61 Keterangan :
Rit : Return Saham yang diterima investor
Pit : Return saham saat ini
Pit-
1
: Return saham tahun sebelumnya
Table 6 : Return Saham Perusahaan Rokok di BEI.
Nama Perusahaan
Return Saham
2004 2005
2006 2007
2008 PT.
BAT Indonesia Tbk 0,11
0,17 0,47
0,15 0,09
PT. Bentoel International Investama Tbk
0,22 0,23
1,30 0,81
0,07 PT.
Hanjaya Mandala Sampoerna Tbk 0,14
0,34 0,09
0,08 0,09
PT. Gudang Garam Tbk
0,004 0,14
0,12 0,17
0,50
Sumber: Lampiran 1 Berdasarkan tabel di atas dapat diketahui bahwa tahun 2004 untuk Return
Saham PT. Bentoel Internasional Invesma Tbk mencatat nilai yang paling tinggi yaitu sebesar 0,22 dan pada tahun 2005 nilai tertinggi dicapai oleh
PT.Hanjaya Mandala Sampoerna Tbk yaitu sebesar 0,34 kemudian pada tahun 2006 nilai tertinggi dicapai oleh PT. Bentoel Internasional Invesma Tbk yaitu
sebesar 1,30. Kemudian pada tahun 2007 PT Bentoel Internasional Invesma Tbk mencatat nilai tertinggi sebesar 0,81. Dan pada tahun 2008 PT. BAT
Indonesia Tbk mencatat nilai tertinggi sebesar 0,09.
4.3. Analisis Dan Pengujian Hipotesis
4.3.1. Uji Normalitas
Sebuah model regresi yang variabel Dependen dan Independen atau keduanya mempunyai distribusi normal atau tidak. Deteksi
Normalitas dengan Menggunakan uji Kolmogorov-Smirnov dengan
62 Lilliefors Significance Correction dan Shapiro-Wilk, data dikatakan
normal jika nilai signifikansinya lebih besar dari 0,05 5. Tabel 7: Hasil Uji Normalitas
Sumber : Lampiran 2 Dengan menggunakan uji ini diperoleh hasil analisis bahwa semua
variable Return Saham Y, ROE X1, PER X3, BVS X3 dan PBV X4
Kesemuanya memiliki distribusi yang TIDAK normal, sehingga dapat disimpulkan data Tidak memenuhi asumsi berdistribusi normal.
4.3.2. Uji Outlier
Evaluasi erhadap multivariate outliers perlu dilakukan sebab walaupun data yang dianalisis menunjukkan tidak ada outlier pada tingkat univariate, tetapi
observasi itu dapat menjadi outlier bila sudah dikombinasikan. Multivariate outliers diuji menggunakan uji Mahalanobis Distance pada tingkat p 0,001.
Jarak Mahalanobis Distance itu dievaluasi dengan menggunakan χ
2
pada derajat bebas sebesar jumlah indicator yang digunakan dalm setiap variabel Hair, 1995
dalm Ferdinand 2002 ; 102-103. Berikut ini hasil uji outlier multivariate :
63 Tabel 8 : Hasil Nilai Mahalanobis Distance
Sumber : Lampiran 2 Terdapat outlier apabila Mahal. Distance Maximum Prob. Jumlah
variabel [=CHIINV 0,001;4 : dicari melalui Excel] = 20.5150 Hasil analisis deteksi adanya oulier data ini pada analisis pertama Tidak
terdapat nilai Mahal. Distance Maximum yang lebih besar dari 20.5150 .
Berarti tidak terdapat outlier pada data tersebut, oleh karena itu data ini mempunyai
kualitas yang baik dan dapat dilanjutkan untuk diolah lebih lanjut.
4.3.3 Uji Asumsi Klasik
Pengujian asumsi klasik ini perlu dilakukan untuk mengetahui apakah hasil estimasi regresi yang dilakukan betul-betul terbebas dari adanya gejala
multikolinearitas, gejala auto korelasi dan gejala heteroskedastisitas. Hasil pengujian disajikan sebagai berikut :
64
1. Uji Autokorelasi
Adanya korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu periode t-1 sebelumnya.
Deteksi Autokorelasi: a.
Besarnya Angka Durbin Watson Patokan : Angka D-W di bawah –2 ada autokorelasi positif
Angka D-W di atas +2 ada autokorelasi negatif Angka Berada diantara –2 sampai +2 Tidak ada Autokorelasi
atau Membandingkan dengan Tabel Durbin Watson Identifikasi gejala autokorelasi dapat dilakukan dengan kurva di bawah ini.
Gambar 3. Hasil uji Statistik d Durbin – Watson
Menolak Ho Daerah Daerah Menolak
Bukti auto Keragu- Keragu- Ho Bukti
korelasi raguan raguan auto kore-
positif lasi negatif
Menerima Ho atau Ho
atau kedua-duanya dL dU
4-dU 4-dL 0
0,86 1,73 2,27 3,14
1,453
a. Koefisien determinasi berganda R square tinggi
b. Koefisien korelasi sederhananya tinggi.
c. Nilai F hitung tinggi signifikan
d. Tapi tak satupun atau sedikit sekali diantara variabel bebas yang signifikan.
65 Untuk asumsi klasik yang mendeteksi adanya autokorelasi di sini dilihat
dari hasil analisis pertama 1 dan kedua 2 menunjukkan hasil bahwa nilai Durbin Watson sebesar 1,453 dan 1,290, hal ini menunjukkan Tidak adanya
gejala autokorelasi. Lihat hasil analisis berikut:
Tabel 9 : Hasil Uji Autokorelasi Analisis 1
Analisis 2
Sumber : Lampiran 3 Jadi dapat disimpulkan bahwa model regresi linier berganda yang
pertama dan ke dua tanpa ROE_X1 diperoleh hasil nilai uji Durbin Watson sebesar 1,453 dimana nilai tersebut berada di antara batas atas d
L
0,86 dan d
U
1,73, berarti tidak terdapat gejala auto korelasi dan berada pada daerah keragu-raguan.
2. Uji Multikolonearitas
Adanya korelasi variabel independen dalam regresi berganda.
66 Deteksi adanya Multikolinier :
a. Besarnya VIF Variance Inflation Factor dan Tolerance
- Jika VIF melebihi angka 10, maka variabel tersebut mengindikasikan
adanya multikolinieritas. Gujarati b.
Nilai Eigenvalue mendekati 0 Singgih Santoso c.
Condition Index melebihi angka 15 Singgih Santoso Dalam pengujian asumsi klasik terhadap analisis regresi linier berganda ini
menyatakan bahwa hasil analisis penelitian ini menunjukkan adanya gejala multikolinieritas dimana nilai VIF pada variabel lebih besar dari 10 maka
variabel ini disimpulkan terdapat gejala multikolinieritas dengan variabel independen lainnya. Dengan nilai VIF untuk ROE X1 = 10,877, PER X2 =
1,645, BVS X3 = 3,227 dan PBV X4 = 5,791 Syarat terjadi multikolinieritas jika nilai VIF Variance Inflation Factor
10 Cryer,1994 : 681.
Tabel 10 : Data Uji Multikolinearitas
Sumber : Lampiran 3
67 Hasil diatas mengindikasikan adanya multikolinieritas pada variabel
ROE X1 dengan Variabel PBV X4, untuk membuktikannya dengan mengkorelasikan semua variabel independen tersebut.
Dimana korelasi tertinggi yaitu pada variabel ROE_X1 dengan Variabel PBV_X4, untuk pengobatan Multikolinieritas ini salah satunya yaitu dengan
tidak memasukkan variabel independen yang diindikasikan mempunyai korelasi. Dalam penelitian disini tidak memasukkan variabel ROE_X1. Dan
selanjutnya dilakukan pengolahan kembali tanpa memasukkan variabel ROE_X1 dengan hasil sebagai berikut:
Tabel 10 : Hasil Uji Multikolinieritas
Sumber : Lampiran 3 Hasil Analisis dengan tidak memasukkan ROE_X1 diatas menunjukkan
tidak adanya Multikolinieritas Bebas dari asumsi Multikolinierits, karena nilai VIF semua variabel lebih kecil dar 10.
3. Uji Heterokedastisitas
Varian dari residual dari satu pengamatan ke pengamatan lain mempunyai
varian yang berbeda. Jika sama namanya Homoskedastisitas. Model regresi yang baik tidak mempunyai Heteroskedastisitas.
68 Deteksi Adanya Heteroskedastisitas :
a. Dari Scatter Plot Residual: jika ada pola tertentu seperti titik-titik point-
point yang ada membentuk pola tertentu yang teratur bergelombang, menyebar kemudian menyempit
b. Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas 0 pada
sumbu Y, maka tidak terjadi Heteroskedastisitas.
c. Pada regresi linier nilai residual tidak boleh ada hubungan dengan variabel
X. Hal ini bisa diidentifikasi dengan cara menghitung korelasi rank Spearman antara residual dengan seluruh variabel bebas. Rumus rank
Spearman adalah : r
s
= 1 – 6
1 N
N d
2 2
i
Keterangan : d
i
= perbedaan dalam rank antara residual dengan variabel bebas ke-i N = banyaknya data
Pengujian Heteroskedastisitas di sini menggunakan korelasi rank Spearman antara residual dengan seluruh variabel bebas dengan hasil analisis sbb:
69
Tabel 11 : Data Uji Heteroskedastisitas
Sumber : Lampiran 3 Hasil analisis menunjukkan bahwa pada variabel untuk ROE X1, PER
X2, BVS X3 dan PBV X4 TIDAK mempunyai korelasi yang signifikan antara residual dengan variabel bebasnya, maka hasil analisis ini dapat
disimpulkan semua variabel penelitian Tidak terjadi Heteroskedastisitas. sehingga dapat disimpulkan bahwa semua variable penelitian memenuhi asumsi
Heteroskedastisitas.
70
4.3.4 Analisis Regresi Linier Berganda
