42
8 PT Bank Negara Indonesia
Tbk BBNI 01071946
25111996 9
PT Bank Niaga Tbk Bank CIMB Niaga Tbk
BNGA 26091955
19111989 10
PT Bank Permata Tbk BNLI 24061905 27092002
11 PT Bank Rakyat Indonesia
Persero Tbk BBRI 16121985 10112003
4.1.1. Analisis Statistik Deskriptif
Informasi yang dibutuhkan dalam penelitian ini merupakan data sekunder yang diperoleh dari www.idx.co.id dan indonesian capital market
directory berupa data keuangan perusahaan perbankan dari tahun 2008
sampai tahun 2011 yang dijabarkan dalan bentuk statistik. Analisis statistik deskriptif memberikan gambaran penjelasan mengenai nilai minimum,
maksimum, nilai rata-rata mean, dan nilai standar deviasi dari variabel- variabel independen dan variabel dependen.
Tabel 4.2 Statistik Deskriptif
Descriptive Statistics
N Minimum
Maximum Mean
Std. Deviation LN_LA
44 20.94
30.56 27.4221
2.47247 LN_AKO
44 25.09
31.47 28.5797
1.66694 LN_AKI
44 23.64
30.88 27.3757
1.97520 LN_AKP
44 22.01
30.33 26.8062
2.23125 LN_HargaSaham
44 3.91
9.26 6.7646
1.63783 Valid N listwise
44
Berdasarkan data dari tabel 4.2 diatas, dapat dijelaskan bahwa : 1.
Variabel LN_Laba Akuntansi LN_LA memiliki nilai minimum terkecil sebesar 20,94 dan nilai maksimum terbesar sebesar 30,56
43
dengan mean nilai rata-rata sebesar 27,4221 dan standar deviasi sebesar 2,47247.
2. Variabel LN_Arus Kas dari Aktivitas Operasi LN_AKO memiliki
nilai minimum terkecil sebesar 25,09 dan nilai maksimum terbesar sebesar 31,47 dengan mean nilai rata-rata sebesar 28,5797 dan standar
deviasi sebesar 1,66694. 3.
Variabel LN_Arus Kas dari Aktivitas Investasi LN_AKI memiliki nilai minimum terkecil sebesar 23,64 dan nilai maksimum terbesar
sebesar 30,88 dengan mean nilai rata-rata sebesar 27,3757 dan standar deviasi sebesar 1,97520.
4. Variabel LN_Arus Kas dari Aktivitas Pendanaan LN_AKP memiliki
nilai minimum terkecil sebesar 22,01 dan nilai maksimum terbesar sebesar 30,33 dengan mean nilai rata-rata sebesar 26,8062 dan standar
deviasi sebesar 2,23125. 5.
Variabel LN_Harga Saham LN_HS memiliki nilai minimum terkecil sebesar 3,91 dan nilai maksimum terbesar sebesar 9,26 dengan mean
nilai rata-rata sebesar 6,7646 dan standar deviasi sebesar 1,63783.
4.1.2 Hasil Uji Asumsi Klasik 4.1.2.1 Hasil Uji Normalitas Data
Uji normalitas data ini bertujuan untuk menguji apakah dalam model regresi variabel pengganggu atau variabel residual memiliki
distribusi normal atau tidak karena model distribusi yang baik adalah distribusi data normal atau mendekati normal. Uji normalitas ini dapat
44
dilakukan dengan dua cara yaitu analisis grafik dan uji statistik dengan membuat hipotesis sebagai berikut:
H : data residual berdistribusi normal
H
a
: data residual tidak berdistribusi normal Dengan kriteria nilai signifikansi lebih besar dari 0,05 maka H
diterima dan H
a
ditolak, sedangkan jika nilai signifikansi lebih kecil dari 0,05 maka H
ditolak dan H
a
diterima.
Tabel 4.3 Hasil Uji Normalitas Sebelum Transformasi
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual N
44 Normal
Parameters
a,b
Mean .0000000
Std. Deviation 1.09000577E3
Most Extreme Differences
Absolute .246
Positive .246
Negative -.142
Kolmogorov-Smirnov Z 1.628
Asymp. Sig. 2-tailed .010
a. Test distribution is Normal. b. Calculated from data.
Dari tabel 4.3 diatas, dapat dilihat besarnya nilai Kolmogorov- Smirnov adalah 1,628 dengan nilai signifikasi sebesar 0,010. Dari hasil
tersebut dapat diketahui bahwa nilai signifikansi lebih lebih kecil dari 0.05 dengan demikian H
a
diterima artinya data tersebut tidak berdistribusi normal. Data yang tidak berdistribusi secara normal juga
dapat dilihat dari grafik histogram dan grafik normal plot data.
45
Gambar 4.1 Histogram Sebelum Transformasi
Dengan cara membandingkan antara data observasi dengan distribusi yang mendekati distribusi normal, dari grafik di atas dapat
disimpulkan bahwa distribusi data tidak normal karena grafik histogram menunjukkan distribusi data tidak mengikuti garis diagonal yaitu
menceng kekiri positive skewness.
46
Gambar 4.2 P-P Plot Sebelum Transformasi
Demikian pula dengan 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 tidak
terdistribusi secara normal. Dari hasil uji normalitas dengan Kolmogorov- Smirnov
K-S, grafik histogram dan grafik normal plot menunjukkan data tidak terdistribusi secara normal.
Untuk mengubah data ini menjadi normal, penulis menggunakan metode transformasi data. Menurut Ghozali 2007:112, “data yang tidak
terdistribusi secara normal dapat ditransformasikan agar menjadi normal”. Salah satu cara yang dapat dilakukan adalah dengan mengubah
data dalam bentuk logaritma natural LN. Setelah melakukan
47
transformasi, penulis melakukan pengujian ulang untuk melihat apakah data penelitian ini telah berdistribusi normal atau tidak. Berikut adalah
hasil pengujian Kolmogorov-Smirnov K-S setelah transformasi.
Tabel 4.4 Hasil Uji Normalitas Setelah Transformasi
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual N
44 Normal
Parameters
a,b
Mean .0000000
Std. Deviation .71028778
Most Extreme Differences
Absolute .067
Positive .066
Negative -.067
Kolmogorov-Smirnov Z .442
Asymp. Sig. 2-tailed .990
a. Test distribution is Normal. b. Calculated from data.
Dari tabel 4.4, besarnya Kolmogorv-Smirnov K-S adalah 0,442 dan signifikansi Asymp. Sig 2-tailed adalah 0,990, dimana nilai
signifikansinya 0,05. Dengan demikian, secara keseluruhan dapat disimpulkan bahwa nilai-nilai observasi data telah terdistribusi secara
normal dan dapat dilanjutkan dengan uji asumsi klasik lainnya. Untuk lebih jelas, berikut ini turut dilampirkan grafik histogram dan plot data
yang terdistribusi normal.
48
Gambar 4.3 Histogram Setelah Transformasi
Gambar 4.4 P-P Plot Setelah Transformasi
Dengan cara membandingkan antara data observasi dengan distribusi yang mendekati distribusi normal, dari grafik di atas dapat
49
disimpulkan bahwa distribusi data normal karena grafik histogram menunjukkan distribusi data mengikuti garis diagonal yang tidak
menceng skewness ke kiri maupun ke kanan atau normal. Demikian pula dengan hasil uji normalitas dengan menggunakan grafik plot. Pada
grafik normal plot, terlihat titik-titik menyebar disekitar garis diagonal serta penyebarannya mendekati dengan garis diagonal sehingga dapat
disimpulkan bahwa data dalam model regresi terdistribusi secara normal. Hasil dari transformasi di atas menunjukkan bahwa variabel-variabel
yang tidak normal dapat dinormalkan dengan cara melogaritma naturalkan data.
4.1.2.2 Hasil Uji Multikolinearitas
Dalam penelitian ini, untuk mendeteksi ada tidaknya gejala multikolinearitas adalah dengan melihat nilai tolerance dan variance
inflation factor VIF, menganalisis matrik korelasi variabel-variabel
independen. Besarnya tingkat kolinearitas yang masih dapat ditolerir, yaitu: Tolerance 0.10, Variance Inflation Factor VIF 10. Berikut
disajikan tabel hasil pengujian:
50
Tabel 4.5 Hasil Uji Multikolinearitas
Berdasarkan tabel 4.5 diatas, dapat dilihat bahwa tidak ada satupun variabel independen yang memiliki nilai VIF lebih besar dari 10 dan
tidak ada satupun variabel independen yang memiliki nilai tolerence lebeh kecil dari 0,10. Hal ini menunjukkan bahwa tidak terjadi
multikolinearutas dalam penelitian ini. Dan dapat disimpulkan bahwa semua variabel independen terbebas dari multikolinearitas.
4.1.2.3 Hasil Uji Heterokedastisitas
Dalam penelitian ini, untuk mendeteksi ada tidaknya gejala heteroskedastisitas adalah dengan melihat plot grafik yang dihasilkan
dari pengolahan data dengan menggunakan program SPSS. Menurut Ghozali 2007:105, dasar analisis untuk menentukan ada atau tidak
heterokedastisitas yaitu: 1.
Jika ada pola tertentu, seperti titik-titik yang membentuk pola tertentu yang teratur bergelombang, melebar kemudian
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
Collinearity Statistics B
Std. Error Beta
Tolerance VIF
1 Constant
-16.985 2.096
-8.104 .000
LN_LA .207
.081 .312
2.551 .015
.323 3.099
LN_AKO .370
.106 .377
3.501 .001
.416 2.402
LN_AKI .130
.069 .157
1.879 .068
.692 1.445
LN_AKP .147
.085 .200
1.732 .091
.360 2.778
a. Dependent Variable: LN_HargaSaham
51
menyempit, maka mengidentifikasikan telah terjadi heterokedastisitas.
2. Jika tidak ada pola yang jelas, seperti titik-titik menyebar diatas
dan bawah angka 0 pada sumbu Y, maka tidak terjadi heterokedastisitas.
Gambar 4.5 Hasil Uji Heterokedastisitas scatterplot
Dari hasil uji heterokedastisitas scatterplot pada gambar 4.3 diatas, terlihat bahwa titik-titik menyebar secara acak dan tidak
membentuk suatu pola tertentu serta tersebar baik diatas maupun dibawah angka 0 pada sumbu Y. Dari gambar di atas dapat disimpulkan
bahwa pada model regresi tidak terjadi heterokedastisitas sehingga model
52
regresi layak digunakan untuk melihat pengaruh LA Informasi Laba Akuntansi, AKO Arus Kas dari Aktivitas Operasi, AKI Arus Kas dari
Aktivitas Investasi, dan AKP Arus Kas dari Aktivitas Pendanaan terhadap harga saham pada perusahaan perbankan yang terdaftar di BEI.
4.1.2.4 Uji Autokorelasi
Uji yang dapat dibuat untuk mendeteksi masalah autokorelasi adalah dengan uji Durbin Watson. Kriteria untuk menentukan uji ini
adalah sebagai berikut : 1.
Angka D-W di bawah -2, berarti ada autokorelasi positif, 2.
Angka D-W di antara -2 sampai +2, berarti tidak ada autokorelasi, 3.
Angka D-W di atas +2, berarti ada autokorelasi negatif
Tabel 4.6 Hasil Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of
the Estimate Durbin-Watson
1 .901
a
.812 .793
.74582 1.485
a. Predictors: Constant, LN_AKP, LN_AKI, LN_AKO, LN_ LA b. Dependent Variable: LN_Harga Saham
Dari tabel 4.6 diatas menunjukkan bahwa nilai Durbin Watson adalah sebesar 2.226, angka ini terletak diatas +2 maka dapat disimpulkan bahwa
ada autokorelasi negatif.
53
4.1.3 Pengujian Hipotesis
