individual dan masih berlaku saat ini. Kemudian dilakukan rekapitulasi sesuai dengan kebutuhan penelitian.
3.4. Teknik Analisa dan Uji Hipotesis 3.4.1. Teknik Analisis
Untuk mengetahui pengaruh Return on Equity, Price Earning Ratio, Debt to Equity, dan Earning Per Share terhadap harga saham dapat
diketahui dengan menggunakan analisis regresi linier berganda. Analisis ini dipakai dalam penelitian karena dapat menerangkan ketergantungan
suatu variabel dependent dengan satu atau lebih variabel independent. Analisis ini juga dipakai menduga besar dan arah dari hubungan tersebut.
Adapun bentuk umum dari regresi berganda secara sistematis adalah sebagai berikut :
Y =
+
1
X
1
+
2
X
2
+
3
X
3
+
4
X
4
+ e
i
.............. Dajan, 1986:399 Keterangan :
Y = Harga Saham
o
= Konstanta
X
1
= Return On Equity X
2
= Price Earning Ratio X
3
= Debt to Equity Ratio
X
4
= Earning Per Share
1
2
3
4
= Koefisien regresi untuk variable bebas e
i
=Variabel pengganggu yang mewakili factor lain yang berpengaruh terhadap Y tetapi tidak di masukkan kedalam
model.
3.4.2. Uji Hipotesis a. Uji – t
Uji – t digunakan untuk menguji pengaruh dari variabel bebas terhadap variabel tidak bebas secara parsial atau individu.
Untuk membuktikan kebenaran analisis secara parsial, dilakukan dengan menggunakan uji – t yang menyatakan ada tidaknya pengaruh
dari masing-masing variabel dan dapat dirumuskan langkah-langkah pengujian sebagai berikut :
1. Apabila H
:
i
= 0 → artinya tidak terdapat pengaruh yang nyata
antara variabel bebas X
1
, X
2
, X
3
, X
4
secara parsial terhadap variabel terikat Y.
Apabila H
i
: i ≠ 0 → artinya terdapat pengaruh nyata antara
variabel bebas X
1
, X
2
, X
3
, X
4
secara parsial terhadap variabel terikat Y.
2. Menentukan level of significance
2 = 10 2 = 5 atau 0.05 dengan pengujian dua arah. Degree of freedom df = n – k - 1.
Dimana: n = Jumlah Pengamatan k = Jumlah Variabel
3. Menentukan t hitung dengan rumus sebagai berikut:
t
hitung
= Keterangan :
t
hitung
= t hasil perhitungan i
= koefisien regresi Se
= standart error
3.5. Asumsi Klasik
Menurut Gujarati 1995 bahwa dalam analisis linier berganda perlu menghindari penyimpangan asumsi klasik supaya tidak timbul
masalah dalam penggunaan analisis regresi linier berganda. Persamaan regresi tersebut harus bersifat BLUE Best Linier
Unbiased Estimator, artinya pengambilan keputusan uji - t tidak boleh bias. Untuk menghasilkan keputusan yang BLUE harus memenuhi tiga
asumsi yang tidak boleh dilanggar, yaitu :
1. Tidak boleh ada multikolinieritas
2. Tidak boleh ada autokorelasi
3. Tidak boleh ada heterokedastisitas
Apabila salah satu dari ketiga asumsi dasar tersebut dilanggar maka persamaan regresi yang diperoleh tidak lagi bersifat BLUE sehingga
pengambilan keputusan melalui uji - t menjadi bias.
1. Multikolinearitas
Menurut Gujarati 1995:157 Multikolinearitas berarti ada hubungan linier yang sempurna atau pasti, diantara beberapa atau
semua variabel yang menjelaskan dari model regresi. Persamaan model regresi linier berganda diasumsikan tidak terjadi pengaruh antar
variabel bebas. Apabila ternyata ada pengaruh antar variabel bebas maka asumsi tersebut tidak berlaku lagi terjadi bias.
Menurut Gujarati 1995:187 secara sistematis, pengukuran multikolinearitas dapat dirumuskan sebagai berikut:
VIF = Tolerance = 1 – R
2 i
VIF Varians Inflation Factor menyatakan tingkat pembengkakan varians. Apabila VIF lebih besar dari 10, berarti
terdapat Multikoloniearitas dalam persamaan regresi linier. Apabila nilai VIF lebih rendah dari angka 10 atau nilai tolerance mendekati 1
Gujarati,1995:157 maka dikatakan bahwa tidak terjadi gejala Multikoliearitas. Penanggulangannya dapat dilakukan dengan
menambah jumlah data dengan pengamatan baru atau menghilangkan variabel – variabel tertentu dari model yang diperoleh.
2. Autokorelasi
Menurut Gujarati 1995:201 autokorelasi dapat didefinisikan sebagai korelasi antar anggota serangkaian observasi yang diurutkan
menurut waktu seperti dalam data deretan waktu atau ruang seperti data dalam cross sectional. Jadi dalam model regresi linier
diasumsikan tidak terdapat gejala autokorelasi, artinya nilai residual Y observasi – Y prediksi pada waktu ke-t e
t
tidak boleh ada hubungan nilai residual periode sebelumnya e
t-1
. Identifikasi ada atau tidaknya gejala autokorelasi dapat ditest dengan menghitung nilai Durbin
Watson d test dengan persamaan : Gujarati,1995:215
d =
Keterangan: d
= nilai Durbin Watson
e
t
= Residual pada waktu ke-t e
t-1
= Residual pada waktu ke t-1 satu periode sebelumnya
3. Heteroskedastisitas
Satu asumsi penting penting dari model regresi linier klasik menurut Gujarati 1995:177 adalah bahwa gangguan disturbance
yang muncul dari regresi populasi adalah heteroskedastisitas yaitu semua gangguan yang mempunyai varians sama. Menurut Gujarati
1995:189 heteroskedastisitas tidak merusak sifat ketidakbiasan dan konsistensi dari penaksir OLS Ordinary Least Square atau kuadrat
terkecil biasa, tetapi penaksir tadi tidak lagi efisien, bahkan tidak lagi asimonik yaitu untuk sampel yang besar. Ketidakadaan efisiensi ini
membuat prosedur pengujian hipotesis yang biasa nilainya diragukan. Pada regresi linier nilai residual tidak boleh ada hubungan
dengan variabel bebas. Heteroskedastisitas dapat dideteksi dengan menggunakan pengujian Spearman Ranking Corellation sebagai
brikut: Gujarati,1995:188
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.
BAB IV HASIL PENELITIAN DAN PEMBAHASAN
