3.3.2 Variabel Terikat Dependen
Sugiyono 2010:61, variabel terikat merupakan variabel yang dipengaruhi atau yang menjadi akibat, karena adanya variabel bebas.
Variabel terikat Y dalam penelitian ini adalah Harga Saham yang dilihat dari harga penutupan closing price pada akhir periode laporan
keuangan tahunan pada perusahaan dalam kelompok JII tahun 2008- 2011. Closing price adalah harga yang terjadi pada saham akibat adanya
permintaan dan penawaran di pasar, yang ditentukan menjelang penutupan perdagangan di bursa setiap harinya, maka harga penutupan
saham tahunan adalah rata-rata harga yang terjadi pada suatu saham pada tahun tertentu.
3.4 Teknik Pengumpulan Data
Teknik pengumpulan data pada penelitian ini menggunakan teknik dokumentasi. Sugiyono 2010:329, bentuk dari teknik
dokumentasi berupa catatan peristiwa yang sudah berlalu, misalnya tulisan, gambar, atau karya-karya monumental dari seseorang.
Data yang dikumpulkan dan digunakan dalam penelitian adalah data EPS, PER, ROA, DER dan MVA terhadap Harga Saham dalam
kelompok JII selama periode 2008-2011.
3.5 Teknik Analisis Data
3.5.1 Analisis Statistik Deskriptif
Sugiyono 2010:207-208, statistik deskriptif merupakan statistik yang digunakan untuk menganalisis data dengan cara mendeskripsikan
atau menggambarkan data yang telah terkumpul sebagaimana adanya tanpa bermaksud membuat kesimpulan yang berlaku untuk umum atau
generalisasi. Statistik deskriptif antara lain adalah penyajian data melalui tabel, grafik, diagram lingkaran, pictogram, perhitungan modus,
persentil, perhitungan penyebaran data melalui perhitungan rata-rata dan standar deviasi, perhitungan persentase.
3.5.2 Uji Asumsi Klasik
Uji asumsi klasik digunakan untuk menganalisis data penelitian sebelum uji hipotesis. Uji asumsi klasik dilakukan untuk mengetahui
apakah model regresi memenuhi kriteria BLUE Best, Linier, Unbiased dan Efficient estimator sehingga perlu dilakukan :
1.
Uji Normalitas
Ghozali 2011:110-113, uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual
memiliki distribusi normal. Ada dua cara untuk mendeteksi apakah residual berdistribusi normal atau tidak, yaitu :
a. Analisis Grafik
Analisis ini dideteksi dengan melihat penyebaran titik pada sumbu diagonal dari grafik atau dengan melihat histogram dari
residualnya. Dasar pengambilan keputusan: 1
Jika data menyebar disekitar 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 arah garis diagonal atau grafik histogram tidak menunjukkan pola distribusi normal, maka model regresi
tidak memenhi asumsi normalitas. Analisis grafik pada uji normalitas penelitian ini adalah
sebagai berikut :
Gambar 3.1 Grafik Normal Plot Harga Saham
Sumber : Hasil output SPSS
Gambar 3.2 Grafik Histogram Harga Saham
Sumber : Hasil output SPSS
Berdasarkan grafik histogram harga saham pada gambar 3.1 dan gambar 3.2, dapat disimpulkan bahwa grafik histogram
memberikan pola distribusi yang normal, sedangkan pada grafik normal plot terlihat titik-titik menyebar disekitar garis diagonal
dan mengikuti arah garis diagonal. Kedua grafik di atas menunjukan bahwa model regresi memenuhi asumsi normalitas.
b. Analisis Statistik
Uji statistik yang dapat digunakan untuk menguji normalitas residual adalah uji statistik non-parametrik Kolmogorov-Smirnov
K-S. Data dikatakan normal jika nilai sig 2-tailed 5.
Analisis statistik pada uji normalitas penelitian ini adalah sebagai berikut :
Tabel 3.2 Hasil Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual N
84 Normal Parameters
a
Mean .0000000
Std. Deviation .38996522
Most Extreme Differences
Absolute .096
Positive .082
Negative -.096
Kolmogorov-Smirnov Z .876
Asymp. Sig. 2-tailed .427
a. Test distribution is Normal. Sumber : Hasil output SPSS
Model regresi dikatakan normal jika memiliki nilai sig 2- tailed
5. Tabel 3.2 diperoleh nilai sig = 0.427 42,7, karena nilai sig 42,7 5, maka data berdistribusi normal.
2. Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji korelasi antara kesalahan penganggu pada periode t dengan kesalahan penganggu
pada periode t-1 sebelumnya. Model regresi yang baik adalah yang bebas dari autokorelasi. Ghozali 2011:96, dasar pengambilan
keputusan ada tidaknya autokorelasi adalah sebagai berikut:
Tabel 3.3 Standar Autokorelasi
No Hipotesis
Keputusan Jika
1. Tidak ada autokorelasi positif
Tolak 0ddl
2. Tidak ada autokorelasi positif
No Desicison dl
≤d≤du 3.
Tidak ada korelasi negative Tolak
4-dld4 4.
Tidak ada korelasi negative No Desicison
4-du ≤d≤4-dl
5. Tidak ada autokorelasi, positif atau negatif
Tidak ditolak dud4-du
Sumber : Ghozali 2011:96
Analisis pada uji autokorelasi penelitian ini adalah sebagai berikut:
Tabel 3.4 Hasil Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .628
a
.395 .356
.40227 2.215
a. Predictors: Constant, Log_MVA, DER, PER, ROA, Log_EPS b. Dependent Variable: Log_Harga Saham
Sumber : Hasil output SPSS
Berdasarkan hasil autokorelasi pada tabel 3.4 menunjukkan nilai Dw sebesar 2,215 pada taraf signifikansi 5 dengan variabel bebas k
= 5 dan n = 84, maka di tabel Durbin Watson akan didapat nilai DW 2,215 lebih besar dari batas atas du 1,774 dan kurang dari 2,226
hasil dari 4-1,774 4-du, maka tidak ada autokorelasi positif atau negatif, sehingga model regresi dapat disimpulkan tidak terdapat
autokorelasi. 3.
Uji Multikolinieritas Ghozali 2011:91, uji multikolinieritas bertujuan untuk menguji
apakah model regresi ditemukan adanya korelasi antar variabel bebas independen. Model regresi yang baik seharusnya tidak terjadi
korelasi diantara variabel independen. Multikolinieritas di dalam model regresi dapat dideteksi dengan melihat nilai Variance Inflation
Factor VIF, yaitu Ghozali, 2011:92 :
a Jika nilai tolerance 0,10 dan VIF 10, maka dapat diartikan
bahwa tidak terdapat multikolinieritas pada penelitian tersebut
b Jika nilai tolerance 0,10 dan VIF10, maka dapat diartikan
bahwa tidak terdapat multikolinieritas pada penelitian tersebut Analisis pada uji Multikolinieritas penelitian ini adalah sebagai
berikut:
Tabel 3.5 Hasil Uji Multikolinieritas
Coefficient Correlations
a
Model Log_MVA
DER PER
ROA Log_EPS
1Correlations Log_MVA 1.000
-.031 -.152
.126 -.127
DER -.031
1.000 -.053
.214 .418
PER -.152
-.053 1.000
.009 .142
ROA .126
.214 .009
1.000 -.311
Log_EPS -.127
.418 .142
-.311 1.000
Covariances Log_MVA .010
.000 -5.175E-5 5.033E-5
-.002 DER
.000 .007
-1.500E-5 7.076E-5 .004
PER -5.175E-5
-1.500E-5 1.160E-5 1.229E-7 6.011E-5
ROA 5.033E-5
7.076E-5 1.229E-7 1.601E-5
.000 Log_EPS
-.002 .004
6.011E-5 .000
.015 a. Dependent Variable: Log_Harga Saham
Sumber : Hasil output SPSS
Tabel 3.6 Hasil Uji Multikolinieritas
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients T
Sig. Collinearity
Statistics B
Std. Error Beta
Tolerance VIF 1 Constant
.852 .504
1.690 .095
Log_EPS .528
.124 .472
4.241 .000
.626 1.597 PER
.008 .003
.222 2.433
.017 .931 1.074
ROA .005
.006 .139
1.357 .179
.741 1.350 DER
-.003 .083
-.004 -.042
.967 .675 1.481
Log_MVA .300
.100 .269
2.989 .004
.955 1.047 a. Dependent Variable:
Log_Harga Saham Sumber : Hasil output SPSS
Berdasarkan hasil uji multikolinieritas pada tabel 3.5 dapat dilihat hasil besaran korelasi antar variabel independen menunjukkan
hanya variabel EPS yang mempunyai korelasi cukup tinggi dengan variabel DER dengan tingkat korelasi sebesar 0,418 atau sekitar
41,8, karena korelasi ini masih dibawah 95, maka dapat dikatakan tidak terjadi multikolinieritas secara serius.
Hasil perhitungan nilai tolerance pada hasil uji multikolinieritas pada tabel 3.6 juga menunjukkan tidak ada variabel independen yang
memiliki nilai tolerance kurang dari 0,1 yang berarti tidak ada korelasi antar variabel independen yang nilainya lebih dari 95. Hasil
perhitungan nilai Variance Inflation Factor VIF juga menunjukkan bahwa tidak ada variabel independen yang memiliki nilai VIF lebih
dari 10, sehingga penjelasan dari tabel 4.9 dan tabel 4.10 dapat disimpulkan bahwa tidak ada multikolinieritas antar variabel
independen dalam model regresi. 4.
Uji Heteroskedastisitas a.
Analisis Grafik Ghozali 2011:105, uji heteroskedastisitas bertujuan menguji
apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain.
Heteroskedastisitas dapat dideteksi dengan cara melihat ada atau tidaknya pola tertentu pada grafik plot antara nilai prediksi
variabel terikat yaitu ZPRED dengan residualnya SRESID. Ghozali 2011:105 dasar analisisnya, yaitu :
1 Jika ada pola tertentu seperti titik yang ada membentuk pola
tertentu yang teratur bergelombang, melebar, kemudian menyempit, maka mengindikasikan telah terjadi
heteroskedastisitas 2
Jika tidak ada pola yang jelas, serta titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi
heteroskedastisitas. Analisis grafik pada uji heteroskedastisitas penelitian ini adalah
sebagai berikut:
Gambar 3.3 Grafik Scatterplot Variabel Dependen : Harga Saham
Sumber :
Hasil output
SPSS
Berdasarkan grafik Scatterplot pada gambar 3.3 di atas dapat dilihat bahwa titik-titik menyebar secara acak secara
tersebar baik di atas maupun di bawah angka 0 pada sumbu Y, maka dapat disimpulkan bahwa tidak terjadi heteroskedastisitas
pada model regresi, sehingga model regresi layak untuk memprediksi Harga Saham berdasarkan variabel independen
EPS, PER, ROA, DER dan MVA. b.
Analisis Statistik Analisis dengan grafik plot memiliki kelemahan yang cukup
signifikan oleh karena jumlah pengamatan mempengaruhi hasil ploting. Analisis statistik diperlukan untuk menjamin keakuratan
hasil. Analisis statistik yang digunakan adalah metode Glejser, yaitu dengan meregresikan nilai absolute residuals. Jika
probabilitas signifikasi dia atas tingkat kepercayaan 5 dapat disimpulkan model regresi tidak mengandung adanya
heteroskedastisitas, Ghozali 2011:109. Analisis statistik pada uji heteroskedastisitas penelitian ini adalah
sebagai berikut:
Tabel 3.7 Hasil Uji Heteroskedastisitas
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients T
Sig. B
Std. Error Beta
1 Constant
.646 .328
1.969 .053
Log_EPS .023
.081 .040
.290 .773
PER .001
.002 .055
.482 .631
ROA -.003
.005 -.141
-1.099 .275
DER .024
.054 .059
.439 .662
Log_MVA -.097
.065 -.167
-1.481 .143
a. Dependent Variable: absRES_1
Berdasarkan hasil uji heteroskedastisitas pada tabel 3.7 di atas dapat dilihat bahwa tidak ada satupun variabel independen yang signifikan
secara statistik mempengaruhi variabel dependen nilai absRES_1. Pada tabel menunjukan bahwa probabilitas signifikansi variabel tidak ada
yang dibawah 5, sehingga dapat disimpulkan model regresi tidak mengandung adanya heteroskedastisitas.
3.5.3 Analisis Regresi Berganda
Kategori