Bursa Efek Indonesia dengan melihat laporan keuangan yang
diterbitkan setiap tahunnya baik dalam media cetak maupun data yang diunduh dari internet melalui www.idx.co.id.
3.5 Variabel Penelitian dan Definisi Operasional Variabel 3.5.1 Variabel penelitian
3.5.1.1. Variabel bebas independent variable
“Variabel independen yaitu variabel yang mempengaruhi atau yang menjadi sebab perubahannya atau timbulnya variabel dependen”
Sugiyono, 2008:59. Adapun variabel independen yang digunakan dalam penelitian ini adalah sebagai berikut :
a. Return On Asset X
1
yaitu rasio yang mengukur tingkat pengembalian investasi yang telah dilakukan perusahaan
dengan menggunakan seluruh dana aset yang dimilikinya. dapat diukur dengan rumus sebagai berikut:
������ �� ����� = Laba Bersih
Total Asset b.
Debt to Equity Ratio X
2
merupakan rasio yang digunakan untuk menilai utang dengan ekuitas. Rasio ini dapat diukur
dengan:
i
���� �� ������ ����� = Total Liabilitas
Total Modal c.
Total Asset Turn Over X
3
merupakan rasio yang menunjukkan perputaran total aset diukur dari volume
penjualan. Rasio ini dapat diukur dengan: ����� ����� �������� =
Penjualan Total Aset
d. Earning Per Share X
4
merupakan laba yang diperoleh perusahaan per lembar saham. Rasio ini dapat diukur dengan:
������� ��� �ℎ��� = Laba Bersih
Jumlah Saham e.
Price Earning Ratio X
5
merupakan rasio yang mengukur perbandingan antara market price per share harga pasar per
lembar saham dengan earning per share laba per lembar saham. Rasio dapat diukur dengan rumus sebagai berikut:
����� ������� ����� = Harga Saham di Pasar
������� ��� ���� x 100
f. Current Ratio X
6
merupakan perbandingan antara total aset lancar dengan kewajiban lancar current assetscurrent
liabilities. Rasio ini dapat diukur dengan rumus:
������� �����
= Aset Lancar
Hutang Lancar X 100
3.5.1.2 Variabel terikat dependent variable
“Variabel dependen adalah variabel yang dipengaruhi atau menjadi akibat karena adanya variabel bebas “Sugiyono, 2008:59.
i
Dalam penelitian ini, yang menjadi variabel dependen adalah return saham.
3.5.2. Definisi operasional variabel
Operasional variabel penelitian ini dapat dilihat secara lebih lengkap pada tabel di bawah ini :
Tabel 3.2 Definisi Operasional
Nama variabel
Definisi Operasional Parameter Yang Digunakan
Skala
Return Saham
Pengembalian atas investasi yang akan
diterima investor pada masa mendatang
Ri, t = Pi, t
− 1 Pi, t
− Pi, t − 1 x100
Rasio
Return On
Asset Rasio ini menunjukkan
perputaran aset diukur dari volume penjualan
ROA = Penjualan Bersih
Total aset
Rasio Debt to
Equity Rasio yang digunakan
untuk menilai utang dengan ekuitas
DER = Total Liabilitas
Total Modal
Rasio
Total Asset Turn Over
Rasio ini menunjukkan perputaran total aset
diukur dari volume penjualan
TATO = Penjualan
Total Asset
Rasio
Earning Per Share
Rasio yang menunjukkan besarnya
laba yang diperoleh perusahaan per lembar
saham
��� = Laba bersih
Jumlah Saham
Rasio
Price Earning
Ratio rasio yang menunjukkan
perbandingan antara market price per share
harga pasar per lembar
��� = Harga Saham di Pasar
������� ��� ����
Rasio
i
Nama variabel
Definisi Operasional Parameter Yang Digunakan
Skala
saham dengan earnine per share laba per
lembar saham
Current Ratio
Rasio yang menunjukkan
perbandingan antara total aset lancar dengan
kewajiban lancar current assetscurrent
liabilities
�� = Aset lancar
Hutang Lancar X 100
Rasio
Sumber : diolah Penulis, 2014 3.6 Metode Analisis Data
Metode analisis data dalam penelitian ini menggunakan analisis statistik dengan menggunakan software SPSS 20. Tahap awal yang dilakukan sebelum
melakukan pengujian hipotesis yaitu uji asumsi klasik. Pengujian asumsi klasik yang dilakukan terdiri dari uji normalitas, uji multikolinieritas, uji
heteroskedastisitas dan uji autokorelasi. Untuk pengujian hipotesis, dilakukan analisis uji t dan uji F.
3.6.1 Pengujian asumsi klasik
Penggunaan analisis regresi dalam statistik harus bebas dari asumsi asumsi klasik. Adapun pengujian asumsi klasik yang digunakan dalam
penelitian ini adalah, uji normalitas, uji multikolinieritas, uji heteroskedastisitas dan uji autokorelasi.
i
3.6.1.1 Uji Normalitas
“Uji normalitas bertujuan untuk menguji apakah variabel dalam model regresi variabel pengganggu atau residual memiliki distribusi
normal” Ghozali, 2006:110. Model regresi yang baik adalah yang memiliki distribusi data normal atau mendekati normal.Histogram atau
pola distribusi data normal dapat digunakan untuk melihat normalitas data. Uji Kolmogrov Smirnov, dalam uji pedoman yang digunakan
dalam pengambilan keputusan yaitu: a. jika nilai signifikansi 0.05 maka distribusi data tidak
normal, b. jika nilai signifikansi 0.05 maka distribusi data normal.
Menurut Ghozali 2006:112,“pada prinsipnya normalitas data dapat dideteksi dengan melihat penyebaran data titik pada sumbu
diagonal dari grafik atau dengan melihat histogram dari residualnya.” Dasar pengambilan keputusan:
1 jika data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal atau grafik histogramnya menunjukkan
pola distribusi normal, maka model regresi memenuhi asumsi normalitas.
2 jika data menyebar jauh dari diagonal dan atau tidak mengikuti arahgaris diagonal atau grafik histogram tidak
menunjukkan pola distribusi normal, maka model regresi tidak memenuhi asumsi normalitas.
i
3.6.1.2 Uji Multikolinieritas
Uji multikolinearitas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi di antara variabel independen. Model
regresi yang baik seharusnya tidak terjadi korelasi di antara variabel independen.
Erlina dan Mulyani 2007:107, menyatakan “Multikolinearitas merupakan kondisi dimana terjadi korelasi antar variabel-variabel
independen suatu penelitian atau dengan kata lain bersifat ortogonal.” Variabel-variabel independen yang bersifat ortogonal adalah variabel
yang memiliki nilai korelasi di antara sesamanya sama dengan nol. Jika terjadi korelasi sempurna diantara sesama variabel independen, maka
konsekuensinya adalah: a koefisien-koefisien regresi menjadi tidak dapat ditaksir
b nilai standar error setiap koefisien regresi menjadi tak terhingga
Jika terjadi korelasi, maka terdapat masalah multikolinearitas. Pengujian dilakukan dengan nilai VIF Variance Inflation Factor dari
model penelitian. Jika nilai VIF lebih dari 2 maka dapat dikatakan bahwa telah terjadi gejala multikolinearitas dalam model penelitian. Di
samping itu, “suatu model dikatakan terdapat gejala multikolinearitas, jika korelasi di antara variabel independen lebih besar dari 0.9”
Ghozali, 2005:91.
i
Menurut Ghozali 2005:91, cara yang dapat dilakukan jika terjadi multikolinearitas yaitu:
1. Mengeluarkan salah satu atau lebih variabel independen yang mempunyai korelasi tinggi dari model regresi dan
indentifikasi variabel independen lainnya untuk membantu prediksi
2. Menggabungkan data cross section dan time series pooling data
3. Menambah data penelitian.
3.6.1.3 Uji Heteroskedastisitas
Menurut Situmorang et al. 2009:63, “Heteroskedastisitas dapat dikatakan sebagai suatu situasi dimana dalam sebuah grup terdapat
varians yang tidak sama diantara sesama anggota grup tersebut.” Uji heteroskedastisitas digunakan untuk menguji apakah dalam suatu model
regresi terjadi ketidaksamaan varians dari residual satu pengamatan ke pengamatan yang lain. Jika varians dari residual di antara pengamatan
tersebut tetap, maka disebut homokedastisitas. Cara yang digunakan untuk mendeteksi ada tidaknya heteroskedastisitas pada suatu model
dapat dilihat dari pola gambar Scatterplot model tersebut. Analisis pada gambar Scatterplot yang menyatakan model regresi linier berganda
tidak terdapat heteroskedastisitas jika:
1. Titik-titik data menyebar di atas dan di bawah atau di sekitar angka 0
i
2. Titik-titik data tidak mengumpul hanya di atas atau di bawah saja
3. Penyebaran titik-titik data tidak boleh membentuk pola bergelombang melebar kemudian menyempit dan melebar
kembali 4. Penyebaran titik-titik data sebaiknya tidak berpola.
Menurut Situmorang, et.al. 2009:76, ada dua cara perbaikan heteroskedastisitas, yaitu :
1. Bila varians �2� diketahui, maka metode yang digunakan
adalah dengan cara kuadrat terkecil tertimbang yang meminimumkan pentingnya observasi yang penting dengan
memberikan bobot pada observasi tadi secara proporsional dengan kebalikan dari variansnya.
2. Bila varians �2� tidak diketahui, dimana pengetahuan
mengenai �2� biasanya merupakan hal yang jarang dimiliki.
Sebagai akibatnya, orang biasanya membuat suatu asumsi yang masuk akal mentransformasikan data atau membuat
gangguan disturbance data yang telah ditransformasikan bersifat homokesdastisitas. Misal model persamaannya:
Y = b0 + b1x1 + b2x2, ditransformasikan menjadi:
LogY = b0 + b1logx1 + b2logx2.
i
3.6.1.4 Uji Autokorelasi
“Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi linier ada korelasi antara kesalahan pengganggu pada periode t
dengan kesalahan pada periode t-1 sebelumnya” Ghozali, 2006:95. Autokorelasi muncul karena observasi yang berurutan sepanjang tahun
yang berkaitan satu dengan yang lainnya. Hal ini sering ditemukan dalam time series. Ada beberapa cara untuk menguji adanya
autokorelasi seperti metode grafik, uji LM, Uji Runs dan lain-lain. Uji Durbin-Watson hanya digunakan untuk autokorelasi tingkat satu first
autocorelation dan mensyaratkan adanya intercept konstanta dalam model regresi dan tidak ada variabel lagi diantara variabel dependen.
Kriteria untuk penilaian terjadinya autokorelasi yaitu:
Tabel 3.3 Pengambilan Keputusan Uji Durbin-Watson DW-Test
Sumber : Siagian, 2011 Menurut Situmorang et al.2009:78, Autokorelasi dapat di
definisikan sebagai suatu keadaan dimana adanya korelasi diantara anggota serangkaian observasi yang diurutkan menurut waktu time
Hipotesis Nol Keputusan
Jika Tidak ada autokorelasi positif
Tolak 0 d dl
Tidak ada autokorelasi poitif No decision
dl d du Tidak ada korelasi negatif
Tolak 4 - dl d 4
Tidak ada korelasi negatif No Decision
4 - du d 4 – dl Tidak ada autokorelasi positif
Tidak ditolak du d 4 – du
atau negatif
i
series atau ruang crosssection. Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lain. Masalah ini
timbul dikarenakan residual atau kesalahan pengganggu tidak bebas dari satu observasi ke observasi lainnya. Model regresi yang baik
adalah regresi yang bebas dari autokorelasi. Pada penelitian ini, uji autokorelasi dideteksi dengan uji Durbin-
Watson, karena uji ini yang umum digunakan. Uji ini hanya digunakan untuk autokorelasi tingkat pertama first order autokorelasi dan
mensyaratkan adanya intercept konstanta dalam model regresi.
3.7 Pengujian Hipotesis Penelitian
Pengujian hipotesis dalam penelitian ini dilakukan dengan analisis regresi berganda, uji sgnifikansi t-test serta uji signifikansi f-test. Menurut Rochaety, dkk
2007:107 “ …dengan uji hipotesis kita memusatkan perhatian pada peluang kita membuat keputusan yang salah. Hipotesis diterima atau ditolak berdasarkan
informasi yang terkandung dalam sampel tetapi menggambarkan keadaan populasi.”
3.7.1 Analisis regresi berganda
Menurut Rochaety, dkk 2007:142 “regresi berganda bertujuan untuk menghitung besarnya pengaruh dua atau lebih variabel bebas terhadap satu
variabel terikat dan memprediksi variabel terikat dengan menggunakan dua atau lebih variabel bebas.” Model persamaannya adalah sebagai berikut:
Y= a + b
1
X
1
+ b
2
X
2
+ b
3
X
3
+ ... + b
6
X
6
+ e
i
Keterangan: Y = variabel dependen yaitu return saham.
a = interceptkoefisien yang menyatakan perubahan rata-rata variabel dependen untuk setiap variabel independen sebesar satu atau yang
disebut konstanta. b
1
, b
2
, b
3,
b
4
, b
5
, b
6
= angka arah atau koefisien regresi yang menunjukkan angka peningkatan ataupun penurunan variabel dependen yang
didasarkan pada variabel independen. Bila b + maka terjadi kenaikan pada variabel dependen dan bila b - maka akan terjadi penurunan pada
variabel. X
1
= Return on Asset X
2
= Debt to Equity Ratio X
3
= Total Asset Turn Over X
4
= Earning Per Share X
5
= Price Earning Ratio X
6
= Current Ratio e = error
3.7.2 Uji signifikansi parsial t-test
Menurut Ghozali 2006:84 “uji statistik t pada dasarnya menunjukkan seberapa jauh pengaruh satu variabel penjelasindependen secara individual
dalam menerangkan variabel dependen.” Uji t merupakan suatu cara untuk mengukur apakah suatu variabel independen bukan merupakan penjelas yang
signifikan terhadap variabel dependen. Dalam pengujian ini dilakukan dengan
i
menghitung serta melihat nilai signifikansinya. Uji t mempunyai ketentuan sebagai berikut:
Ho diterima jika signifikansi 0.05 Ha diterima jika signifikansi 0.05
3.7.3 Uji signifikasi simultan F-test
Uji F digunakan untuk menunjukkan apakah semua variabel independen yang dimasukkan dalam model memiliki pengaruh secara bersama-sama
terhadap variabel dependen. Uji ini digunakan untuk melihat pengaruh variabel independen yaitu Return On Asset, Debt to Equity Ratio, Total Asset
Turn Over, Earning Per Share, Price Earning Ratio, dan Current Ratio berpengaruh terhadap return saham secara simultan. Bentuk pengujiannya
adalah: Ho : b1 = 0, artinya suatu variabel independen secara simultan tidak
berpengaruh terhadap variabel dependen. Ha : b1
≠ 0, artinya suatu variabel independen secara simultan berpengaruh terhadap variabel dependen.
Kriteria pengambilan keputusan: Ho diterima jika signifikansi 0.05
Ha diterima jika signifikansi 0.05
i
BAB IV HASIL PENELITIAN DAN PEMBAHASAN
4.1 Data Penelitian
Populasi yang diteliti dalam penelitian ini adalah perusahaan otomotif yang terdaftar di Bursa Efek Indonesia BEI selama tahun 2010-2013. Perusahaan
yang dijadikan sampel berjumlah 12 perusahaan, sehingga data penelitian secara keseluruhan berjumlah 48 12 x 4 sampel. Daftar perusahaan yang telah
ditentukan dapat dilihat pada lampiran.
4.2 Analisis Hasil Penelitian 4.2.1 Statistik deskriptif
Statistik deskriptif dalam penelitian ini hanya mendeskripsikan sampel dan tidak membuat kesimpulan yang berlaku untuk populasi dimana sampel
diambil. Menurut Ghozali 2006:78, “statistik deskriptif memberikan gambaran atau deskripsi suatu data yang dapat dilihat dari rata-rata mean,
standar deviasi, varian, maksimum, minimum, sum, range dan kemencengan distribusi.”
Peneliti menggunakan metode statistik deskriptif dalam penelitian ini yaitu penelitian yang dilakukan untuk memperoleh gambaran yang
sebenarnya tentang kondisi perusahaan yang dianalisis. Statistik deskriptif memberikan penjelasan mengenai nilai minimum, nilai maksimum, nilai rata-
rata mean, nilai standar deviasi, variabel independen, dan variabel dependen. Statistik deskriptif akan dijelaskan dalam tabel berikut ini:
i
Tabel 4.1 Descriptive Statistics
Descriptive Statistics
N Minimum
Maximum Mean
Std. Deviation RETURNSAHAM
48 1.50
784.00 79.6208
154.40530 ROA
48 .07
21.93 8.8794
5.41093 DER
48 13.91
1438.30 164.6040
236.99784 TATO
48 39.00
326.00 118.9633
73.18383 EPS
48 .52
1896.00 439.5442
481.80442 PER
48 1.19
211.30 21.4714
36.01371 CR
48 73.70
385.60 165.0879
63.33911 Valid N listwise
48
Sumber : Output SPSS, diolah Penulis, 2014 Berdasarkan data dari tabel 4.1 dapat dijelaskan bahwa :
a. Variabel Return On Asset X
1
memiliki sampel N sebanyak 48 dengan nilai minimum terkecil 0.07, nilai maksimum terbesar
21.93 dan mean nilai rata-rata 8.8794. Standar Deviasi simpangan baku variabel ini adalah 5.41093.
b. Variabel Debt to Equity Ratio X
2
memiliki sampel N sebanyak 48 dengan nilai minimum terkecil 13.91, nilai maksimum terbesar
1438.30 dan mean nilai rata-rata 164.6040. Standar Deviasi simpangan baku variabel ini adalah 236.99784.
c. Variabel Total Asset Turn Over X
3
memiliki sampel N sebanyak 48 sampel dengan nilai minimum terkecil 39.00, nilai maksimum
terbesar 326.00 dan mean nilai rata-rata 118.9633. Standar Deviasi simpangan baku variabel ini adalah 73.18383.
d. Variabel Earning Per Share X
4
memiliki sampel N sebanyak 48 sampel dengan nilai minimum terkecil 0.52, nilai maksimum
i
terbesar 1896.00 dan mean nilai rata-rata 439.5442. Standar Deviasi simpangan baku variabel ini adalah 481.80442.
e. Variabel Price Earning Ratio X
5
memiliki sampel N sebanyak 48 sampel dengan nilai minimum terkecil 1.19, nilai maksimum
terbesar 211.30 dan mean nilai rata-rata 21.4714. Standar Deviasi simpangan baku variabel ini adalah 36.01371.
f. Variabel Current Ratio X
6
memiliki sampel N sebanyak 48 sampel dengan nilai minimum terkecil 73.70, nilai maksimum
terbesar 385.60 dan mean nilai rata-rata 165.0879. Standar Deviasi simpangan baku variabel ini adalah 63.33911.
g. Variabel Return Saham Y memiliki sampel N sebanyak 48
dengan nilai minimum terkecil 1.50, nilai maksimum terbesar 784.00 dan mean nilai rata-rata 79.6208. Standar Deviasi
simpangan baku variabel ini adalah 154.40530. h.
Jumlah sampel yang ada sebanyak 48 sampel.
4.2.2 Uji asumsi klasik
Syarat yang menjadi dasar penggunaan model regresi berganda dengan metode estimasi Ordinary Least Square OLS adalah dipenuhinya semua
asumsi klasik, agar hasil pengujian bersifat tidak bias dan efisien Best Linear Unbiased Estimator. Best artinya yang terbaik, dalam arti garis regresi
merupakan estimasi atau ramalan yang baik dari suatu sebaran data. Garis regresi merupakan cara memahami pola hubungan antara dua seri data atau
lebih. Garis regresi adalah best jika garis itu menghasilkan error yang
i
terkecil. Error itu sendiri adalah perbedaan antara nilai observasi dan nilai yang diramalkan oleh garis regresi. Jika best disertai sifat unbiased, maka
estimator regresi disebut efisien. Estimator regresi akan disebut linear apabila, estimator itu merupakan fungsi linear dari sampel. Pengujian asumsi
klasik dalam penelitian ini dilakukan dengan bantuan program statistik. Menurut Ghozali 2006:123, asumsi klasik yang harus dipenuhi adalah:
• Berdistribusi normal. •
Non-Multikolinearitas, artinya antara variabel independen dalam model regresi tidak memiliki korelasi atau hubungan secara
sempurna ataupun mendekati sempurna.
• Non-Autokorelasi, artinya kesalahan pengganggu dalam model
regresi tidaksaling berkorelasi. •
Non-Heterokedastisitas, artinya variance variabel independen dari satu pengamatan ke pengamatan lain adalah konstan atau sama.
4.2.2.1 Uji Normalitas
Pengujian ini dilakukan untuk mengetahui apakah variabel penggangu atau residual terdistribusi secara normal. Uji normalitas
dapat dilakukan dengan dua cara yaitu dengan analisis grafik dan analisis statistik.
Analisis grafik digunakan dengan dua cara yaitu grafik histogram dan grafik P-P Plot. Data yang terdistribusi secara normal
adalah data yang terdistribusi dengan garis titik-titik berbentuk lonceng pada grafik histogramnya, titik tersebut tidak mengarah ke kiri atau ke
kanan. Pada grafik P-P Plot, data akan menyebar disekitar garis diagonal dan mengikuti arah garis diagonal apabila data tersebut
terdistribusi secara normal. Berikut hasil uji normalitas dengan menggunakan grafik.
i
Gambar 4.1 Uji Normalitas Data
Sumber : Output SPSS, diolah Penulis, 2014
Gambar 4.2 Uji Normalitas Data
Sumber : Output SPSS, diolah Penulis, 2014
i
Berdasarkan tampilan grafik histogram pada gambar 4.1 dapat terlihat bahwa gambarnya berbentuk lonceng dan melenceng ke kiri dan
grafik P-P Plots pada gambar 4.2 dapat terlihat bahwa titik-titik menyebar menjauhi arah garis diagonal. Hasil ini menunjukkan bahwa
data tidak dapat dikatakan terdistribusi secara normal. Cara agar data terdistribusi secara normal adalah dengan melakukan regresi dengan
persamaan semilog yaitu variabel dependen dalam bentuk logaritma natural dan variabel independen dalam bentuk aslinya atau tidak
berubah. Berikut adalah hasil yang diperoleh setelah melakukan persamaan semilog.
Gambar 4.3 Uji Normalitas Data
Sumber : Output SPSS, diolah Penulis, 2014
i
Gambar 4.4 Uji Normalitas Data
Sumber : Output SPSS, diolah Penulis, 2014 Berdasarkan tampilan grafik histogram pada gambar 4.3 dapat
terlihat bahwa gambarnya berbentuk lonceng dan grafik P-P Plots pada gambar 4.4 dapat terlihat bahwa titik-titik menyebar mengikuti arah
garis diagonal. Hasil ini menunjukkan bahwa data dapat dikatakan terdistribusi secara normal.
Data belum dapat dikatakan terdistribusi secara normal apabila hanya dilakukan uji normalitas dengan melihat grafik histogram,
maupun grafik P-P Plot, oleh karena itu perlu diadakannya uji statistik, untuk meyakinkan data terdistribusi secara normal. Maka dilakukan uji
statistik dengan Kolmogorov-Smirnov K-S. Data dikatakan terdistribusi secara normal apabila nilai signifikansinya lebih besar dari
0,05. Berikut hasil uji K-S dengan menggunakan data semilog.
i
Tabel 4.2 Hasil Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 48
Normal Parameters
a,b
Mean 0E-7
Std. Deviation 1.33601489
Most Extreme Differences Absolute
.110 Positive
.066 Negative
-.110 Kolmogorov-Smirnov Z
.762 Asymp. Sig. 2-tailed
.607 a. Test distribution is Normal.
b. Calculated from data.
Sumber: Output SPSS, diolah penulis, 2014 Dari tabel 4.2 di atas menunjukkan bahwa hasil pengujian
statistik dengan menggunakan model Kolmogorov-Smirnov
menunjukkan bahwa data telah terdistribusi secara normal. Hal tersebut dapat dilihat dari hasil Asymp. Sig. 2-tailed sebesar 0.607 yaitu lebih
besar dari 0.05. Sesuai dengan ketentuan rentang data yang telah ditentukan di atas, maka data terdistribusi normal.
4.2.2.2 Uji Multikolinieritas
Ada atau tidaknya multikolinieritas dalam model regresi, dapat dilihat dari nilai tolerance dan lawannya.nilai Variance Inflatin Factor
VIF. Kedua ukuran ini menunjukkan setiap variabel independen
manakah yang dijelaskan oleh variabel independen lainnya. Tolerance mengukur variabilitas variabel independen yang
terpilih yang tidak dijelaskan oleh variabel independen lainnya.
i
Jadi, nilai Tolerance yang rendah sama dengan nilai VIF yang tinggi karenaVIF =1tolerance. Nilai cut off yang umum
dipakai untuk menunjukkan adanya mutikolineritas adalah nilai Tolerance 0,10 atau sama dengan VIF 10 Ghozali, 2006:
91.
Tabel 4.3 Hasil Uji Multikolinearitas
Coefficients
Coefficients
a
Model Collinearity Statistics
Tolerance VIF
LN_ROA .496
2.018 LN_DER
.440 2.272
LN_TATO .847
1.181 LN_EPS
.494 2.026
LN_PER .562
1.779 LN_CR
.456 2.195
a. Dependent Variable: LN_RETURNSAHAM
Sumber : Output SPSS, diolah penulis, 2014 Pada penelitian ini, penulis menggunakan uji multikoliniearitas
untuk mendeteksi apakah terdapat gejala multikolinearitas dalam penelitian yaitu dengan melihat besaran korelasi antar variabel
independen dan besarnya tingkat kolinearitas yang masih dapat ditoleransi. Berdasarkan tabel 4.3 di atas, dapat disimpulkan bahwa
penelitian ini bebas dari adanya multikolinearitas. Hasil penelitian
i
menunjukkan bahwa masing–masing variabel independen yang digunakan dalam penelitian, memiliki nilai Tolerance yang lebih besar
dari 0.10 yaitu nilai tolerance ROA sebesar 0.496, nilai tolerance DER sebesar 0.440, nilai tolerance TATO sebesar 0.847, nilai tolerance EPS
sebesar 0.494, nilai tolerance PER sebesar 0.562, nilai tolerance CR sebesar 0.456. Perhitungan VIF juga menunjukkan hal yang sama, yaitu
variabel independen memiliki nilai VIF yang kurang dari 10 yaitu nilai VIF untuk ROA sebesar 2.018, nilai VIF untuk DER sebesar 2.272,
nilai VIF untuk TATO sebesar 1.181, nilai VIF untuk EPS sebesar 2.026, nilai VIF untuk PER sebesar 1.779, nilai VIF untuk CR sebesar
2.195. Maka dari hasil tabel secara keseluruhan menunjukkan bahwa tidak terdapatnya multikolinearitas antar variabel independen dalam
model ini.
4.2.2.3 Uji Heterokedatisitas
Uji heteroskedastisitas bertujuan untuk melihat apakah dalam model regresi terdapat ketidaksamaan varians dari residual satu
pengamatan ke pengamatan lainnya. Jika varians yang satu dengan pengamatan yang lain tetap maka disebut homokedastisitas dan jika
variansnya berbeda maka disebut heteroskedastisitas. Ghozali 2006:105 menyatakan bahwa “model regresi yang baik adalah tidak
terjadi heteroskedastisitas.”
Dalam penelitian ini, untuk mendeteksi ada atau tidaknya gejala heterokedastisitas adalah dengan melihat grafik plot yang dihasilkan
i
dari pengolahan data dengan menggunakan program SPSS. Dasar keputusannya adalah:
1. Jika ada pola tertentu, seperti titik-titik yang membentuk pola
tertentu yang teratur bergelombang, melebar kemudian menyempit, maka mengidentifikasi telah terjadi
heterokedastisitas. 2. Jika tidak ada pola yang jelas, seperti titik-titik menyebar di
atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heterokedastisitas
Berikut ini dilampirkan grafik Scatterplot untuk menganalis apakah terjadi heterokedastisitas.
Gambar 4.5 Uji Heteroskedastisitas
Sumber : Output SPSS, diolah Penulis, 2014 Grafik Scatterplot terlihat bahwa titik-titik menyebar secara
acak serta tersebar baik di atas maupun di bawah angka 0 pada sumbu
i
Y, sehingga dapat disimpulkan bahwa tidak terjadi heterokedastisitas pada model regresi. Alasan mengapa titik–titik menyebar menjauh dari
titik–titik yang lain dikarenakan data penelitian yang berbeda antara data yang satu dengan data yang lain.
4.2.2.4 Uji Autokorelasi
Uji autokorelasi digunakan untuk mengetahui ada atau tidaknya penyimpangan asumsi klasik autokorelasi yaitu korelasi yang terjadi
antara residual pada satu observasi dengan observasi lain pada model regresi.
Uji yang digunakan untuk mendeteksi ada atau tidaknya autokorelasi dalam penelitian ini adalah dengan menggunakan uji
Durbin-Watson. Uji
Durbin-Watson hanya digunakan untuk
autokorelasi tingkat satu first autocorection dan mensyaratkan adanya intercept konstanta dalam model regresi dan tidak ada variabel lagi di
antara variabel dependen. Kriteria untuk penilaian terjadinya autokorelasi yaitu:
Tabel 4.4 Pengambilan Keputusan Uji Durbin-Watson DW-Test
Sumber : Siagian, 2011 Hipotesis Nol
Keputusan Jika
Tidak ada autokorelasi positif Tolak
0 d dl Tidak ada autokorelasi poitif
No decision dl d du
Tidak ada korelasi negatif Tolak
4 - dl d 4 Tidak ada korelasi negatif
No Decision 4 - du d 4 – dl
Tidak ada autokorelasi positif Tidak ditolak
du d 4 – du atau negatif
i
Berikut adalah hasil uji korelasi:
Tabel 4.5 Hasil Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R Square
Std. Error of the Estimate
Durbin-Watson
1 .374
a
.140 .014
1.43044 2.030
a. Predictors: Constant, LN_CR, LN_TATO, LN_PER, LN_ROA, LN_EPS, LN_DER b. Dependent Variable: LN_RETURNSAHAM
Sumber : Output SPSS, diolah penulis, 2014 Hasil pengujian pada tabel 4.5 menunjukkan bahwa nilai Durbin-Watson
adalah 2.030. Nilai ini akan kemudian diuji berdasarkan ketentuan ada tidaknya gejala autokorelasi, yakni jika nilai Durbin-Watson D-W ada pada batas du
atas dan 4-du du D-W 4-du, model regresi tidak mengalami gejala autokorelasi. Nilai signifikansi yang digunakan adalah 5 dengan jumlah sampel
48 N = 48 dan jumlah variabel independen sebanyak tiga k = 6, maka dari tabel data statistik Durbin-Watson diperoleh nilai batas bawah dl sebesar 1.31
dan nilai batas atas du sebesar 1.72. Nilai D-W 2.030 berada di antara du 1.31 dan 4-du 2.28 atau 1.31 2.030 2.28. Dengan demikian dapat
disimpulkan bahwa model regresi tidak mengalami gejala autokorelasi, sehingga pengujian dapat dilanjutkan.
i
4.2.3 Analisis regresi
4.2.3.1 Analisis Regresi Berganda
Berdasarkan hasil uji asumsi klasik, disimpulkan bahwa model regresi yang dipakai dalam penelitian ini telah memenuhi model
estimasi yang Best Linear Unbiased Estimstor BLUE dan sudah layak untuk dilakukan analisis statistik selanjutnya yaitu melakukan
pengujian hipotesis. Hasil pengolahan data dengan analisis regresi adalah sebagai berikut:
Tabel 4.6 Hasil Analisis Regresi
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error
Beta Constant
-1.639 6.087
-.269 .789
LN_ROA .189
.271 .143
.697 .490
LN_DER .509
.339 .327
1.498 .142
LN_TATO -.201
.412 -.077
-.489 .627
LN_EPS -.215
.181 -.245
-1.190 .241
LN_PER -.520
.298 -.337
-1.745 .088
LN_CR 1.137
.855 .285
1.330 .191
a. Dependent Variable: LN_RETURNSAHAM
Sumber : Output SPSS, diolah penulis, 2014
i
Berdasarkan tabel 4.6 di atas, maka persamaan regresi linear berganda sebagai berikut :
Y =
a + b1X1 + b2X2 + b3X3 + b4X4 + b5X5 + b6X6 + e Return Saham = -1.639 + 0.189 ROA + 0.509 DER + -0.201 TATO +
-0.215 EPS + -0.520 PER + 1.137 CR + e
Keterangan: 1
Konstansta sebesar -1.639 menunjukkan bahwa apabila tidak ada variabel independen X1 = 0, X2 = 0 dan seterusnya
maka Return Saham sebesar -1.639. 2
β
1
sebesar 0.189 menunjukkan bahwa setiap kenaikan Return On Asset sebesar 1 maka akan diikuti oleh kenaikan Return
Saham sebesar 0.189 dengan asumsi variabel lain tetap. 3
β
2
sebesar 0.509 menunjukkan bahwa setiap kenaikan Debt to Equity Ratio sebesar 1 maka akan diikuti oleh kenaikan
Return Saham sebesar 0.509 dengan asumsi variabel lain tetap.
4 β
3
sebesar -0.201 menunjukkan bahwa setiap kenaikan Total Asset Turnover sebesar 1 maka akan diikuti oleh penurunan
Return Saham sebesar 0.201 dengan asumsi variabel lain tetap.
5 Β
4
sebesar -0.215 menunjukkan bahwa setiap kenaikan Earning Per Share sebesar 1 maka akan diikuti oleh
i
penurunan Return Saham sebesar 0.215 dengan asumsi variabel lain tetap.
6 Β
5
sebesar -0.520 menunjukkan bahwa setiap kenaikan Price Earning Ratio sebesar 1 maka akan diikuti oleh penurunan
Return Saham sebesar 0.10 dengan asumsi variabel lain tetap. 7
Β
6
sebesar 1.137 menunjukkan bahwa setiap kenaikan Current Ratio sebesar 1 maka akan diikuti oleh penurunan
Return Asset sebesar 1.137 dengan asumsi variabel lain tetap.
4.2.4 Pengujian Hipotesis 4.2.4.1
Uji Signifikansi Parsial
Uji t bertujuan untuk menguji apakah suatu variabel bebas independen berpengaruh atau tidak terhadap variabel terikat
dependen secara parsial. Uji t menggunakan hipotesis seperti yang dijelaskan berikut ini:
Ho: b1,b2,b3 = 0, artinya Return On Asset, Debt to Equity Ratio,
Total Asset Turn Over, Earning Per Share, Price Earning Ratio, Current Ratio tidak mempunyai pengaruh terhadap return saham secara
parsial pada perusahaan otomotif yang terdaftar di Bursa Efek Indonesia.
Ha: b1,b2,b3 ≠ 0, artinya Return On Asset, Debt to Equity Ratio, Total
Asset Turn Over, Earning Per Share, Price Earning Ratio dan Current Ratio mempunyai pengaruh terhadap Return Saham secara parsial pada
i
perusahaan otomotif yang terdaftar di Bursa Efek Indonesia. Adapun kriteria pengujiannya yaitu:
Ho diterima jika signifikansi 0.05 Ha diterima jika signifikansi 0.05
Tabel 4.7 Hasil Uji - t
Coefficient
a
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error
Beta Constant
-1.639 6.087
-.269 .789
LN_ROA .189
.271 .143
.697 .490
LN_DER .509
.339 .327
1.498 .142
LN_TATO -.201
.412 -.077
-.489 .627
LN_EPS -.215
.181 -.245
-1.190 .241
LN_PER -.520
.298 -.337
-1.745 .088
LN_CR 1.137
.855 .285
1.330 .191
a. Dependent Variable: LN_RETURNSAHAM
Sumber : Output SPSS, diolah penulis, 2014 Tabel 4.6 menunjukkan hasil pengujian statistik uji-t yang
menjelaskan pengaruh variabel independen secara parsial sebagai berikut:
i
1 Pengaruh Return On Asset terhadap Return Saham
Nilai signifikansi sebesar 0.490 menunjukkan bahwa nilai Sig. untuk uji t secara parsial lebih besar dari 0.05 sehingga
Ha diterima dan Ho ditolak. Hasil penelitian ini sesuai dengan hasil pengujian statistik yang melihat nilai
signifikansi yaitu bahwa Return On Asset secara parsial tidak berpengaruh signifikan terhadap tingkat Return Saham pada
tingkat kepercayaan 95. 2
Pengaruh Debt to Equity Ratio terhadap Return Saham Nilai signifikansi sebesar 0.142 menunjukkan bahwa nilai
Sig. untuk uji t secara parsial lebih besar dari 0.05 sehingga Ho diterima dan Ha ditolak. Hasil penelitian ini sesuai
dengan hasil pengujian statistik yang melihat nilai signifikansi yaitu bahwa Debt to Equity Ratio secara parsial
tidak berpengaruh signifikan terhadap tingkat Return Saham pada tingkat kepercayaan 95.
3 Pengaruh total asset turnover terhadap Return Saham
Nilai signifikansi sebesar 0.627 menunjukkan bahwa nilai Sig. untuk uji t secara parsial lebih besar dari 0.05 sehingga
Ho diterima dan Ha ditolak. Hasil penelitian ini sesuai dengan hasil pengujian statistik yang melihat nilai
signifikansi yaitu bahwa total asset turnover secara parsial
i
tidak berpengaruh signifikan terhadap tingkat Return Saham pada tingkat kepercayaan 95.
4 Pengaruh Earning Per Share terhadap Return Saham
Nilai signifikansi sebesar 0.241 menunjukkan bahwa nilai Sig. untuk uji t secara parsial lebih besar dari 0.05 sehingga
Ho diterima dan Ha ditolak. Hasil penelitian ini sesuai dengan hasil pengujian statistik yang melihat nilai
signifikansi yaitu bahwa Earning Per Share secara parsial tidak berpengaruh signifikan terhadap tingkat profitabilitas
pada tingkat kepercayaan 95. 5
Pengaruh Price Earning Ratio terhadap Return Saham Nilai signifikansi sebesar 0.088 menunjukkan bahwa nilai
Sig. untuk uji t secara parsial lebih besar dari 0.05 sehingga Ho diterima dan Ha ditolak. Hasil penelitian ini sesuai
dengan hasil pengujian statistik yang melihat nilai signifikansi yaitu bahwa Price Earning Ratio secara parsial
tidak berpengaruh signifikan terhadap tingkat profitabilitas pada tingkat kepercayaan 95.
6 Pengaruh Current Ratio terhadap Return Saham
Nilai signifikansi sebesar 0.191 menunjukkan bahwa nilai Sig. untuk uji t secara parsial lebih besar dari 0.05 sehingga
Ho diterima dan Ha ditolak. Hasil penelitian ini sesuai dengan hasil pengujian statistik yang melihat nilai
i
signifikansi yaitu bahwa Current Ratio secara parsial tidak berpengaruh signifikan terhadap tingkat profitabilitas pada
tingkat kepercayaan 95.
4.2.4.2 Uji Signifikansi Simultan
Uji F dilakukan untuk mengetahui apakah variabel independen secara bersama-sama simultan mempunyai pengaruh terhadap variabel
dependen. Pembuktian dilakukan dengan cara melihat nilai signifikansi dalam uji F, pada uji F digunakan hipotesis yang disebutkan di bawah
ini: H0: b1,b2,b3 = 0, artinya Return On Asset, Debt to Equity Ratio, Total
Asset Turn Over, Earning Per Share, Price Earning Ratio dan Current Ratio tidak mempunyai pengaruh terhadap Return Saham secara
simultan pada perusahaan otomotif yang terdaftar di Bursa Efek Indonesia.
Ha: b1,b2,b3 ≠ 0, artinya Return On Asset, Debt to Equity Ratio, Total
Asset Turn Over, Earning Per Share, Price Earning Ratio dan Current Ratio mempunyai pengaruh terhadap Return Saham secara parsial pada
perusahaan otomotif yang terdaftar di Bursa Efek Indonesia. Kriteria pengujiannya yaitu:
Ho diterima jika signifikansi 0.05 Ha diterima jika signifikansi 0.05
i
Tabel 4.8 Hasil Uji F
ANOVA
a
Model Sum of Squares
df Mean Square
F Sig.
Regression 13.649
6 2.275
1.112 .372
b
Residual 83.892
41 2.046
Total 97.541
47 a. Dependent Variable: LN_RETURNSAHAM
b. Predictors: Constant, LN_CR, LN_TATO, LN_PER, LN_ROA, LN_EPS, LN_DER
Sumber : Output SPSS, diolah Penulis, 2014 Hasil uji F yang ditampilkan dalam tabel 4.7 menunjukkan
bahwa nilai tingkat signifikansi 0.372 yang lebih besar dari 0.05. Hal ini menunjukkan bahwa Ho diterima dan Ha ditolak, artinya variabel
bebas yaitu Return On Asset, Debt to Equity Ratio, Total Asset Turn Over, Earning Per Share, Price Earning Ratio dan Current Ratio tidak
mempunyai pengaruh signifikan terhadap Return Saham secara simultan pada perusahaan otomotif yang terdaftar di Bursa Efek
Indonesia.
i
BAB V KESIMPULAN DAN SARAN
5.1 Kesimpulan
Penelitian ini bertujuan untuk mengetahui pengaruh Return On Asset ROA, Debt to Equity Ratio DER, Total Asset Turn Over TATO, Earning Per Share
EPS, Price Earning Ratio PER, dan Current Ratio CR baik secara parsial maupun simultan terhadap Return Saham pada perusahaan otomotif yang terdaftar
di Bursa Efek Indonesia. Dalam penelitian ini, variabel independen yang digunakan adalah Return On Asset ROA, Debt to Equity Ratio DER, Total
Asset Turn Over TATO, Earning Per Share EPS, Price Earning Ratio PER, dan Current Ratio CR sedangkan variabel dependen yang digunakan di
penelitian ini adalah Return Saham. Penelitian ini menggunakan sampel dari 12 emiten perusahaan otomotif yang listing selama periode 2010–2013.
Berdasarkan hasil penelitian yang diuraikan pada bab sebelumnya, maka kesimpulan yang dapat diambil dari penelitian adalah sebagai berikut:
1. Sesuai dengan hasil uji F yang ditampilkan dalam tabel 4.7 diketahui
bahwa nilai tingkat signifikansi 0.372 0.05. Hal ini menunjukkan bahwa Ho diterima dan Ha ditolak, artinya secara simultan bersama-sama
variabel ROA, DER, TATO, EPS, PER, dan CR tidak berpengaruh signifikan terhadap return saham yang berarti setiap perubahan yang
terjadi pada variabel independen yaitu ROA, DER, TATO, EPS, PER, dan CR secara simultan atau bersama-sama tidak akan berpengaruh pada
i
return saham pada perusahaan otomotif yang terdaftar di Bursa Efek Indonesia BEI periode 2010-2013.
2. Secara parsial variabel ROA, DER, TATO, EPS, PER, dan CR tidak
memiliki pengaruh terhadap Return Saham. Berdasarkan hasil penelitian sebagai berikut:
a. Variabel independen Return On Asset X
1
secara parsial tidak berpengaruh secara signifikan terhadap Return Saham Y. Hal ini
dapat ditunjukkan dari tabel 4.7 bahwa tingkat signifikan 0.490 0.05 artinya setiap kenaikan Return On Asset X
1
tidak diikuti oleh kenaikan Return Saham Y.
b. Variabel independent Debt to Equity Ratio secara parsial tidak
berpengaruh secara signifikan terhadap Return Saham Y. Hal ini dapat ditunjukkan dari tabel 4.7 bahwa tingkat signifikan 0.142
0.05 artinya setiap kenaikan Debt to Equity Ratio X
6
tidak diikuti oleh kenaikan Return Saham Y.
c. Variabel independen Total Asset Turn Over X
3
secara parsial tidak berpengaruh secara signifikan terhadap Return Saham Y. Hal ini
dapat ditunjukkan dari tabel 4.6 bahwa tingkat signifikan 0.627 0.05 artinya setiap kenaikan Total Asset Turn Over X
6
tidak diikuti oleh kenaikan Return Saham Y.
d. Variabel independen Earning Per Share X
4
secara parsial tidak berpengaruh secara signifikan terhadap Return Saham Y. Hal ini
dapat ditunjukkan dari tabel 4.6 bahwa tingkat signifikan 0.241
i
0.05 artinya setiap kenaikan Earning Per Share X
4
tidak diikuti oleh kenaikan Return Saham Y.
e. Variabel independen Price Earning Ratio X
5
secara parsial tidak berpengaruh secara signifikan terhadap Return Saham Y. Hal ini
dapat ditunjukkan dari tabel 4.6 bahwa tingkat signifikan 0.088 0.05 artinya setiap kenaikan Price Earning Ratio X
5
tidak diikuti oleh kenaikan Return Saham Y.
f. Variabel independen Current Ratio X
6
secara parsial tidak berpengaruh secara signifikan terhadap Return Saham Y. Hal ini
dapat ditunjukkan dari tabel 4.6 bahwa tingkat signifikan 0.191 0.05 artinya setiap kenaikan Current Ratio X
6
tidak diikuti oleh kenaikan Return Saham Y.
5.2 Keterbatasan Penelitian