48
4.1.2. Statistik Deskriptif
Statistik deskriptif untuk mengetahui nilai maximum, minimum, mean rata-rata dan standard deviation variabel penelitian. Statistik deskriptif disajikan
pada tabel berikut: Tabel 4.1.
Descriptive Statistics N
Minimum Maximum
Mean Std. Deviation
X1 56
28,57 66,67
40,14 8,66
X2 56
1,00 4,00
2,64 0,62
X3 56
0,64 143,53
27,13 31,89
Y 56
135,00 1.200.000,00 50.814,09 174.387,54
CSR 56
2,53 51,90
15,08 12,16
Valid N 56
Sumber: Output SPSS, Diolah Peneliti 2015 Berdasarkan tabel di atas, diketahui time series sebanyak 56 2 x 28
dengan penjelasan deskriptif variabel penelitian, sebagai berikut: 1. Persentase dewan komisaris independen sebesar 28,57, tertinggi sebesar
66,67, rata-rata mean sebesar 40,14 dengan standar deviasi 8,66. 2. Jumlah komite audit terendah sebanyak 1 orang, tertinggi sebanyak 4 orang,
rata-rata mean sebesar 2,64 orang, dengan standar deviasi 0,62. Nilai profitabilitas yang diukur dari return on equity terendah 0,64, tertinggi
143,53, nilai rata-rata mean sebesar 27,13, dengan standar deviasi 31,89. 3. Harga saham terendah sebesar
Rp 135,00lembar, tertinggi
Rp 1.200.000,00lembar, rata-rata mean sebesar Rp 50.814,09lembar, dengan
standar deviasi Rp 174,387,54lembar. 4. Nilai corporate social responsibility terendah sebesar 2,53, tertinggi
51,90, rata-rata mean sebesar 15,08, dengan standar deviasi 12,16.
49
4.1.3. Hasil Uji Asumsi Klasik 4.1.3.1. Hasil Uji Normalitas
Uji normalitas dilakukan dengan menggunakan grafik histogram, normal probability plot dan uji Kolmogorov-Smirnov. Dasar pengambilan keputusan
normalitas dengan menggunakan grafit probability plot adalah: a. Jika data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal
menunjukkan pola berditribusi normal, maka model regresi memenuhi asumsi normalitas.
b. Jika data menyebar jauh dari garis diagonal dan atau tidak mengikuti arah garis diagonal, tidak menunjukkan pola berdistribusi normal, maka model
regresi tidak memenuhi asumsi normalitas. Pada uji Kolmogorov-Smirnov, apabila nilai signifikansi lebih besar dari
0,05, maka data residual berdistribusi normal. Sebaliknya, jika nilai signifikansi lebih kecil dari 0,05, maka data residual tidak berdistribusi normal. Berdasarkan
print output SPSS, diperoleh hasil uji normalitas, seperti pada tabel berikut: Tabel 4.2. Hasil Uji Normalitas
Sebelum moderating
Setelah moderating
N 56
56 Normal
Parametersa,b Mean
0,00 0,00
Std. Deviation 144.097,51
143.146,93 Most Extreme
Differences Absolute
0,167 0,176
Positive 0,167
0,176 Negative
-0,143 -0,151
Kolmogorov-Smirnov Z 1,252
1,319 Asymp. Sig. 2-tailed
0,087 0,062
a Test distribution is Normal. b Calculated from data.
Sumber: Output SPSS, Diolah Peneliti 2015
50 Dari Tabel 4.2, dapat dijelaskan hasil uji normalitas sebagai berikut:
a. Nilai Kolmogorov-Sminorv K-S untuk variabel harga saham sebelum moderating sebesar 1,252 dengan tingkat signifikan 0,087 lebih besar dari
0,05. Artinya, variabel harga saham sebelum moderating terdistribusi normal, karena tingkat signifikan 0,087 0,05.
b. Nilai Kolmogorov-Sminorv K-S untuk variabel harga saham sebelum moderating sebesar 1,319 dengan tingkat signifikan 0,062 lebih besar dari
0,05. Artinya, variabel harga saham setelah moderating terdistribusi normal, karena tingkat signifikan 0,062 0,05.
Normalitas dapat dideteksi melalui pengamatan histogram seperti yang disajikan pada gambar berikut:
Regression Standardized Residual
3 2
1 -1
-2 -3
Frequency
20 15
10 5
Histogram Dependent Variable: Y
Mean =-3.39E-15 Std. Dev. =0.972
N =56
Gambar 4.1. Histogram Sebelum Moderating Sumber: Output SPSS, Diolah Peneliti 2015
Berdasarkan tampilan grafik histogram yang disajikan pada gambar di atas sebelum moderating terlihat bahwa grafik histogram memberikan pola distribusi
yang normal.
51
Regression Standardized Residual
6 4
2 -2
-4
Frequency
25 20
15 10
5
Histogram Dependent Variable: Y
Mean =-3.56E-16 Std. Dev. =0.963
N =56
Gambar 4.2. Histogram Setelah Moderating Sumber: Output SPSS, Diolah Peneliti 2015
Dari gambar di atas setelah moderating terlihat bahwa grafik histogram memberikan pola distribusi yang normal.
Observed Cum Prob
1.0 0.8
0.6 0.4
0.2 0.0
Expect ed
Cum P
rob
1.0 0.8
0.6 0.4
0.2 0.0
Normal P-P Plot of Regression Standardized Residual Dependent Variable: Y
Gambar 4.3 Normal P-P Plot of Regression Standartized Residual Sebelum Moderating
Observed Cum Prob
1.0 0.8
0.6 0.4
0.2 0.0
Expect ed
Cum P
rob
1.0 0.8
0.6 0.4
0.2 0.0
Normal P-P Plot of Regression Standardized Residual Dependent Variable: Y
Gambar 4.4. Normal P-P Plot of Regression Standartized Residual Setelah Moderating
Sumber: Output SPSS, Diolah Peneliti 2015
52 Dilihat dari gambar 4.3 dan gambar 4.4, terlihat bahwa data menyebar
disekitar garis diagonal dan mengikuti arah garis diagonal menunjukkan pola distribusi normal. Dengan demikian, model regresi memenuhi asumsi normalitas.
4.1.3.2. Hasil Uji Multikolinieritas
Uji multikolinearitas bertujuan untuk menguji apakah dalam suatu model regresi terdapat korelasi antar variabel independen dewan komisaris independen,
komite audit dan profitabilitas. Pengujian multikolinearitas dilakukan dengan melihat VIF antar variabel independen. Nilai cut-off yang umum dipakai untuk
menunjukkan adanya multikoloniearitas adalah Tolerance 1 sedangkan Variance Inflation Factor VIF 10. Jika VIF menunjukkan angka 10 dan
nilai tolerance 1, hal ini berarti terdapat gejala multikolinearitas. Sebaliknya, jika nilai VIF 10 dan nilai tolerance 1, berarti tidak terdapat multikolinieritas.
Berdasarkan print output SPSS, diperoleh hasil uji multikolinearitas seperti pada tabel berikut:
Tabel 4.3. Hasil Uji Multikolinearitas
Model Sebelum moderating
Setelah moderating Collinearity Statistics
Collinearity Statistics Tolerance
VIF Tolerance
VIF X1
0,929 1,077
0,924 1,082
X2 0,936
1,068 0,935
1,070 X3
0,874 1,144
0,845 1,183
CSR 0,960
1,041 Sumber: Output SPSS, Diolah Peneliti 2015
Dari tabel di atas, terlihat bahwa nilai tolerance sebelum moderating untuk variabel dewan komisaris independen X
1
sebesar 0,929 dengan nilai VIF
53 Variance Inflation Factor sebesar 1,077. Nilai tolerance untuk variabel komite
audit X
2
sebesar 0,936 dengan nilai VIF sebesar 1,068. Nilai tolerance untuk variabel profitabilitas X
3
sebesar 0,874 dengan nilai VIF sebesar 1,144. Hasil uji multikolinieritas sebelum moderating menunjukkan bahwa rata-rata nilai VIF
10 dan nilai tolerance 1. Artinya, variabel independen sebelum moderating tidak mengalami multikolinieritas.
Dari Tabel 4.3, terlihat bahwa nilai tolerance setelah moderating untuk variabel dewan komisaris independen X
1
sebesar 0,924 dengan nilai VIF Variance Inflation Factor sebesar 1,082. Nilai tolerance untuk variabel komite
audit X
2
sebesar 0,935 dengan nilai VIF sebesar 1,070. Nilai tolerance untuk variabel profitabilitas X
3
sebesar 0,845 dengan nilai VIF sebesar 1,183. Nilai tolerance untuk variabel moderating CSR sebesar 0,960 dengan nilai VIF
sebesar 1,041. Hasil uji multikolinieritas sebelum moderating menunjukkan bahwa rata-rata nilai VIF 10 dan nilai tolerance 1. Artinya, variabel
independen setelah moderating tidak mengalami multikolinieritas. 4.1.3.3. Hasil Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah terdapat korelasi antara kesalahan pengganggu pada suatu periode dengan kesalahan pengganggu periode
sebelumnya dalam model regresi. Mendeteksi autokorelasi dengan menggunakan nilai Durbin Watson dibandingkan dengan tabel Durbin Watson dl dan du.
Kriteria: jika du dw 4 – du, maka tidak terjadi autokorelasi. Nilai du
tabel
1,68. Dari print output SPSS, diperoleh hasil uji autokorelasi seperti pada tabel berikut:
54 Tabel 4.4.
Hasil Uji Autokorelasi Model
Durbin-Watson sebelum moderating
Durbin-Watson setelah moderating
1 1,693
1,731 Sumber: Output SPSS, Diolah Peneliti 2015
Dari tabel di atas, diketahui nilai Durbin Watson Test sebelum moderating sebesar 1,693 dan setelah moderating sebesar 1,731. Dengan demikian, maka 1,68
1,693 2,32. Artinya, variabel dependen tidak terjadi autokorelasi sebelum moderating. Nilai Durbin Watson Test setelah moderating sebesar 1,731. Dengan
demikian, maka 1,68 1,731 2,32. Artinya, variabel dependen tidak terjadi autokorelasi setelah moderating.
4.1.3.4. Hasil Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan
yang lain. Uji ini dapat dilakukan dengan melihat grafik plot antara nilai prediksi variabel terikat dependend yaitu Zpred dengan residualnya Sresid. Jika ada pola
tertentu seperti titik-titik yang ada membentuk pola tertentu yang teratur bergelombang, melebar dan menyempit, maka mengindikasikan telah terjadi
heteroskedastisitas. Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu, maka tidak terjadi heterokedastisitas.
Berdasarkan print output SPSS, diperoleh hasil uji heteroskedastisitas seperti pada gambar berikut:
55
Regression Studentized Residual
3 2
1 -1
-2 -3
R egressi
on St
andardi zed
Predi ct
ed
Va lu
e
4 3
2 1
-1 -2
Scatterplot Dependent Variable: Y
Gambar 4.5. Scatterplot Sebelum Moderating Sumber: Output SPSS, Diolah Peneliti 2015
Gambar 4.5, menunjukkan hasil uji heteroskedastisitas sebelum moderating. Dari gambar tersebut, terlihat bahwa titik-titik menyebar di atas dan
di bawah, tidak mengumpul, penyebaran titik-titik data tidak membentuk pola bergelombang melembar kemudian menyempit dan melebar kembali. Artinya,
tidak terjadi heteroskedastisitas.
Regression Studentized Residual
3 2
1 -1
-2 -3
R egressi
on S
tandardi zed
P redi
ct ed
V al
ue
4 3
2 1
-1 -2
Scatterplot Dependent Variable: Yi
Gambar 4.6. Scatterplot Setelah Moderating Sumber: Output SPSS, Diolah Peneliti 2015
Gambar di atas, menunjukkan hasil uji heteroskedastisitas setelah moderating. Dari gambar tersebut, terlihat titik-titik menyebar di atas dan di
56 bawah, tidak mengumpul, penyebaran titik-titik data tidak membentuk pola
bergelombang melembar kemudian menyempit dan melebar kembali. Artinya, tidak terjadi heteroskedastisitas.
4.1.4. Analisis Regresi Linear Berganda
Analisis regresi linear berganda berguna untuk mengetahui besar pengaruh variabel bebas dewan komisaris independen, komite audit dan profitabilitas
terhadap variabel terikat harga saham. Berdasarkan print output SPSS versi 20, diperoleh persamaan regresi linear berganda dan uji t, sebagai berikut:
Tabel 4.5. Persamaan Regresi Linear Berganda
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error
Beta 1
Constant -427.470,393 133.559,780
-3,201 0,002
X1 5.684,617
2.393,911 0,282
2,375 0,021
X2 71.144,977
33.539,751 0,251
2,121 0,039
X3 2.287,448
670,107 0,418
3,414 0,001
a Dependent Variable: Y Sumber: Output SPSS, Diolah Peneliti 2015
Dari tabel di atas, diperoleh persamaan regresi linear berganda adalah: Y = -427.470,393 + 5.684,617X
1
+ 71.144,977X
2
+ 2.287,448X
3
Dari persamaan regresi linear berganda tersebut, masing-masing variabel independen dapat diinterpretasikan pengaruhnya terhadap harga saham, sebagai
berikut: 1. Nilai konstanta a sebesar -427.470,393 menyatakan bahwa jika variabel
independen konstan atau bernilai nol, maka harga saham akan turun sebesar Rp 427.470,393 per lembar.
57 2. Nilai koefisien dewan komisaris independen X
1
sebesar 5.684,617. Hal ini menunjukkan bahwa jika dewan komisaris independen bertambah 1 orang,
maka harga saham akan meningkat sebesar Rp 5.684,617 per lembar. 3. Nilai koefisien komite audit X
2
sebesar 71.144,977. Hal ini menunjukkan bahwa jika komite audit bertambah 1 orang, maka harga saham akan naik
sebesar Rp 71.144,977 per lembar. 4. Nilai koefisien profitabilitas X
3
sebesar 2.287,448. Hal ini menunjukkan bahwa jika profitabilitas yang diukur dari return on equity naik 1, maka
harga saham akan naik sebesar Rp 2.287,448 per lembar. 4.2. Pengujian Hipotesis
4.2.1. Uji Signifikansi Parsial t-test