Analisis dan Pengujian Hipotesis

1. Autokorelasi

Pada hasil analisa data yang diperoleh melalui uji asumsi klasik tentang autokorelasi dapat diketahui melalui tabel sebagai berikut: Tabel 4.6. Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .465 a .216 .129 245.352 1.815 a. Predictors: Constant, EPS, PER, DER, ROE b. Dependent Variable: H.SAHAM Sumber data: Hasil analisa SPSS Dari tabel model summary diatas diketahui nilai D-W sebesar 1.815, sedangkan alat deteksi yang dijadikan acuan angka D-W di bawah –2 sampai +2 berarti tidak ada autokorelasi, maka dapat dinyatakan tidak terdapat autokorelasi antara variabel bebas terhadap variabel terikat. Dengan demikian model regresi memenuhi persyaratan asumsi klasik tentang autokorelasi.

2. Multikoliniearitas

Pada hasil analisa data yang diperoleh melalui uji asumsi klasik dengan menggunakan multikolinearitas dapat diketahui melalui tabel sebagai berikut: Tabel 4.7. Coefficients a Unstandardized Coefficients Standardized Coefficients Collinearity Statistics Model B Std. Error Beta T Sig. Tolerance VIF Constant 252.011 67.126 3.754 .001 ROE .967 4.748 .039 .204 .840 .599 1.669 PER .536 .756 .108 .709 .483 .934 1.071 DER 40.941 40.765 .165 1.004 .322 .809 1.236 1 EPS 3.222 1.732 .348 1.860 .071 .621 1.610 a. Dependent Variable: H.SAHAM Sumber data: Hasil analisa SPSS Dari tabel koefisien diatas diketahui nilai multikolinear untuk ROE X 1 dalam VIF sebesar 1.669 sedangkan toleransinya sebesar 0.599 hal ini menunjukkan nilai VIF dan toleransi masih kurang dari 10, maka dapat dinyatakan tidak terdeteksi multikolinearitas antara variabel bebas terhadap variabel terikat. Dengan demikian model regresi memenuhi persyaratan asumsi klasik tentang multikolinearitas. Untuk nilai multikolinear PER X 2 dalam VIF sebesar 1.071 dan nilai toleransinya sebesar 0.934 hal ini menunjukkan nilai VIF dan toleransi masih kurang dari 10, maka dapat dinyatakan tidak terdeteksi multikolinearitas antara variabel bebas terhadap variabel terikat. Dengan demikian model regresi memenuhi persyaratan asumsi klasik tentang multikolinearitas. Untuk nilai multikolinear DER X 3 dalam VIF sebesar 1.236 dan nilai toleransinya sebesar 0.322 hal ini menunjukkan nilai VIF dan toleransi masih kurang dari 10, maka dapat dinyatakan tidak terdeteksi multikolinearitas antara variabel bebas terhadap variabel terikat. Dengan demikian model regresi memenuhi persyaratan asumsi klasik tentang multikolinearitas. Untuk nilai multikolinear EPS X 4 dalam VIF sebesar 1.610 dan nilai toleransinya sebesar 0.621 hal ini menunjukkan nilai VIF dan toleransi masih kurang dari 10, maka dapat dinyatakan tidak terdeteksi multikolinearitas antara variabel bebas terhadap variabel terikat. Dengan demikian model regresi memenuhi persyaratan asumsi klasik tentang multikolinearitas.

3. Heteroskedastisitas

Uji heteroskedastisitas adalah untuk menguji apakah dalam model regresi terjadi terjadi ketidaksamaan varians dari residual dari suatu pengamatan ke pengamatan yang lain. Jika varians dari residual dari suatu pengamatan ke pengamatan lain tetap maka disebut homokedastisitas. Jika varian berbeda, disebut heteroskedastisitas. Model regresi yang baik adalah tidak terjadi heteroskedastisitas Santoso, 2002:208. Untuk mendeteksi ada tidaknya heteroskedastisitas dalam model regresi bisa dilihat dari pola yang terbentuk pada titik-titik yang terdapat pada grafik scaterplot dan dengan menghitung korelasi Rank Spearmen. Pada regresi linier nilai residual tidak boleh ada hubungan dengan variabel X. Hal ini diidentifikasi dengan cara menghitung korelasi Rank Spearman antara residual dengan seluruh variabel bebas. Rumus Rank Spearman adalah : rs = 1 – 6 Dimana: di = Perbedaan dalam rank yang ditepatkan untuk dua karakteristik yang berbeda dari individual atau fenomena ke-i. N = Banyaknya individual atau fenomena yang di rank. Tabel 4.8 Nonparametic Correlations ROE PER DER EPS Unstandar dized Residual Correlation Coefficient 1.000 .174 .460 .805 -.027 Sig. 2-tailed . .277 .002 .000 .866 ROE N 41 41 41 41 41 Correlation Coefficient .174 1.000 -.109 .227 .060 Sig. 2-tailed .277 . .499 .153 .711 PER N 41 41 41 41 41 Correlation Coefficient .460 -.109 1.000 .419 .145 Sig. 2-tailed .002 .499 . .006 .366 DER N 41 41 41 41 41 Correlation Coefficient .805 .227 .419 1.000 .112 Sig. 2-tailed .000 .153 .006 . .487 EPS N 41 41 41 41 41 Correlation Coefficient -.027 .060 .145 .112 1.000 Sig. 2-tailed .866 .711 .366 .487 . Spearman s rho Unstandardize d Residual N 41 41 41 41 41 Correlation is significant at the 0.01 level 2-tailed. Sumber data: Hasil analisa SPSS Dari pendeteksian adanya pelanggaran terhadap asumsi-asumsi klasik diatas dapat disimpulkan bahwa regresi sudah tidak terdapat estimator-estimator yang bias atau sudah memenuhi kriteria BLUE Best Linear Unbiased Estimator.

4.3.5. Koefisien Determinasi

Tabel 4.9. Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .465 a .216 .129 245.352 1.815 a. Predictors: Constant, EPS, PER, DER, ROE Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .465 a .216 .129 245.352 1.815 b. Dependent Variable: H.SAHAM Untuk mengetahui besar persentase variasi variabel terikat yang dapat dijelaskan oleh variasi variabel bebas, maka dicari nilai R 2 . Dari tabel 4.9 diperoleh nilai R 2 atau nilai koefisien determinasi sebesar 0.216 atau 21.6. Hal ini berarti 21.6 variasi harga saham bisa dijelaskan oleh variasi dari keempat variabel bebas yaitu Return On Equity, Price Earning Ratio, Debt to Equity Ratio, dan Earning Per Share sedangkan sisanya sebesar 78.4 dijelaskan oleh sebab- sebab lain diluar model.

4.3.6. Pengujian Hipotesis

Hasil dari dokumentasi data perusahaan yang dikumpulkan dan setelah itu ditabulasi kemudian diolah melalui analisa regresi linier berganda dengan bantuan program SPSS. Berdasarkan pertimbangan hasil regresi linier berganda yang selengkapnya bisa dilihat pada lampiran, maka dapat dijelaskan pengaruh ROE X 1 , PER X 2 , DER X 3 , EPS X 4 , terhadap Harga Saham Y dengan pengujian hipotesa, melalui analisis sebagai berikut:

a. Analisa Regresi Linier Berganda

Dari hasil analisa regresi linier berganda yang akan dihitung disini adalah untuk mengetahui nilai standar koefisien regresi yang dimiliki oleh variabel bebas untuk menentukan tingkat signifikansi terhadap variabel terikat. Adapun hasil yang diperoleh dari analisa dengan menggunakan SPSS 17.00 for window dapat dilihat pada tabel dibawah ini: Tabel 4.10. Coefficient Regresi Unstandardized Coefficients Standardized Coefficients Collinearity Statistics Model B Std. Error Beta T Sig. Tolerance VIF Constant 252.011 67.126 3.754 .001 ROE .967 4.748 .039 .204 .840 .599 1.669 PER .536 .756 .108 .709 .483 .934 1.071 DER 40.941 40.765 .165 1.004 .322 .809 1.236 1 EPS 3.222 1.732 .348 1.860 .071 .621 1.610 a. Dependent Variable: H.SAHAM Sumber data: Hasil analisa SPSS Adapun hasil penghitungan dengan menggunakan rumus koefisien regresi adalah sebagai berikut: Y = a + β 1 X 1 + β 2 X 2 + β 3 X 3 + β 4 X 4 + e Y = 252.011 + 0.967 X 1 + 0.536 X 2 + 40.941 X 3 + 3.222 X 4 Dari Persamaan regresi linier berganda dapat dijelaskan sebagai berikut:  Konstanta α sebesar 252.011 artinya bahwa jika perusahaan tidak mempublikasikan laporan keuangan dan rasio keuangan Return On Equity, Earning Per Share, Debt to Equity Ratio, dan Price Earning Ratio, maka total harga saham naik sebesar 252.011 atau mengalami kenaikan sebesar 252.011.  Koefisien regresi untuk Return On Equity X 1 sebesar 0.967 artinya bahwa setiap perubahan satu satuan rasio keuangan Return On Equity, maka total