Analisis Regresi Berganda Untuk Data Sekunder Dengan SPSS

Analisis Regresi Berganda Untuk Data Sekunder Dengan SPSS

Salam semuanya, terima kasih sudah berkenan untuk berkunjung ke blog ini. Pada postingan kali ini, mimin akan mencoba membahas tentang penerapan metode analisis regresi berganda pada data sekunder. Data sekunder adalah data yang diperoleh dari publikasi dari pihak lain, jadi bukan kita sendiri yang mengumpulkanya. Contoh data sekunder adalah laporan keuangan perusahaan yang dikeluarkan oleh perusahaan lewat website resmi perusahaan, koran dan juga media lain. Contoh yang lain adalah seperti data laporan kinerja perusahaan dan laporan keuangan perusahaan yang tercatat di Bursa Efek Indonesia.

Baiklah,,,,,untuk lebih jelasnya mari kita mulai saja pembahasanya…..

Dalam pembahasan kali ini kita akan mengambil contoh untuk membahas sebuah penelitian dengan judul “Analisis Pengaruh Dividend Pershare, Earning Pershare dan Book Value Pershare Terhadap Harga Saham” dengan studi kasus pada perusahaan-perusahaan yang tergabung dalam Indeks LQ 45 periode 2010-2014. Jumlah perusahaan yang akan diteliti adalah sebanyak 16 Perusahaan yang dipilih dengan metode purposive sampling dengan kriteria-kriteria tertentu yang ditentukan oleh penulis. Jadi jumlah sampel yang ada adalah sebanyak 16 perusahaan dikali 5 tahun = 80 sampel (N = 80). Pengolahan data dilakukan dengan alat bantu software SPSS.

Metode Analisis Data

Sebelum melakukan regresi terhadap data yang sudah kita peroleh, maka kita perlu melakukan serangkaian uji dasar yang bernama uji dasar asumsi klasik. Uji dasar asumsi klasik adalah pengujian yang dilakukan dengan tujuan untuk menunjukan bahwa hubungan antara variabel dependen dan variabel independen bersifat linier serta tidak terjadi masalah data tidak berdistribusi secara normal, multikolinieritas, heteroskedastisitas, dan autokorelasi di antara variabel independen dalam regresi tersebut.

Oleh karena itu, diperlukan pengujian dan pembersihan terhadap asumsi dasar jika memang terjadi. Pengujian asumsi dasar klasik regresi terdiri dari:

Uji Normalitas

Uji normalitas dimaksudkan untuk menguji apakah nilai residual yang telah terstandarisasi pada model regresi berdistribusi normal atau tidak. Nilai residual dikatakan berdistribusi normal jika nilai residual terstandarisasi tersebut sebagian besar mendekati nilai rata-ratanya. Tidak terpenuhinya normalitas pada umumnya disebabkan karena distribusi data tidak normal, karena terdapat nilai ekstrem pada data yang diambil. Uji Normalitas digunakan untuk menguji tingkat kenormalan variabel dependen dan variabel independen. Model regresi yang baik adalah model regresi yang memiliki distribusi data normal atau mendekati normal.

Adapun untuk melakukan uji normalitas dapat dilakukan dengan beberapa metode, nah untuk kali ini kita akan melakukan uji normalitas dengan metode grafik normal probability plot yang membandingkan distribusi kumulatif dari data sesungguhnya dengan distribusi kumulatif dari distribusi normal. Selain metode grafik normal probability plot, untuk melakukan uji normalitas juga dapat dilakukan dengan uji One Sample Kolmogorov Smirnov. Uji One Sample Kolmogorov Smirnov  digunakan untuk mengetahui distribusi data, apakah mengikuti distribusi normal, poisson, uniform, atau exponential. Dalam hal ini untuk mengetahui apakah disribusi residual terdistribusi normal atau tidak. Residual berdistribusi normal jika nilai signifikansi lebih dari 0,05.

Hipotesis dengan menggunakan uji One Sample Kolmogorov Smirnov adalah sebagai berikut.

H_o          : Nilai residual berdistribusi normal

H_a           : Nilai residual tidak berdistribusi normal

Dasar pengambilan keputusan dilakukan dengan melihat angka probabilitas, dengan aturan :

Probabilitas Sig. > 0,05, maka H_o  diterima. Maka, nilai residual berdistribusi normal.

Probabilitas Sig. < 0,05, maka H_o  ditolak. Maka, nilai residual tidak berdistribusi normal.

Uji Multikolinieritas

Uji dasar asumsi klasik yang kedua adalah uji multikolinieritas. Uji Multikolinieritas bertujuan untuk menguji apakah dalam model regresi yang terbentuk ada korelasi yang tinggi atau sempurna di antara variabel bebas. Multikolinieritas adalah hubungan liniear antar variabel independen di dalam regresi berganda. Model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel independen.

Untuk melakukan uji multikolinieritas dapat dilakukan dengan beberapa metode. Kali ini penulis akan menggunakan uji multikolinieritas dengan menganalisis perhitungan nilai Tolerance dan Variance Inflation Factor (VIF). Nilai tolerance yang rendah sama dengan nilai VIF tinggi (karena VIF = 1/tolerance). Nilai cut off yang umum dipakai untuk menunjukan adanya multikolinieritas adalah nilai tolerance < 0,10 atau sama dengan nilai VIF 10. 

Uji Heteroskedastisitas

Uji dasar asumsi klasik yang ketiga adalah uji heteroskedastisitas. Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi yang terbentuk terjadi ketidaksamaan varian dari residual model regresi. Data yang baik adalah data yang homoskedastisitas. Homoskedastisitas terjadi jika varian variabel pada model regresi memiliki nilai yang sama atau konstan. Heteroskesdastisitas berarti varian variabel gangguan yang tidak konstan. Masalah heteroskedastisitas dengan demikian lebih sering muncul pada cross section dari pada data time series. Jika varian dari residual suatu pengamatan ke pengamatan lainnya tetap, maka disebut heteroskedastisitas.

Adapun untuk mendeteksi ada tidaknya heteroskedastisitas pada kesempatan kali ini penulis melakukanya dengan melihat grafik plot antara nilai prediksi variable dependent (ZPRED) dengan residualnya (SRESID). Selain dengan melakukan analisis grafik, uji heteroskedastisitas kali ini juga dilakukan dengan uji glejser, yaitu dengan mengusulkan untuk meregresi nilai absolut residual terhadap variable independen.

Uji Autokorelasi

Uji dasar asumsi klasik yang terakhir adalah uji autokorelasi dimana uji ini bertujuan untuk mengetahui apakah ada korelasi antara anggota serangkaian data observasi yang diurutkan menurut waktu atau ruang. Autokorelasi merupakan korelasi antar variabel gangguan satu observasi dengan variabel gangguan observasi lain. Autokorelasi sering muncul pada data time series. Autokorelasi muncul karena observasi yang beruntung sepanjang waktu berkaitan satu sama lain. Autokorelasi dapat diditeksi melalui metode Durbin-Waston (DW) dengan mengansumsikan bahwa variabel gangguannya hanya berhubungan dengan variabel gangguan periode sebelumnya (lag pertama) yang dikenal dengan model autoregresif tingkat pertama dan variabel independen tidak mengandung variabel independen yang merupakan kelambanan dari variabel dependen.

Dasar pengambilan keputusan uji durbin watson dapat dilakukan dengan melihat tabel berikut :

Uji Statistik Durbin-Watson

Nilai Statistik d (Durbin-Watson)	Hasil
0 < d < dl	Menolak hipotesis nol : ada autokorelasi positif
dl < d < du	Daerah keragu-raguan : tidak ada keputusan
du < d < 4 – du	Menerima hipotesis nol : tidak ada autokorelasi positif / negatif
4 - du < d < 4 – dl	Daerah keragu-raguan : tidak ada keputusan
4 – dl < d < 4	Menolak hipotesis nol : ada autokorelasi negatif

Analisis Regresi Berganda

Secara umum analisis yang dilakukan dalam penelitian ini ditujukan untuk mengetahui pengaruh dari beberapa variabel independen (variabel x) terhadap variabel independen (y). Pada regresi berganda variabel independen yang diperhitungkan pengaruhnya terhadap variabel dependen (variabel y) jumlahnya lebih dari satu. Regresi berganda berarti variabel tergantung dipengaruhi oleh dua atau lebih variabel bebas (X1,X2,X3,….Xn) .

Dalam penelitian ini yang menjadi variabel dependen adalah harga saham (y), sedangkan yang menjadi variabel independen adalah dividend pershare (X1), earning pershare (X2) dan book value pershare (X3). Sehingga persamaan regresi yang terbentuk adalah sebagai berikut:

    Y  =  a + b₁X₁ + b₂X₂ + b₃X₃ + e

Keterangan :

Y = harga saham

a = intersep (konstanta)

b1 = koefisien regresi variabel independen 1

b2 = koefisien regresi variabel independen 2

b3 = koefisien regresi variabel independen 3

X1 = dividend pershare

X2 = earning pershare

X3 = book value pershare

e =  Error term.

a.      Analisi Korelasi

Yang pertama kita lakukan adalah korelasi. Dalam banyak kasus, banyak peneliti yang tidak terlalu memperdulikan hasil dari analisis korelasi. Karena korelasi berarti hubungan antara variabel independen dengan variabel dependen. Sedangkan fokus dalam analisis regresi berganda adalah pengaruh dari variabel dependen terhadap variabel independen. Meskipun demikian, penulis akan mencoba untuk melakukan analisis korelasi dalam pembahasan kali ini. Analisis korelasi digunakan untuk mengetahui derajat hubungan linier antara satu variabel dengan variabel lain. Suatu variabel dikatakan memiliki hubungan dengan variabel lain jika perubahan satu variabel diikuiti dengan variabel lain. Jika arah perubahanya searah maka kedua variabel memiliki korelasi positif. Sebaliknya, jika perubahanya berlawanan arah, kedua variabel tersebut memiliki korelasi negatif. Jika perubahan variabel tidak diikuti oleh perubahan variabel lain maka dikatakan bahwa variabel-variabel tersebut tidak saling berkorelasi.

Adapun analisis korelasi yang penulis gunakan kali ini adalah korelasi Product Moment atau Pearson. Dan kriteria pengukuran dalam kategori koefisien korelasi dapat dirangkum seperti berikut :

Kriteria Korelasi

Nilai r (korelasi)	Kriteria
0,00 – 0,29	Korelasi sangat lemah
0,30 – 0,49	Korelasi lemah
0,50 – 0,69	Korelasi cukup
0,70 – 0,79	Korelasi kuat
0,80 – 1,00	Korelasi sangat kuat

            

b.      Adjusted R²

Yang selanjutnya kita lihat dalam analisi regresi berganda adalah nilai  Koefesien determinasi (R²) yang digunakan untuk mengukur seberapa baik garis regresi sesuai dengan data aktualnya (goodness of fit). Koefisien determinasi ini mengukur presentase total varian variabel dependen Y yang dijelaskan oleh variabel independen di dalam garis regresi. Nilai R² mempunyai interval antara 0 sampai 1 (0 < R² < 1). Semakin besar R² (mendekati 1), semakin baik hasil untuk model regresi tersebut dan semakin mendekati 0, maka variabel independen secara keseluruhan tidak dapat menjelaskan variabel dependen. Kali nilai koefisien determinasi yang digunakan adalah nilai koefisien determinasi yang telah disesuaikan (adjusted R²) karena nilai ini telah disesuaikan dengan banyaknya variabel independen (X) yang masuk untuk menjelaskan variabel dependen (Y).

c.       Uji Simultan

Selanjutnya yang kita lakukan adalah melakukan uji F dimana Uji F ini  dilakukan untuk melihat pengaruh variabel-variabel independen secara keseluruhan terdapat variabel dependen. Pengujian ini dilakukan dengan membandingkan nilai F hitung dengan F tabel. Uji F digunakan untuk menguji pengaruh secara simultan variabel bebas terhadap variabel tergantungnya. Jika variabel bebas memiliki pengaruh secara simultan terhadap variabel tergantung, maka model persamaan regresi masuk dalam kriteria cocok atau fit. Sebaliknya, jika tidak terdapat pengaruh secara simultan maka hal ini akan masuk dalam kategori tidak cocok atau not fit.

Untuk menyimpulkan apakah model masuk dalam kategori cocok (fit) atau tidak, kita harus membandingkan nilai F hitung dengan nilai F tabel dengan derajat bebas : df: α, (k-1), (n,k), dimana k adalah jumlah variabel dan n adalah jumlah pengamatan (ukuran sampel). Dasar pengambilan keputusannya adalah jika nilai F hitung > F tabel, maka berarti bahwa variabel independen secara simultan berpengaruh secara signifikan terhadap variabel dependen, tetapi jika F hitung < F tabel, maka berarti bahwa variabel independen secara simultan tidak berpengaruh terhadap variabel dependen.

Selain itu, kita juga dapat melihat nilai probabilitas dari F hitung. Apabila nilai probabilitas < nilai alpha yang digunakan (biasanya 0,05), maka dapat disimpulkan bahwa secara simultan/bersama-sama variabel independen berpengaruh terhadap variabel dependen. Sebaliknya, jika nilai probabilitas > nilai alpha yang digunakan, maka dapat disimpulkan bahwa secara simultan variabel independen tidak berpengaruh terhadap variabel dependen.

d.      Uji Parsial

Selanjutnya adalah uji t. uji t (uji parsial) digunakan untuk melihat signifikasi dari pengaruh independen secara individu terhadap variabel dependen dengan menganggap variabel lain bersifat konstan. Nilai t hitung digunakan untuk menguji apakah sebuah variabel bebas berpengaruh secara signifikan terhadap variabel tergantung atau tidak.

Uji t (uji parsial) dapat dilakukan dengan cara memperbandingkan t hitung dengan t tabel. Adapun nilai t tabel diperoleh dengan df:α,(n,-k) dimana α adalah tingkat signifikasi yang digunakan, n adalah jumlah pengamatan (ukuran sampel), dan k adalah jumlah variabel independen. Dasar pengambilan keputusannya adalah jika t hitung > t tabel, berarti H₀ ditolak yang berarti bahwa variabel X_i berpengaruh signifikan terhadap variabel dependen, tetapi jika t hitung < t tabel, maka H₀ diterima yang berarti bahwa variabel X_i tidak berpengaruh signifikan terhadap variabel dependen.

Selain membandingkan nilai t tabel dengan t hitung, untuk mengetahui apakah variabel independen berpengaruh signifikan terhadap variabel dependen juga dapat dilakukan dengan melihat nilai probabilitas masing-masing variabel independen. Apabila nilai probabilitas variabel independen lebih kecil dari tingkat signifikasi yang digunakan, maka dapat disimpulkan bahwa terdapat pengaruh signifikan variabel dependen terhadap variabel independen.

Analisis dan Pembahasan

Baiklah mari kita lanjutkan dengan analisi dan pembahasan

Uji Dasar Asumsi Klasik

a.      Uji Normalitas

Uji normalitas dalam kali ini dilakukan dengan beberapa metode seperti berikut:

1)      Grafik normal probability plot

Dengan melihat tampilan pada grafik normal P-Plot terlihat bahwa titik-titik menyebar disekitar garis diagonal yang juga mengindikasikan bahwa data yang digunakan merupakan data yang terdistribusi secara normal, sehingga analisis regresi layak digunakan.

2)      Uji One Sample Kolmogorov Smirnov

One-Sample Kolmogorov-Smirnov Test
			Unstandardized Residual
N			80
Normal Parametersa		Mean	.0000000
		Std. Deviation	4.64861507E3
Most Extreme Differences		Absolute	.183
		Positive	.183
		Negative	-.095
Kolmogorov-Smirnov Z			1.634
Asymp. Sig. (2-tailed)			.230
a. Test distribution is Normal.

           Berdasarkan pada hasil output SPSS uji Kolmogrov Smirnov di atas, nilai Asym.Sig (2-tailed) sebesar 0,230, nilai tersebut memenuhi ketentuan sig. (p) > 0,05 (level of signification). Hal ini berarti bahwa data residual berdistribusi normal.

b.      Uji Multikolinieritas

Coefficientsa
Model			Collinearity Statistics
			Tolerance	VIF
1	(Constant)
	DPS		.314	4.283
	EPS		.153	5.146
	BVPS		.259	5.817
a. Dependent Variable: HS

         Dari tabel di atas, dapat dilihat bahwa nilai VIF (Variance Inflation Factor) masing-masing variabel independen adalah sebesar 4,283 untuk dividend pershare (DPS), 5,146 untuk earning pershare (EPS), dan 5,817 untuk book value pershare (BVPS) yang berarti lebih kecil dari 10, sehingga dapat disimpulkan bahwa model regresi yang terbentuk terbebas dari masalah multikolinieritas. 

c.       Uji Heteroskedastisitas

1)      Grafik Plot

                 Dari grafik scatter plot terlihat bahwa titik-titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y, dengan demikian dapat disimpulkan bahwa model regresi yang terbentuk dalam penelitian ini tidak mengalami masalah heteroskedastisitas.

2)      Uji Glejser

Coefficientsa
Model		Unstandardized Coefficients		Standardized Coefficients	t	Sig.
		B	Std. Error	Beta
1	(Constant)	815.276	548.493		1.486	.141
	DPS	1.805	1.314	.243	1.373	.285
	EPS	-.220	.984	-.057	-.224	.754
	BVPS	.449	.241	.363	1.867	.235
a. Dependent Variable: RES2

Dasar pengambilan keputusan pada uji glejser adalah sebagai berikut :

Jika nilai signifikasi lebih besar dari 0,05, maka disilmpulkan tidak terjadi masalah heteroskedastisitas.

Jika nilai signifikasi lebih kecil dari 0,05, maka disilmpulkan terjadi masalah heteroskedastisitas.

Dengan melihat tabel di atas, dapat dilihat bahwa nilai signifikasi variabel dividend pershare adalah 0,285, nilai signifikasi variabel earning pershare sebesar 0,754 dan nilai signifikasi variabel book value pershare sebesar 0,235 yang berarti lebih besar dari nilai signifikasi 0,05 sehingga dapat disimpulkan bahwa data yang digunakan terbebas dari masalah heteroskedastisitas.

d.      Uji Autokorelasi

Model Summaryb
Model	R	R Square	Adjusted R Square	Std. Error of the Estimate	Durbin-Watson
1	.937a	.877	.873	4739.47607	2.074
a. Predictors: (Constant), BVPS, DPS, EPS
b. Dependent Variable: HS

Sumber : Data Diolah

Dari tabel di atas dapat dilihat bahwa nilai DW dari persamaan regresi yang terbentuk adalah sebesar 2,074. Sedangkan nilai tabel Durbin-Watson dengan n=80 dan k=3, maka diperoleh nilai dL= 1,560 dan dU=1,7153 sehingga nilai 4-dU = 4-1,7153 = 2,2847, maka nilai DW dari model regresi yang terbentuk pada penelitian ini berada pada area bebas autokorelasi seperti tabel berikut :

Tabel 4.14

Uji Autokorelasi

Ada autokorelasi positif

Tidak dapat diputuskan

Tidak ada autokorelasi   DW=2,074

Tidak dapat diputuskan

Ada autokorelasi negatif

                        0        dL=1,560       dU=1,715      2      4-dU=2,285   4-dL=2,44        4

Dari tabel di atas, dapat dilihat bahwa nilai DW dari model regresi yang terbentuk dari penelitian ini berada pada daerah bebas autokorelasi sehingga dapat disimpulkan bahwa data yang digunakan dalam penelitian ini terbebas dari masalah autokorelasi.

Analisis Regresi Berganda

a.      Analisis Korelasi

Correlations
		DPS	EPS	BVS	HS
DPS	Pearson Correlation	1	-.150	-.253	.586**
	Sig. (2-tailed)		.292	.074	.000
	N	80	80	80	80
EPS	Pearson Correlation	-.150	1	.041	-.145
	Sig. (2-tailed)	.292		.773	.311
	N	80	80	80	80
BVS	Pearson Correlation	-.253	.041	1	-.081
	Sig. (2-tailed)	.074	.773		.573
	N	80	80	80	80
HS	Pearson Correlation	.586**	-.145	-.081	1
	Sig. (2-tailed)	.000	.311	.573
	N	80	80	80	80
**. Correlation is significant at the 0.01 level (2-tailed).

Dari tabel di atas, maka dapat dijelaskan sebagai berikut:

Hubungan atau korelasi antara dividen pershare (X1) dengan harga saham (Y) adalah sebesar 0,586 yang berarti korelasi kuat. Arah hubungan korelasi yang ada adalah arah hubungan positif yang berarti pada saat DPS (X1) mengalami kenaikan, maka harga saham (Y) mengalami kenaikan dan sebaliknya jika dps (X1) mengalami penurunan, harga saham (Y) mengalami penurunan. Nilai signifikasi yang ada adalah 0,000 < 0,05 yang berarti korelasi yang ada adalah korelasi yang signifikan.

Hubungan atau korelasi antara EPS (X2) dengan harga saham (Y) adalah sebesar -0,145 yang berarti korelasi sangat lemah. Arah hubungan korelasi yang ada adalah arah hubungan negatif yang berarti pada saat EPS (X2) mengalami kenaikan, maka harga saham (Y) mengalami penurunan dan sebaliknya jika  EPS (X2) mengalami penurunan, maka harga saham (Y) mengalami kenaikan. Nilai signifikasi yang ada adalah 0,311 > 0,05 yang berarti korelasi yang ada adalah korelasi yang tidak signifikan.  

Hubungan atau korelasi antara BVS (X3) dengan harga saham (Y) adalah sebesar -0,081 yang berarti korelasi sangat lemah. Arah hubungan korelasi yang ada adalah arah hubungan negatif yang berarti pada saat BVS (X3) mengalami kenaikan, maka harga saham (Y) mengalami penurunan dan sebaliknya jika BVS (X3) mengalami penurunan, maka harga saham (Y) mengalami kenaikan. Nilai signifikasi yang ada adalah 0,573 > 0,05 yang berarti korelasi yang ada adalah korelasi yang tidak signifikan.  

b.      Adjusted R²

Berikut adalah nilai Adjusted R² yang diperoleh dari hasil pengolahan data pada kesempatan kali ini:

Model Summaryb
Model	R	R Square	Adjusted R Square	Std. Error of the Estimate	Durbin-Watson
1	.937a	.877	.873	4739.47607	2.074
a. Predictors: (Constant), BVPS, DPS, EPS
b. Dependent Variable: HS

Dari tabel di atas dapat dilihat bahwa nilai Adjusted R-Square dari model regresi yang terbentuk dalam penelitian ini adalah sebesar 0,873 yang menunjukan bahwa kemampuan variabel independen (dividend pershare, earning pershare dan book value pershare) dalam menjelaskan variabel dependen (harga saham) adalah sebesar 87,3%, sisanya sebesar 12,7% dijelaskan oleh variabel lain yang tidak termasuk dalam model seperti likuiditas perusahaan, suku bunga, inflasi dan lain-lain.

c.       Uji Simultan

Berikut adalah hasil uji F (uji simultan) yang dilakukan pada kesempatan kali ini:

ANOVAb
Model		Sum of Squares	df	Mean Square	F	Sig.
1	Regression	1.222E10	3	4.073E9	181.313	.000a
	Residual	1.707E9	76	2.246E7
	Total	1.393E10	79
a. Predictors: (Constant), BVPS, DPS, EPS
b. Dependent Variable: HS

Dari hasil output regresi di atas, dapat dilihat bahwa secara simultan variabel independen memiliki pengaruh yang signifikan terhadap variabel independen. Hal ini dapat dibuktikan dari nilai F hitung sebesar 181,313 sedangkan nilai F tabel adalah dengan df : α,(k-1),(n-k) atau df : 0,05 (4-1), (80-4) adalah 2,73 yang berarti bahwa F hitung > F tabel. Hal ini juga dapat dilihat dengan  besarnya nilai probabilitas 0,000 yang berarti lebih kecil dari pada tingkat signifikasi yang digunakan yaitu 0,05 atau 5 %, maka dapat disimpulkan bahwa model regresi dapat digunakan untuk memprediksi nilai harga saham. Atau dapat dikatakan bahwa variabel dividend pershare (X1), earning pershare (X2) dan book value pershare (X3), secara simultan berpengaruh secara signifikan terhadap variabel harga saham (Y).

d.      Uji Parsial

Uji t yang dilakukan menggunakan uji dua sisi (two tail test), dengan α = 5%, maka diperoleh t tabel sebagai berikut :

t tabel (t kritis) =  |α ; df = (n-k)|

                         = 5% ; df = (80-3)

                         = 0,05 ; df = 77

                         = 1,665

Selain membandingkan nilai t tabel dengan t hitung, untuk mengetahui apakah variabel independen berpengaruh signifikan terhadap variabel dependen dalam penelitian ini juga dilakukan dengan melihat nilai probabilitas masing-masing variabel independen. Apabila nilai probabilitas variabel independen lebih kecil dari tingkat signifikasi yang digunakan yaitu 5% atau 0,05, maka dapat disimpulkan bahwa terdapat pengaruh signifikan variabel dependen terhadap variabel independen.

Berikut adalah hasil uji t (uji parsial) yang dilakukan dalam kesempatan kali ini:

Coefficientsa
Model		Unstandardized Coefficients		Standardized Coefficients	t	Sig.
		B	Std. Error	Beta
1	(Constant)	-506.421	800.505		-.759	.450
	DPS	5.731	1.918	.248	4.245	.000
	EPS	3.824	1.436	.282	3.742	.001
	BVPS	3.151	.351	.479	5.271	.000
a. Dependent Variable: HS

Dengan membandingkan nilai t tabel dengan t hitung dan melihat nilai probabilitas nilai probabilitas masing-masing variabel independen, maka dapat ditarik kesimpulan:

1)      Uji parsial terhadap variabel dividend pershare

Dengan melihat nilai t hitung (t statistik) dividend pershare sebesar 4,245 yang berarti lebih besar dari nilai t tabel 1,665 dengan probabilitas 0,000 yang berarti lebih kecil dari nilai α = 0,05, maka berarti bahwa variabel dividend pershare mempunyai pengaruh signifikan terhadap variabel harga saham.

2)      Uji parsial terhadap variabel earning pershare

Dengan melihat nilai t hitung (t statistik) earning pershare sebesar 3,742 yang berarti lebih besar dari nilai t tabel 1,665 dengan probabilitas 0,001 yang berarti lebih kecil dari nilai α = 0,05, maka berarti bahwa variabel earning pershare mempunyai pengaruh signifikan terhadap variabel harga saham.

3)      Uji parsial terhadap variabel book value pershare

Dengan melihat nilai t hitung (t statistik) book value pershare sebesar 5,271 yang berarti lebih besar dari nilai t tabel 1,665 dengan probabilitas 0,000 yang berarti lebih kecil dari nilai α = 0,05, maka berarti bahwa variabel book value pershare mempunyai pengaruh signifikan terhadap variabel harga saham.

e.       Bentuk Persamaan Regresi

Berdasarkan penjelasan di atas, maka persamaan regresi yang terbentuk adalah:

Y  = -506,421 + 5,731DPS + 3,824EPS + 3,151BVPS.

Nilai konstanta sebesar -506,421 menunjukan bahwa jika variabel independen yang terdiri dari dividend pershare, earning pershare dan book value pershare bernilai 0, maka nilai dari harga saham adalah -506,421.

Nilai koefisien X₁ atau dividend pershare adalah sebesar 5,731 menunjukan bahwa jika variabel dividend pershare mengalami kenaikan sebesar satu satuan, maka akan menaikan nilai harga saham sebesar 5,731 satuan dengan asumsi bahwa variabel lain konstan atau tetap.

Nilai koefisien X₂ atau earning pershare adalah sebesar 3,824 menunjukan bahwa jika variabel earning pershare mengalami kenaikan sebesar satu persen, maka akan menaikan nilai harga saham sebesar 3,824 satuan dengan asumsi bahwa variabel lain konstan atau tetap.

Nilai koefisien X₃ atau book value pershare adalah sebesar 3,151 menunjukan bahwa jika variabel book value pershare mengalami kenaikan sebesar satu satuan, maka akan menaikan nilai harga saham sebesar 3,151 satuan dengan asumsi bahwa variabel lain konstan atau tetap.

 

Sekian dulu untuk pembahasan mengenai analisis regresi berganda dengan data sekunder dan pengolahan data dengan alat bantu software SPSS. Next time, mimin akan mencoba untuk memposting tulisan lain tentang analisis data dengan judul yang berbeda dan metode analisis yang berbeda.

Terima Kasih………………

DAFTAR PUSTAKA

Ghozali, Imam. “Aplikasi Analisis Multivariat dengan Program IBM SPSS”. Edisi 5 Cetakan V, Badan Penerbit Universitas Diponegoro, Semarang, 2011.

Indriantoro, Nur & Bambang Supomo. “Metodologi Penelitian Bisnis untuk Akuntansi dan Manajemen”. BPFE Yogyakarta, 2002.

Irawati, Susan. “Manajemen Keuangan, Cetakan Pertama”. PT Pustaka, Bandung, 2006

Kasmir. “Analisa Laporan Keuangan”. Kharisma Putra Utama, Jakarta, 2008.

Kasmir. “Pengantar Manajemen Keuangan”. Kencana, Jakarta, 2010.

Siamat, Dahlan. “Manajemen Lembaga Keuangan”. LPFE UI, Jakarta, 2005.

Sugiyono. “Metode Penelitian Bisnis”. CV. Alfabeta, Bandung, 2003.

Suharyadi dan Purwanto, “Statistika untuk Ekonomi dan Keuangan Modern”. Penerbit Salemba 4, Jakarta, 2008.

Sulaiman, Wahid. “Analisis Regresi Menggunakan SPSS Contoh dan Pemecahanya”. Penerbit Andi, Yogyakarta, 2004.

Suliyanto, “Ekonometrika Terapan, Teori dan Aplikasi dengan SPSS”, Penerbit Andi,  Yogyakarta, 2011.

Syahrial, Dermawan. “Manajemen Keuangan”. Mitra Wacana Media, Jakarta, 2007.

Werner, R. Murhadi. “Analisis Saham Pendekatan Fundamental”. Penerbit Indeks, Jakarta, 2009.

Widarjono, Agus. “Analisis Multivariat Terapan”. Unit Penerbit dan Percetakan STIM YKPN, 2010.

Widarjono, Agus. “Ekonometrika Pengantar dan Aplikasinya”. Ekonisia FE UII, Yogyakarta, 2009.