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.
Ho : Nilai residual berdistribusi
normal
Ha : Nilai residual tidak
berdistribusi normal
Dasar
pengambilan keputusan dilakukan dengan melihat angka probabilitas, dengan
aturan :
Probabilitas
Sig. > 0,05, maka Ho diterima.
Maka, nilai residual berdistribusi normal.
Probabilitas
Sig. < 0,05, maka Ho 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 Xi berpengaruh
signifikan terhadap variabel dependen, tetapi jika t hitung < t
tabel, maka H0 diterima yang berarti bahwa variabel Xi 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.
SemarangTesis
BalasHapusAnda Butuh Bantuan olah data skripsi dan tesis
Segera Hubungi kami :
081 22 8 44 13 44
Selamat siang min. Mau tanya. Proses olah datanya ini seperti apa di spss?
BalasHapusGimana cara ngolah data seperti itu min
BalasHapusMengatasi Data Tidak Normal Dengan Central Limit Theorem (CLT)
BalasHapusApabila Data Tidak Normal Bisa Memakai Central Limit Theorem (CLT)
Sebagai Pendukung Kami Berikan Literatur Berupa Penelitian-Penelitian
Sebelumnya Sebanyak 20 Buah Penelitian
Bagi Yang Membutuhkan Bisa Klik Dibawah Ini Untuk Unduh Literatur Tersebut
https://s.id/UjiCLT