Hasil Penelitian

5.1. Hasil Penelitian

5.1.1. Deskripsi Data Penelitian

Berdasarkan hasil pengolahan data dimana hasil uji regresi berganda yang menunjukkan model regresi yang tidak linier dan tidak melewati uji asumsi klasik. Selanjutnya untuk mendapatkan model yang layak (blues unbiased linier) dilanjutkan dengan melakukan transformasi logaritma natural pada seluruh variabel. Asumsi utama dilakukannya transformasi tersebut adalah untuk menghindari pencilan data yang tertinggi dengan data yang terendah akibat karena terjadinya perbedaan antara emiten yang besar dengan emiten yang kecil. Setelah transformasi dilakukan maka dilakukan pengujian regresi berganda setelah melewati uji asumsi klasik. Berdasarkan model yang sudah dilogaritma maka diperoleh model yang akan dibahas lebih lanjut yang terdapat pada Lampiran 8b merupakan model yang telah melewati uji asumsi klasik.

Statistik deskriptif untuk setiap variabel bebas yang dianalisis disajikan pada Tabel 5.1. Variabel bebas yang digunakan dalam analisis ini sebanyak 5 (lima) variabel, yaitu return on asset, return on equity ratio, Earnings per Share, price earnings ratio dan Investment Opportunity Set terhadap harga saham.. Variabel dependen yang digunakan adalah Harga Saham (Y). Deskripsi data terdapat pada Tabel 5.1 sebagai berikut :

Tabel 5.1 Deskriptif Statistik

Descriptive Statistics

Std. Deviation ROA_X1

38.5754 116.58785 ROE_X2

-15.9415 385.36345 EPS_X3

534.3770 2065.20767 PER_X4

364.2665 2001.53602 IOS_X5

11.7014 137.23912 HS_Y

5450.7201 10269.10328 Valid N (listwise)

Sumber : Hasil Output SPSS 17 (Lampiran 8b)

Variabel tingkat Harga Saham (stock prices) adalah harga saham penutupan pada akhir tahun. Besarnya nilai perubahan harga saham emiten manufaktur yang terdaftar di Bursa Efek Indonesia tahun 2005-2008 rata-rata sebesar Rp 5.450,72.- Perubahan harga saham tertinggi sebesar Rp 72.000.- dan perubahan terendah sebesar Rp 41,80.- Return on Assets/ROA (X1) yaitu perbandingan antara jumlah laba bersih/rugi bersih yang diperoleh terhadap total kekayaan perusahaan. Pada Tabel 5.1 terlihat bahwa rata – rata total Return on Assets/ROA sebesar 38,58 % saham dengan nilai ROA tertinggi sebesar 1.650 % dan terendah sebesar -83,25 %.

Variabel Return on Equity (X2) perusahaan sampel yang mengukur jumlah laba besih terhadap total equitas yang ada. Seberapa besar jumlah laba bersih yang ada memberikan kontribusi terhadap equitas. Dari sampel yang diperoleh diketahui bahwa secara umum rata-rata ROE tahun 2005-2008 adalah sebesar -15,94 % dengan ROE tertinggi sebesar 822,06 % dan yang terendah -8325 % dengan standar deviasi dari rata – rata sebesar 385,36 %.

Variabel Earnings per Share (X3) dalam penelitian ini diukur dengan laba bersih per lembar saham. Berdasarkan Tabel 5.1. terlihat bahwa rata-rata laba bersih per lembar saham dalam kurun waktu 2005-2008 adalah sebesar Rp534,37.- dengan rata-rata laba bersih per lembar saham tertinggi dan terendah masing-masing Rp 41.514.- per lembar dan Rp 230,76.- per lembar sahamnya.

Variabel Price Earnings Ratio (X4) dalam penelitian ini diukur dengan harga saham dibagi dengan jumlah lembar saham yang dimiliki. Berdasarkan Tabel 5.1. terlihat bahwa rata-rata PER dalam kurun waktu 2005-2008 adalah sebesar Rp 364,27.- dengan rata-rata PER tertinggi dan terendah masing-masing Rp40.516.- per lembar dan Rp 114,85.- per lembar sahamnya.

Variabel Investment Opportunity Set (IOS) Ratio (X5) adalah set kesempatan investasi. Dalam penelitian ini diukur dengan nilai Total Assets Turnover yang dimiliki. Berdasarkan Tabel 5.1. terlihat bahwa rata-rata IOS dalam kurun waktu 2005-2008 adalah sebesar 364,27 % dengan rata-rata IOS tertinggi dan terendah masing-masing 2876 % dan -34,53 %.

5.1.2. Uji Asumsi Klasik

Untuk menghasilkan suatu analisis data yang akurat, suatu persamaan regresi sebaiknya terbebas dari asumsi-asumsi klasik yang harus dipenuhi antara lain uji autokorelasi, normalitas, multikolinearitas dan heteroskedastisitas. (Ghozali, 2005).

5.1.2.1. Uji Normalitas

Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel terikat dan variabel bebas keduanya memiliki distribusi normal atau tidak. Model regresi yang baik adalah memiliki distribusi data normal atau mendekati normal. Untuk melihat normalitas data dapat dilakukan dengan melihat histogram atau normal probabilitas plot.

Berdasarkan hasil pengolahan data SPSS, Uji normalitas data dalam penelitian dapat dilakukan dengan berbagai model normalitas data diantaranya yang ditunjukkan pada Gambar 5.1 berikut :

 Model Histogram

Gambar 5.1. Uji Normalitas Data dengan Histogram (Sebelum Transformasi)

Berdasarkan gambar tersebut, dapat disimpulkan bahwa data yang digunakan tidak terdistribusi normal dengan residualnya. Hal tersebut diketahui poligon kecenderungan pada sentral garis distribusi normal sehingga dapat disimpulkan data tidak terdistribusi normal (Ghozali, 2005).

Model Grafik P-P Plot

Selain menggunakan model histogram, uji normalitas dapat juga dilakukan dengan menggunakan gambar Grafik P-P Plot. Berdasarkan pada Gambar 5.2 dibawah titik – titik tidak menyebar digaris titik diagonal dengan demikian data tidak terdistribusi normal.

Gambar 5-2 : Gambar Normal P-P Plot (Sebelum Transformasi)

Menurut Ghozali (2005), menyatakan bahwa jika data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal, berdasarkan gambar tersebut maka model regresi tidak memenuhi asumsi normalitas.

Menurut Erlina dan Mulyani (2007) ada beberapa cara merubah model regresi menjadi normal yaitu dengan cara :

1. Melakukan transformasi data ke bentuk lain

2. Melakukan trimming yaitu membuang data outlier

3. Melakukan winsorizing yaitu merubah nilai data outlier dalam bentuk tertentu.

Pada penelitian ini untuk data yang tidak normal dilakukan dengan melakukan transformasi kedalam bentuk logaritma natural. Adapun hasil setelah dilakukan transformasi dengan cara melakukan logaritma terhadap data maka diperoleh hasil sebagai berikut :

 Model Histogram

Gambar 5.3. Uji Normalitas Data dengan Histogram (Sesudah Transformasi)

Berdasarkan gambar tersebut, dapat disimpulkan bahwa data yang digunakan normal. Hal tersebut diketahui poligon kecenderungan tidak menceng ke kiri maupun ke kanan.

 Model Grafik P-P Plot Berdasarkan pada Gambar 5.2 dibawah titik – titik menyebar digaris titik diagonal dengan demikian merupakan data normal.

Gambar 5-4 : Gambar Normal P-P Plot (Sesudah Transformasi) Ghozali (2005), menyatakan bahwa jika data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal, maka model regresi memenuhi asumsi normalitas.

 Model Statistik dengan Uji Kolmogorov Smirnov Selain itu uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel terikat dan variabel bebas keduanya memiliki distribusi normal atau tidak. Model regresi yang baik adalah memiliki distribusi data normal atau mendekati normal. Uji Normalitas bertujuan untuk melihat apakah model regresi, variabel pengganggu atau residual berdistribusi normal. Untuk itu dilakukan uji one sample Kolmogorov Smirnov Test . Adapun hasil pengujian terdapat pada Tabel 5.2 berikut :

Tabel 5.2 : Hasil Pengujian One Sample Kolmogorov Smirnov Test (Sebelum Transformasi)

One-Sample Kolmogorov-Smirnov Test

Normal Parameters a,,b Mean

1.59233396E4 Most Extreme Differences

Std. Deviation

Kolmogorov-Smirnov Z

.000 a. Test distribution is Normal.

Asymp. Sig. (2-tailed)

b. Calculated from data.

Sumber : Output SPSS (Lampiran 8b) Dari hasil pengujian terlihat pada Tabel 5.2 tersebut terlihat besarnya nilai

Kolmogorov- Smirnov adalah 7.196 dan signifikan pada 0.000. Hal ini berarti H 0 diterima yang berarti data residual tidak terdistribusi normal.

Setelah dilakukan transformasi dengan melakukan transformasi dalam bentuk logaritma maka hasil yang diperoleh sebagai berikut :

Tabel 5.3 : Hasil Pengujian One Sample Kolmogorov Smirnov Test. (Sesudah Transformasi)

One-Sample Kolmogorov-Smirnov Test

Normal Parameters a,,b Mean

1.40513673 Most Extreme Differences

Std. Deviation

Kolmogorov-Smirnov Z

.112 a. Test distribution is Normal.

Asymp. Sig. (2-tailed)

b. Calculated from data.

Sumber : Output SPSS (Lampiran 8b)

Dari hasil pengujian terlihat pada Tabel 5.3 tersebut terlihat besarnya nilai Kolmogorov- Smirnov adalah 1.201 dan signifikan pada 0.112. Hal ini berarti H 0 ditolak yang berarti data residual berdistribusi normal.

5.1.2.2. Uji Multikolinearitas

Multikolinearitas merupakan fenomena adanya korelasi yang sempurna antara satu variabel bebas dengan variabel bebas lain. Jika terjadi multikolinearitas , akan mengakibatkan timbulnya kesalahan standard penaksir dan probabilitas untuk menerima hipotesis yang salah semakin besar. Menurut Ghozali (2005) salah satu cara untuk mengetahui adanya multikolinearitas adalah dengan melakukan uji VIF (Variance Inflation Factor) yaitu jika VIF tidak lebih dari 10 dan nilai Tolerance Multikolinearitas merupakan fenomena adanya korelasi yang sempurna antara satu variabel bebas dengan variabel bebas lain. Jika terjadi multikolinearitas , akan mengakibatkan timbulnya kesalahan standard penaksir dan probabilitas untuk menerima hipotesis yang salah semakin besar. Menurut Ghozali (2005) salah satu cara untuk mengetahui adanya multikolinearitas adalah dengan melakukan uji VIF (Variance Inflation Factor) yaitu jika VIF tidak lebih dari 10 dan nilai Tolerance

Tabel 5.4 :

Uji Multikolinearitas (Sebelum Transformasi)

Coefficients a Collinearity Statistics

1 ROA_X1

ROE_X2

EPS_X3

PER_X4

IOS_X5

a. Dependent Variable: HS_Y

Sumber : Hasil Output SPSS (Lampiran 8b)

Dari tabel tersebut di atas dapat dilihat bahwa nilai VIF untuk variabel EPS_X3 dan PER_X4 adalah > 10 dan Tolerance mendekati 0,1. Hal ini membuktikan bahwa model regresi yang digunakan dalam penelitian ini terdapat gejala multikolinearitas (homoskedastisitas). Setelah dilakukan proses transformas maka menghasilkan model berikut :

Tabel 5.5 :

Uji Multikolinearitas (Sesudah Transformasi)

Coefficients a Collinearity Statistics

1 ln_ROA_X1

ln_ROE_X2

ln_EPS_X3

ln_PER_X4

ln_IOS_X5

a. Dependent Variable: ln_HS_Y

Sumber : Hasil Output SPSS (Lampiran 8b)

Dari tabel tersebut di atas dapat dilihat bahwa nilai VIF untuk masing-masing variabel adalah < 10 dan Tolerance tidak kurang dari 0,1. Hal ini membuktikan bahwa model regresi yang digunakan dalam penelitian ini tidak terdapat gejala multikolinearitas (homoskedastisitas).

5.1.2.3. Uji Autokorelasi

Gejala Autokorelasi diditeksi dengan menggunakan uji Durbin-Watson (DW). Menurut Santoso (2005 : 241), untuk mendeteksi ada tidaknya autokorelasi maka dilakukan pengujian Durbin-Watson (DW). Nilai d tersebut selanjutnya dibandingkan dengan nilai d tabel dengan tingkat signifikansi 5% dengan df = n-k-1. Dari hasil pengujian terlihat bahwa nilai DW sebesar 1,670, berarti data tidak terkena autokorelasi.

Tabel 5.6 : Nilai Durbin-Watson

Std. Error of

Model

the Estimate

a. Predictors: (Constant), ln_IOS_X5, ln_ROA_X1, ln_EPS_X3, ln_ROE_X2, ln_PER_X4 b. Dependent Variable: ln_HS_Y

Sumber : Hasil Output SPSS (Lampiran 8 b)

Berdasarkan Tabel 5.6 di atas, untuk mengetahui adanya autokorelasi digunakan uji Durbin-Watson, dengan kriteria dari tabel Durbin-Watson terlihat Nilai DW sebesar 1,670 Untuk mengetahui adanya autokorelasi digunakan uji Durbin-

Watson , dengan kriteria menurut Santoso (2005 : 219) dengan cara melihat besaran Durbin-Watson sebagai berikut :

 Angka D-W di bawah -2, berarti ada autokorelasi positif.  Angka D-W di antara -2 sampai +2, berarti tidak ada autokorelasi.  Angka D-W di atas +2, berarti ada autokorelasi negatif.

Hasil uji autokorelasi di atas menunjukkan nilai statistik Durbin-Watson (D- W) sebesar 1,550. Oleh karena itu, nilai DW dalam rentang nilai -2 dan lebih kecil dari 2 (-2 < 1,670 < 2) maka disimpulkan bahwa tidak terjadi autokorelasi baik positif maupun negatif.

5.1.2.4. Uji Heteroskedastisitas

Uji heteroskedastisitas bertujuan untuk menguji apakah dari model regresi terjadi ketidaksamaan varians dari residual satu pengamatan ke pengamatan yang lain. Model regresi yang baik adalah yang homoskedastisitas atau tidak terjadinya heteroskedastisitas. Salah satu cara untuk mendeteksi ada atau tidaknya heteroskedastisitas adalah dengan melihat grafik plot antara nilai prediksi variabel terikat dengan residualnya. Jika ada pola tertentu, seperti titik – titik menyebar diatas dan dibawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.

Berdasarkan hasil pengolahan data, uji heteroskedastisitas dalam penelitian ini ditunjukkan pada Gambar 5.5 :

Sumber : Hasil Output SPSS (Lampiran 8b).

Gambar 5.5 : Uji Heteroskedastisitas

Berdasarkan gambar di atas tidak terlihat ada pola tertentu, serta titik – titik menyebar diatas dan dibawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.

Selain itu permasalahan Heteroskedastisitas dapat diketahui dengan Uji Park Ghozali (2005 : 107). Model regresi yang baik adalah model yang Homoskesdatisitas atau tidak terjadi Heteroskedastitas. Untuk mendeteksi ada atau tidaknya heteroskedastisitas dapat dilakukan dengan dengan Uji Park. Asumsi utama Uji Park yaitu dengan melakukan transformasi logaritma terhadap residual (Ghozali, 2005 : 107). Adapun hasil pengujian Uji Park terdapat pada Tabel 5.7 berikut :

Tabel 5.7 : Uji Park

Coefficients a Standardized

Unstandardized Coefficients

Coefficients

Model

t Sig. 1 (Constant)

B Std. Error

Beta

.000 ln_ROA_X1

-.806 .423 ln_ROE_X2

1.385 .170 ln_EPS_X3

1.179 .242 ln_PER_X4

1.418 .160 ln_IOS_X5

-.178 .859 a. Dependent Variable: ln_Res

Sumber : Hasil Olah Data SPSS. (Lampiran 8b).

Jika koefesien parameter beta dari persamaan regresi tersebut tidak signifikan secara statistik, hal ini menunjukkan bahwa dalam data model empiris yang diestimasi tidak terdapat heteroskedastisitas dan sebaliknya jika parameter beta tidak signifikan secara statistik, maka asumsi Homoskesdatisitas pada data model tersebut tidak dapat ditolak. Hasil yang terlihat pada Tabel 5.7 menunjukkan koefesien parameter untuk variabel independen tidak ada yang signifikan (ln_ROA_X1 dengan tingkat signifikansi 0.423, ln_ROE dengan tingkat signifikansi 0.170, ln_EPS dengan tingkat signifikansi 0.242, ln_PER_X4 dengan signifikansi 0.160 dan ln_IOS dengan tingkat signifikansi 0.859). Maka dapat disimpulkan model regresi tidak terdapat heteroskedastisitas.