Deskripsi Data Penelitian Analisis Regresi

45

BAB IV HASIL PENELITIAN

4.1. Deskripsi Data Penelitian

Populasi yang diteliti dalam penelitian ini adalah perusahaan perbankan yang terdaftar di Bursa Efek Indonesia selama tahun 2009-2011. Perusahaan yang dijadikan sampel berjumlah 23 perusahaan. Daftar perusahaan yang telah ditentukan dapat dilihat pada lampiran. 4.2. Analisis Hasil Penelitian 4.2.1. Statistik Deskriptif Statistik deskriptif ini memberikan gambaran mengenai nilai minimum, nilai maksimum, mean, dan standar deviasi. Statistik des kriptif akan dijelaskan dalam tabel berikut ini. Tabel 4.1. Statistik Deskriptif Descriptive Statistics N Minimum Maximum Mean Std. Deviation Ukuran Perusahaan 69 7.34 13.22 10.4175 1.71410 Momentum 69 -9800.00 9300.00 292.1159 1929.48907 Book To Market 69 -280.51 29.02 -3.4616 35.40800 Return Saham 69 75.00 13199.00 2217.3333 2703.59199 Valid N listwise 69 Sumber: Output SPSS, diolah penulis 2013 Universitas Sumatera Utara 46 Berdasarkan data dari tabel 4.1 dapat dijelaskan bahwa : 1.Rata-rata dari ukuran perusahaan log total aset adalah 10.4175 dengan standar deviasi 1.71410 dan jumlah data yang ada adalah 69. Nilai tertinggi log total aset adalah 13,22 sedangkan nilai terendah adalah 7,34. Tabel tersebut menerangkan korelasi antara return saham dan ukuran perusahaan. Besarnya korelasi antara return saham dan ukuran perusahaan 0,591 korelasi positif dan signifikan pada alfa 5. Nilai koefisien korelasi ini menunjukkan derajat keeratan hubungan antara return saham dengan ukuran perusahaan. 2. Rata-rata dari momentum adalah dengan standar deviasi 1929.48907 dan jumlah data yang ada adalah 69. Nilai momentum tertinggi adalah 9300.00 sedangkan nilai terendah adalah -9800.00. Besarnya korelasi antara return saham dan momentum 0,455 korelasi positif dan signifikan pada alfa 5. Nilai koefisien korelasi ini menunjukkan derajat keeratan hubungan antara return saham dengan momentum. 3. Rata-rata dari Book to Market Ratio adalah -3.4616 dengan standar deviasi 35.40800 dan jumlah data yang ada adalah 69. Nilai tertinggi Book to market Ratio adalah 29,02 sedangkan nilai terendah adalah - 280.51. Besarnya korelasi antara return saham dan book tomarket ratio -177 korelasi negatif dan tidak signifikan pada alfa 5. Nilai koefisien korelasi ini menunjukkan tidak adanya derajat keeratan hubungan antara return saham denganbook to market ratio. Universitas Sumatera Utara 47 4. Rata-rata dari Return saham adalah 2217.3333 dengan standar deviasi 2703.59199 dan jumlah data yang ada adalah 69. Nilai tertinggi Return saham adalah 13199.00 sedangkan nilai terendah adalah 75,00. Adanya korelasi positif dan signifikan antara return saham dan ukuran perusahaan, dengan nilai korelasi 0,591 dan adanya korelasi yang signifikan antara return saham dengan momentum, yaitu 0,455. Sementara itu adanya korelasi negatif antara return saham dengan book to market ratio dengan nilai korelasi -177.

4.2.2. Pengujian Asumsi Klasik

Salah satu satu 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 biasa dan efisien Best Linear Unbiased Estimator. Pengujian asumsi klasik dalam penelitian ini dilakukan dengan bantuan program statistik. Menurut Ghozali 2005, asumsi klasik yang harus dipenuhi adalah sebagai berikut ini. • Berdistibusi 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 tidak saling berkorelasi. Universitas Sumatera Utara 48 • Non-Heterokedastisitas, artinya variance variabel independen dari satu pengamatan ke pengamatan lain adalah konstan atau sama.

4.2.2.1. Uji Normalitas

Uji data statistik dengan model Kolmogorov-Smirnov dilakukan untuk mengetahui apakah data sudah terdistribusi secara normal atau tidak. Ghozali 2005, memberikan pedoman pengambilan keputusan rentang data mendekati atau merupakan distribusi normal berdasarkan uji Kolmogorov Smirnov yang dapat dilihat dari: 1. nilai sig. atau signifikan atau probabilitas 0,05, maka distribusi data adalah tidak normal, 2. nilai sig. atau signifikan atau probabilitas 0,05, maka distribusi data adalah normal. Hipotesis yang digunakan adalah : H0 : Data residual berdistribusi normal, dan Ha : Data residual tidak berdistribusi normal. Hasil uji normalitas dengan menggunakan model Kolmogorov-Smirnov adalah seperti yang ditampilkan berikut ini : Universitas Sumatera Utara 49 Tabel 4.2 Hasil Uji Normalitas One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 69 Normal Parameters a,,b Mean .0000000 Std. Deviation 1.92925944E3 Most Extreme Differences Absolute .115 Positive .115 Negative -.084 Kolmogorov-Smirnov Z .955 Asymp. Sig. 2-tailed .321 a. Test distribution is Normal. b. Calculated from data. Sumber : Output SPSS, diolah Penulis, 2013 Berdasarkan hasil uji statistik dengan model Kolmogorov-Smirnov seperti yang terdapat dalam tabel 4.2 dapat disimpulkan bahwa besarnya nilai Kolmogrov–Smirnov sebesar 0,955 dan signifikan lebih dari 0,05 karena Asymp. Sig. 2-tailed 0,321 dari 0,05. Nilai signifikansi lebih besar dari 0,05 maka H0 diterima atau Ha ditolak yang berarti data residual telah berdistribusi normal. 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 histrogram dan plot data yang terdistribusi normal. Universitas Sumatera Utara 50 Gambar 4.1 Histogram Grafik histogram di atas menunjukkan bahwa data telah terdistribusi secara normal. Hal ini dapat dilihat dari grafik histogram yang menunjukkan distribusi data mengikuti garis diagonal yang tidak menceng skewness kiri maupun menceng ke kanan. Hal ini juga didukung dengan hasil uji normalitas dengan menggunakan grafik plot yang ditampilkan pada Gambar 4.2 Universitas Sumatera Utara 51 Gambar 4.2 Uji Normalitas data Menurut Ghozali 2005, pendeteksian normalitas dapat dilakukan dengan melihat penyebaran data titik pada sumbu diagonal dari grafik, yaitu jika data titik menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal, hal ini menunjukkan data yang telah terdistribusi normal. Gambar 4.2 menunjukkan bahwa data titik menyebar di sekitar dan mendekati garis diagonal. Hal ini sejalan dengan hasil pengujian dengan menggunakan histogram bahwa data telah terdistribusi normal. Karena secara keseluruhan data telah terdistribusi secara normal, maka dapat dilakukan pengujian asumsi klasik lainnya. Universitas Sumatera Utara 52

4.2.2.2. Uji Multikolinieritas

Untuk melihat ada atau tidaknya multikolinieritas dalam model regresi dapat dilihat dari: 1 nilai tolerence dan lawannya, 2 Variance Inflatin Factor VIF. Kedua ukuran ini menunjukkan setiap variabel independen manakah yang dijelaskan oleh variabel independen lainnya. Tolerence mengukur variabilitas variabel independen yang terpilih yang tidak dijelaskan oleh variabel independen lainnya. Jadi, nilai Tolerance yang rendah sama dengan nilai VIF yang tinggi karena VIF = 1tolerence. Nilai cutoff yang umum dipakai untuk menunjukkan adanya mutikolineritas adalah nilai Tolerence 0,10 atau sama dengan VIF 10 Ghozali, 2005. Tabel 4.3 Hasil Uji Multikolinieritas Sumber : Output SPSS, diolah Penulis, 2013 Coefficients a Model Unstandardized Coefficients Standardized Coefficients T Sig. Collinearity Statistics B Std. Error Beta Tolerance VIF 1 Constant -6792.393 1499.262 -4.530 .000 Ukuran Perusahaan 850.074 142.866 .539 5.950 .000 .955 1.047 Momentum .532 .125 .379 4.238 .000 .977 1.023 Book To Market .361 6.869 .005 .053 .958 .968 1.033 a. Dependent Variable: Return Saham Universitas Sumatera Utara 53 Berdasarkan tabel 4.3 dapat disimpulkan bahwa penelitian ini bebas dari adanya multikolinieritas. Hal tersebut dapat dilihat dengan membandingkannya dengan nilai Tolerence atau VIF. Masing-masing variabel independen yang digunakan dalam penelitian ini memiliki nilai Tolerence yang lebih besar dari 0,10. Jika dilihat dari VIFnya, bahwa masing-masing variabel bebas lebih kecil dari 10. Dengan demikian dapat disimpulkan bahwa tidak terjadi gejala multikolinieritas dalam variabel bebasnya.

4.2.2.3. Uji Heteroskedastisitas

Ghozali 2005 menyatakan “uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Jika variance dari satu pengamatan ke pengamatan lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut heteroskedastisitas”. Model regresi yang baik adalah tidak terjadi heteroskedastisitas. Cara mendeteksi ada tidaknya gejala heteroskedastisitas adalah dengan melihat grafik scatterplot yang dihasilkan dari pengolahan data menggunakan program SPSS. Dasar pengambilan keputusannya menurut Ghozali 2005 adalah sebagai berikut: 1. jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur bergelombang, melebar kemudian menyempit, maka mengindikasikan telah terjadi heteroskedastisitas. Universitas Sumatera Utara 54 2. jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas. Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi gejala heteroskedastisitas atau tidak dengan cara mengamati penyebaran titik-titik pada grafik. Gambar 4.3 Scatterplot Sumber : Output SPSS, diolah Penulis, 2013 Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara acak dengan tidak adanya pola yang jelas serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y. Hal tersebut menunjukkan bahwa tidak terjadi heteroskedastisitas, sehingga model ini layak dipakai untuk memprediksi return saham pada perusahaan perbankan yang terdaftar di Bursa Efek Indonesia Universitas Sumatera Utara 55 berdasarkan masukan variabel independen yaitu ukuran perusahaan, book to market ratio dan momentum.

4.2.2.4. Uji Autokorelasi

Uji ini bertujuan untuk melihat apakah dalam suatu model linear ada korelasi antar kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1 sebelumnya. Model regresi yang baik adalah yang bebas dari autokorelasi. Masalah autokorelasi umumnya terjadi pada regresi yang datanya time series. Ada beberapa cara yang dapat digunakan untuk mendeteksi masalah dalam autokorelasi diantaranya adalah dengan Uji Durbin Watson. Menurut Sunyoto 2009, Untuk melihat ada tidaknya autokorelasi dilihat dari: 1 angka D-W dibawah –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 4.4 Hasil Uji Autokorelasi Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .701 a .491 .467 1973.27863 2.411 a. Predictors: Constant, Book To Market, Momentum, Ukuran Perusahaan b. Dependent Variable: Return Saham Sumber : Output SPSS, diolah Penulis, 2012 Universitas Sumatera Utara 56 Tabel 4.4 menunjukkan hasil uji autokorelasi variabel penelitian. Berdasarkan hasil pengujiannya dapat dilihat bahwa terjadi autokorelasi antar kesalahan pengganggu antar periode. Hal tersebut dilihat dari nilai Durbin- Watson D-W sebesar 2,411. Angka D-W di antara -2 sampai +2 yang mengartikan bahwa angka DW lebih besar dari -2 dan lebih kecil dari 2. Dengan demikian, dapat dikemukakan bahwa tidak ada autokorelasi positif maupun negatif.

4.3. Analisis Regresi

Berdasarkan hasil uji asumsi klasik yang telah dilakukan di atas, dapat disimpulkan bahwa model regresi yang dipakai dalam penelitian ini telah memenuhi model estimasi yang Best Linear Unbiased Estimstor BLUE dan layak untuk dilakukan analisis statistik selanjutnya, yaitu melakukan pengujian hipotesis. Adapun hasil pengolahan data dengan analisis regresi sebagai berikut : Tabel 4.5 Analisis regresi Coefficients a Model Unstandardized Coefficients Standardized Coefficients T Sig. Collinearity Statistics B Std. Error Beta Tolerance VIF 1 Constant -6792.393 1499.262 -4.530 .000 Ukuran Perusahaan 850.074 142.866 .539 5.950 .000 .955 1.047 Momentum .532 .125 .379 4.238 .000 .977 1.023 Book To Market .361 6.869 .005 .053 .958 .968 1.033 a. Dependent Variable: Return Saham Sumber : Output SPSS, diolah Penulis, 2013 Berdasarkan tabel 4.5 pada kolom Unstandardized Coefficients bagian B Universitas Sumatera Utara 57 Berdasarkan table 4.5 pada kolom Unstandardized Coefficients bagian B diperoleh model persamaan regresi linier berganda yaitu: Y= -6792,393+ 850,074 X1 – 0,532 X2 – 0,361 X3 - + e dimana: Y = Return on Asset a = Konstanta b1,b2,b3 = Parameter koefisien regresi X1 = Ukuran Perusahaan X2 = momentum X3 = book to market e = Pengganggu Penjelasan dari nilai a, b1, b2 dan b3 pada Unstandardized Coefficients tersebut dapat dijelaskan dibawah ini. • Nilai B Constant a = -6792,393=konstanta Nilai konstanta ini menunjukkan bahwa apabila tidak ada nilai variabel bebas yaitu ukuran perusahaan, book to market ratio dan momentum maka nilai return saham yang dilihat dari nilai Y tetap sebesar -6792,393. • Nilai b1 = 850,074 = ukuran perusahaan Koefisisen regresi ini menunjukkan bahwa setiap kenaikan ukuran perusahaan sebesar 1 satuan, maka perubahan return saham yang dilihat dari nilai Y akan bertambah sebesar 850,074 dengan asumsi variabel lain dianggap tetap. • Nilai b2 = 0,532 = momentum Universitas Sumatera Utara 58 Koefisisen regresi ini menunjukkan bahwa setiap kenaikan momentum sebesar 1 satuan, maka perubahan return saham yang dilihat dari nilai Y akan berkurang sebesar 0,532 dengan asumsi variabel lain dianggap tetap. • Nilai b3 = 0,361= book to market ratio Koefisisen regresi ini menunjukkan bahwa setiap kenaikan book to market ratio sebesar 1 satuan, maka perubahan return saham yang dilihat dari nilai Y akan berkurang sebesar 0,361 dengan asumsi variabel lain dianggap tetap.

4.4. Pengujian Hipotesis