= harga pasar per lembar saham perusahaan i, tiga bulan setelah akhir tahun
t
= nilai buku per lembar saham dari perusahaan i pada akhir tahun t
= error
3.4 Operasionalisasi Variabel
3.4.1 Variabel Terkait
3.4.1.1 Harga Pasar
24
Penelitian ini menggunakan harga pasar per lembar saham
sebagai variabel terkait. Harga pasar merupakan harga saham yang
terjadi di pasar bursa pada saat tertentu ditentukan oleh pelaku
pasar dan ditentukan oleh permintaan dan penawaran saham
bersangkutan di pasar bursa (Hartono, 2012). Harga pasar per
lembar saham diambil pada saat penutupan harga saham bulan
ketiga setelah akhir tahun. Harga pasar saham diharapkan telah
merefleksikan reaksi pasar setelah laporan keuangan auditan
diterbitkan.
3.4.2 Variabel Bebas
3.4.2.1 Nilai Buku Ekuitas per Lembar Saham
Nilai buku per lembar saham menunjukkan aktiva bersih
yang dimiliki oleh pemegang saham dengan memiliki satu lembar
saham (Hartono, 2012). Untuk menentukan nilai buku per lembar
saham adalah total ekuitas dibagi dengan jumlah saham beredar.
Nilai buku ekuitas per lembar saham diambil pada akhir tahun.
3.4.2.1 Laba per Lembar Saham
Laba per lembar saham dihitung dengan membagi laba atau
rugi yang dapat diatribusikan kepada pemegang saham biasa
entitas induk dengan jumlah rata-rata tertimbang saham biasa yang
25
beredar dalam suatu periode (Kartikahadi et al., 2012). Laba per
lembar saham diambil pada akhir tahun.
3.5 Statistik Deskriptif
Statistik deskriptif memberikan gambaran atau deskripsi suatu
data yang dilihat dari nilai (Ghozali, 2012). Analisis frekuensi merupakan
analisis yang memberikan gambaran data dilihat dari frekuensi
kemunculan data tersebut. Analisis ini juga memberikan gambaran
tentang mean, standar deviasi, varian, minimum, maksimum, range,
tabel frekuensi setiap data.
3.6 Uji Asumsi Klasik
Uji asumsi klasik dilakukan untuk mendeteksi adanya penyimpangan
asumsi klasik pada persamaan regresi berganda. Pemenuhan asumsi klasik
agar varabel bebas sebagai estimator variabel terkait tidak bias. Regresi
dengan metode Ordinary Least Square akan memberi hasil Best Linier
Unbiased Estimator jika memenuji asumsi klasik (Ghozali, 2012). Model
regresi yang baik adalah model yang memenuhi asumsi klasik yaitu ada
normalitas, tidak ada multikoleniaritas, tidak ada autokorelasi, dan tidak
terjadi heteroskedastisitas.
3.6.1 Normalitas
26
Uji normalitas dilakukan untuk mengetahui distribusi data
penelitian yang digunakan, jika data terdistribusi secara normal yakni jika
perbedaan antara nilai prediksi dengan skor yang sesungguhnya atau
error akan terdistribusi secara simetri disekitar nilai means sama
dengan nol (Ghozali, 2012). Uji t dan uji F mengasumsikan bahwa nilai
residual mengikuti distribusi normal. Jika variabel tidak terdistribusi
secara normal maka hasil uji statistik akan terdegradasi. Normalitas dapat
diukur dengan Kolmogorov- Smirnov test dan analisis grafik.
3.6.2 Autokorelasi
Pengujian autokorelasi untuk mengetahui apakah ada korelasi
antara kesalahan pengganggu pada periode t dengan kesalahan
pengganggu pada periode sebelumnya (Ghozali, 2012). Pada penelitian ini
menggunakan sampel besar diatas seratus sehingga uji korelasi yang tepat
adalah menggunkan uji Lagrange Multiplier. Namun, autokorelasi sering
terjadi pada data runtut waktu dan hal ini tidak mempengaruhi nilai
prediksi parameter. Pada data silang waktu tidak diperlukan uji
autokorelasi. Jadi pengujian autokorelasi akan dilakukan pada sampel
tahun overall saja.
3.6.3 Uji Multikolenieritas
Pengujian multikolenieritas dilakukan untuk melihat adanya
hubungan antara variabel bebas yang satu dengan yang lainya (Ghozali,
27
2012). Untuk mengujinya dengan menggunakan nilai Variance Inflation
Factor (VIF) untuk masing-masing variabel bebas. Variabel yang
mempunyai multikolenieritas mempunyai nilai VIF lebih dari sama
dengan 10.
3.6.4 Uji Heteroskedastisitas
Heteroskedastisitas bertujuan untuk menguji apakah dalam model
regresi terjadi ketidaksamaan varian dari residu dari satu pengamatan ke
pengamatan lain (Ghozali, 2012). Residu seharusnya mempunyai varians
yang konstan (homoskedastisitas). Jika varians semakin menurun atau
meningkat dengan pola tertentu maka disebut heteroskedastisitas. Untuk
mengujinya dengan menggunakan uji Glejer.
28
BAB IV
HASIL DAN PEMBAHASAN PENELITIAN
4.1 Analisis Deskriptif
Tabel 2 menunjukkan statistik deskriptif variable yang digunakan untuk
penelitian ini. Tahun 2008 jumlah sampel perusahaan yang digunakan sebesar
238 firm-year dan mengalami peningkatan secara bertahap hingga pada tahun
2012 sebesar 358 firm-year. Betambahnya jumlah sampel ini juga
menunjukkan bahwa jumlah perusahaan yang terdaftar di BEI terus meningkat.
Perbedaan sampel tiap tahunnya disebabkan oleh metode purposive sampling,
yaitu perusahaan yang laba dan data lengkap. Selain itu juga outlier sudah
dikeluarkan.
29
Data yang digunakan untuk analisis deskriptif ini sudah di transform ke
Logaritma natural. Transformasi data dimaksudkan untuk mengatasi masalah
normalitas data dan heteroskedastisitas. Rata-rata EPS selama lima tahun sebesar
3.6292. Selama lima tahun nilai rata-rata EPS terus mengalami peningkatan
secara bertahap. Rata-rata BVPS mengalami penurunan pada tahun 2009 pada
rata-rata 5.8901 dan setelah itu terus mengalami peningkatan rata-rata. Rata-
rata P selama lima tahun sebesar 6.4321 dan mengalami peningkatan secara
bertahap tiap tahunnya.
Tabel 2.
Statistik Deskriptif
N Mean Std. Deviation
Overall EPS 1527 3.6292 1.91470
BVPS 1527 6.0638 1.26383
P 1527 6.4321 1.46859
2012 EPS 358 3.8062 1.90788
BVPS 358 6.2277 1.25209
P 358 6.7882 1.45851
2011 EPS 332 3.7613 1.79560
BVPS 332 6.0984 1.18785
P 332 6.6426 1.37717
2010 EPS 325 3.5558 1.85832
BVPS 325 5.9474 1.18857
P 325 6.3902 1.43176
2009 EPS 276 3.3662 1.90938
BVPS 276 5.8901 1.21829
P 276 6.1551 1.43281
2008 EPS 238 3.2624 1.95074
BVPS 238 5.8987 1.25415
P 238 5.8107 1.36527
30
P
it
adalah harga pasar per lembar saham perusahaan i, tiga bulan setelah akhir
tahun t. EPS
it
adalah laba per lembar saham dari perusahaan i pada akhir tahun t.
BVPS
it
adalah nilai buku per lembar saham dari perusahaan i pada akhir tahun t.
4.2 Uji Asumsi Klasik
Pengujian asumsi klasik pada model persamaan pertama setelah
penghilangan outlier menunjukkan masalah normalitas dan heteroskedastisitas.
Uji asumsi klasik harus terpenuhi semua agar hasil regresi tidak bias. Untuk
mengatasi hal tersebut maka dilakukan transformasi data menjadi logaritma
natural (Ghozali, 2012). Setelah mentransformasi data maka diuji kembali
semua asumsi klasik Model menjadi:
= error
31
4.2.1 Uji Normalitas
Normalitas data diuji dengan menggunakan metode uji One-
Sample Kolmogorov-Smirnov (KS) pada model persamaan dua. Hasil
uji normalitas disajikan pada tabel berikut:
TABEL 3
Hasil Uji Normalitas
Model Tahun KSZ Unstandardized Residual Sig. Keterangan
Overall 1.000 0.270 Normal
2012 0.683 0.739 Normal
2011 0.692 0.724 Normal
2010 0.631 0.821 Normal
2009 0.912 0.377 Normal
2008 0.911 0.377 Normal
Sumber : Data diolah
Nilai Asymp. Sig. (2-tailed) dari KSZ unstandardized residual
pada kedua persamaan regresi masing-masing lebih besar dari =
0.05, maka dapat disimpulkan data berdistribusi normal.
4.2.2 Uji Autokorelasi
Pengujian autokorelasi dilakukan dengan uji Lagrange
Multiplier pada model overall saja yang hasilnya disajikan pada tabel
4 berikut.
TABEL 4
Hasil Uji Autokorelasi
Model Variabel Uji LM Sig Keterangan
Overall RES2 0.299 Tdk terjadi autokorelasi
Sumber: Data diolah
Hasil perhitungan pada tabel 4 menunjukkan bahwa
signifikan variabel uji LM (RES2) diatas 5% artinya model regresi
tidak terjadi autokorelasi.
32
4.2.3 Uji Multikolinearitas
Hasil hasil uji multikolinearitas menggunakan metode variance
inflation factor (VIF) disajikan pada tabel berikut:
TABEL 5
Hasil Uji Multikolinearitas
Model Variabel
Bebas
Collinearity Statistics Kesimpulan
Tahun Tolerance VIF
Overall LnEPS 0.400 2.502 Tdk terjadi multikolinearitas
LnBVPS 0.400 2.502 Tdk terjadi multikolinearitas
2012 LnEPS 0.402 2.488 Tdk terjadi multikolinearitas
LnBVPS 0.402 2.488 Tdk terjadi multikolinearitas
2011 LnEPS 0.412 2.427 Tdk terjadi multikolinearitas
LnBVPS 0.412 2.427 Tdk terjadi multikolinearitas
2010 LnEPS 0.407 2.459 Tdk terjadi multikolinearitas
LnBVPS 0.407 2.459 Tdk terjadi multikolinearitas
2009 LnEPS 0.467 2.142 Tdk terjadi multikolinearitas
LnBVPS 0.467 2.142 Tdk terjadi multikolinearitas
2008 LnEPS 0.470 2.128 Tdk terjadi multikolinearitas
LnBVPS 0.470 2.128 Tdk terjadi multikolinearitas
Sumber: Data diolah
Tabel 5 memperlihatkan tidak terdapat variabel bebas yang
memiliki nilai tolerance kurang dari 0,1 dan nilai variance inflation
factor (VIF) tidak ada yang lebih dari 10. Hal ini menunjukkan
bahwa model regresi tidak terjadi multikolinearitas.
4.2.4 Uji Heteroskedastisitas
Ringkasan hasil uji heteroskedastisitas menggunakan uji
Glejser disajikan pada tabel beriku
TABEL 6
Hasil Uji Heteroskedastisitas
Model
Tahun
Variabel
Terikat
Variabel
Bebas
Sig. Kesimpulan
33
Overall Abs EPS 0.478 Non heteroskedastisitas
BVPS 0.070 Non heteroskedastisitas
2012 Abs EPS 0.366 Non heteroskedastisitas
BVPS 0.621 Non heteroskedastisitas
2011 Abs EPS 0.853 Non heteroskedastisitas
BVPS 0.440 Non heteroskedastisitas
2010 Abs EPS 0.808 Non heteroskedastisitas
BVPS 0.308 Non heteroskedastisitas
2009 Abs EPS 0.239 Non heteroskedastisitas
BVPS 0.451 Non heteroskedastisitas
2008 Abs EPS 0.053 Non heteroskedastisitas
BVPS 0.182 Non heteroskedastisitas
Sumber: Data diolah
Hasil perhitungan tabel 6 menunjukkan tidak ada satupun variabel
bebas yang signifikan secara statistik mempengaruhi variabel terikat nilai
Abs. Hal ini terlihat dari probabilitas signifikansinya di atas tingkat
kepercayaan 5%. Jadi dapat disimpulkan model regresi tidak menunjukkan
adanya heteroskedastisitas.
4.3 Pengujian Hipotesis
Untuk menguji hipotesis menggunakan model price (persamaan 2).
Hasil regresi ditunjukan pada table 7. Secara keseluruhan koefisien EPS dan
BVPS signifikan pada level 1 %. Relevansi nilai selama konvergensi tahun
2008 sampai 2012 ditunjukan oleh explanatory power (R
2
) sebesar 67.4%.
Untuk menguji hipotesis dilihat R
2
tahun 2012 (Adopsi IFRS versi 1 Januari
2009) dan tahun 2011 sebagai pembanding. R
2
meningkat dari 68.5% ke 69%.
Oleh karena itu hipotesis didukung, bahwa ada peningkatan relevansi nilai
laba dan nilai buku ekuitas yang dilaporkan pada sebelum dan sesudah
konvergensi SAK ke IFRS.
34
Regresi tahun-demi-tahun juga ditampilkan pada tabel 7. Regresi
tahun-demi-tahun dari tahun 2008 sampai 2012 untuk mengetahui besaran
relevansi nilai laba dan nilai buku setiap tahunnya karena setiap tahun berlaku
PSAK atau ISAK baru hasil dari proses konvergensi IFRS. Semua variabel,
EPS dan BVPS signifikan pada level 1%. Explanatory power (R
2
)
berfluktuasi selama tahun 2008 sampai tahun 2012. Pada awal konvergensi
terjadi peningkatan yang cukup yang besar, dari 58% pada tahun 2008 ke
70.1% pada tahun 2009. Pada tahun 2008 merupakan awal dicanangkannya
adopsi IFRS di Indonesia. Pada tahun 2009 Dewan Standar Akuntansi
Keuangan (DSAK) mulai merevisi standar keuangannya. Penerapan IFRS ini
dapat dilihat investor sebagai berita baik sehingga berdampak pada reaksi
pasar (Jos & Leung, 2013). Kemudian nilai R
2
setelah awal konvergensi
mengalami fluktuasi. Pada tahun 2012 yang merupakan masa adopsi IFRS
terjadi sedikit peningkatan menjadi 69% dari tahun sebelumnya. Oleh karena
itu relevansi nilai buku dan ekuitas selama periode konvergensi SAK ke IFRS
masih berfluktuasi.
Tabel 7. Hasil Regresi
LnP
it
= a0 + a1 LnEPS
it
+ a2 LnBVPS
it
+ e
a0 a1 a2 Adj R
2
F N
2008-2012 2.277*** 0.357*** 0.471*** 67.4% 1577.702 1527
2012 2.365*** 0.349*** 0.497*** 69% 399.152 358
2011 2.454*** 0.374*** 0.456*** 68.5% 360.609 332
2010 2.131*** 0.375*** 0.492*** 70.8% 394.125 325
2009 1.735*** 0.311*** 0.573*** 70.1% 324.104 276
2008 2.190*** 0.280*** 0.459*** 58% 164.821 238
P
it
adalah harga pasar per lembar saham perusahaan i, tiga bulan setelah akhir tahun t.
35
EPS
it
adalah laba per lembar saham dari perusahaan i pada akhir tahun t. BVPS
it
adalah
nilai buku per lembar saham dari perusahaan i pada akhir tahun t. *** signifikan pada 1
%, ** signifikan pada 5%, * signifikan pada 10%. Data diperoleh dari database
OSIRIS. Purposive sampling: perusahaan tidak mengalami rugi dan data lengkap. Data
outlier setiap variabel dihapus jika skor standardize (z-score) lebih dari 3 (Ghozali,
2011)
BAB V
PENUTUP
5.1 Kesimpulan
Tujuan dari penelitian ini adalah menguji relevansi nilai laba dan nilai
buku ekuitas pada periode konvergensi SAK ke IFRS pada tahun 2008
sampai 2012 pada perusahaan yang tercatat di Bursa Efek Indonesia. Hasil
dari penelitian ini menunjukkan bahwa terjadi peningkatan relevansi nilai
sebelum dan sesudah adobsi IFRS (Adopsi IFRS versi 1 Januari 2009).
36
Selain itu, dilihat dari besaran relevansi nilai tahun-demi-tahun
menunjukkan bahwa relevansi nilai laba dan nilai buku ekuitas mengalami
fluktuasi selama periode konvergensi. Pada awal konvergensi terjadi
peningkatan cukup besar pada relevansi nilainya dan kemudian berfluktuasi.
Hasil penelitian ini konsisten dengan penelitian sebelumnya (Alali & Foote,
2012).
5.2 Keterbatasan Penelitian
Hasil temuan penelitian ini juga harus ditafsirkan secara hati-hati
karena beberapa keterbatasan. Pertama, penelitian ini menggunakan data laba
dan nilai buku ekuitas postif saja. Jadi hasil penelitian ini menunjukkan
relevansi nilai pada perusahaan yang laba dan nilai buku ekuitas postif saja.
Kedua, kontrol terhadap masalah normalitas dan heteroskedastisitas pada
penelitian menggunakan transformasi data. Cara kontrol masalah normalitas
dan heteroskedastisitas yang lain bisa menyebabkan perbedaan hasil relevansi
nilai.
5.3 Saran
Saran yang dapat diberikan terkait penelitian selanjutnya adalah:
1. Untuk penalitian selanjutnya, data bisa diperluas menjadi seluruh data
positif dan negatif agar bisa melihat relevansi nilai secara keseluruhan.
37
2. Mengontrol industri dalam kategori-kategori industri yang lebih
terperinci dan kontrol yang lain sehingga mampu melihat perbedaan
pengaruhnya pada tiap kategori
3. Dalam mengatasi masalah normalitas dan heteroskedastisitas bisa
menggunakan jenis kontrol lainnya.
Daftar Pustaka
Ahmed, Kamran., Chalmers, Keryn., Khlif, Hichem. 2013. A Meta-analysis of
IFRS Adoption Effects. The International Journal of Accounting, 48,173
217.
Alali, Fatima A. & Foote, Paul Sheldon. 2012. The Value Relevance of
International Financial Reporting Standards: Empirical Evidence in an
Emerging Market. The International Journal of Accounting, 47, 85-108.
38
Bappepam-LK (Tim Studi). 2011. Volatilitas Pasar Modal Indonesia dan
Perekonomian. Laporan Studi.
Barth, M., Beaver, W., & Landsman, W. (1998). Relative valuation roles of equity
book value and net income as a function of financial health. Journal of
Accounting and Economics, 25,134.
Barth., W.H. Beaver, W.R. Landsman. 2001. The relevance of the value relevance
literature for financial accounting standard setting: another view. Journal of
Accounting and Economics, 31, 77104.
Barth M.E., W.R. Landsman, M. Lang. 2008. International accounting standards
and accounting quality. Journal of Accounting Research, 46, 467498.
Barth, M.E., W.R. Landsman, M. Lang., Williams Christopher. 2012. Are IFRS-
based and US GAAP-based accounting amounts comparable?. Journal of
Accounting Research, 54, 68-93.
Burgstahler, D. C., & Dichev, I. D. 1997. Earnings, adaptation and equity value.
The Accounting Review, 72, 187.
Cheng, C.S. Agnes., Johnston, Joseph., Liu, Cathy Zishang. 2013. The
Supplemental Role of Operating Cash Flows in Explaining Share Returns
Effect of Various Measures of Earnings Quality. International Journal of
Accounting and Information Management, 21: 53-71.
Clarkson, Peter., J. Hanna, Douglas., Richardson, Gordon D.., Thompson, Rex.
2011. The impact of IFRS adoption on the value relevance of book value
and earnings. Journal of Contemporary Accounting & Economics, 7, 117.
Collins, Daniel W., Pincus, Morton., and Xie, Hong. 1999. Equity Valuation and
Negative Earnings: The Role of Book Value of Equity. The Accounting
Review, 74, 29-61.
Daske, H. (2006). Economic benefits of adopting IFRS or US-GAAPHave the
expected costs of equity capital really decreased?. Journal of Business
Finance and Accounting, 33, 329373.
Dimitropoulos, Panagiotis E., Asteriou, Dimitrios., Kousenidis, Dimitrios., &
Leventis, Stergios. 2013. The impact of IFRS on accounting quality:
Evidence from Greece. Advances in Accounting, incorporating Advances
in International Accounting, 29, 108-123.
Dechow, P.M. 1994. Accounting earnings and cash flows as measures of firm
performance: the role of accounting accruals.,Journal of Accounting and
Economics, 18: 3-42.
39
Easton, P. D., dan Harris, 1990, Earnings as an Explanatory Variable Return,
Journal of Accounting Research, 29, 19-36.
Frankel, R. and Li, X. 2004. Characteristics of a firms information environment
and the information asymmetry between insiders and outsiders, Journal of
Accounting and Economics, 37(2), pp. 229 259.
Francis, Jennifer. and Schipper, Katherine. 1999. Have Financial Statements Lost
Their Relevance? Journal of Accounting Research, 37, 319-352.
Ghozali, Imam. 2012. Aplikasi Analisis Multivariate dengan Program IBM SPSS
20. Badan Penerbit Universitas Diponegoro.
Hayn, C. (1995). The information contents of losses. Journal of Accounting and
Economics, 20, 125153.
Hartono, Jogiyanto. 2012. Teori Portofolio dan Analisis Investasi. BPFE.
Yogyakarta.
Hung, M.Y., Subramanyam, K.R., 2007. Financial statement effects of adopting
international accounting standards: the case of Germany. Review of
Accounting Studies, 12, 623657.
International Accounting Standards Board, 2010. The Conceptual Framework for
Financial Reporting 2010. IASB, London.
Joos, Philip P. M. & Leung, Edith. 2013. Investor Perceptions of Potential IFRS
Adoption in the United States. The Accounting Review, 88, 577-609.
Kartikahadi, Hans., Sinaga, Rosita Uli., Syamsul, Merliyana., Siregar, Sylvia
Veronica. 2012. Akuntansi Keuangan Berdasar SAK berbasis IFRS.
Salemba Empat.
Liu, Chunhui, Yao, Lee J. Hu, Nan. and Liu, Ling. 2011. The Impact of IFRS on
Accounting Quality in a Regulated Market: An Empirical Study of China.
Journal of Accounting, Auditing & Finance, 26, 659676
Meulen, Sofie Van der., Gaeremynck, Ann., Willekens, Marleen. 2007. Attribute
differences between U.S. GAAP and IFRS earnings: An exploratory study.
The International Journal of Accounting, 42, 123- 142.
Ohlson, J. 1995. Earnings , Book Values And Divi dends in Quality Valuations.
Contemporary Accounting Research, 11, 661688.
Tsalavoutas, Ioannis,. Andr, Paul., Evans, Lisa. 2012. The transition to IFRS and
the value relevance offinancial statements in Greece. The British
Accounting Review, 44 262277.
40
Warsono, Sony. 2012. Adopsi Standar Akuntansi IFRS. AB Publisher
Wolk, Harry I., Dodd, James L., Rozycki, John J. 2008. Accounting Theory:
Conceptual Issues in a Political and Economic Environment. Sage
Publications. Seventh edition.
41
LAMPIRAN
Tabel Deskriptif 2008-2012
Descriptive Statistics
N Mean Std. Deviation
LnEPS 1527 3.6292 1.91470
LnBVPS 1527 6.0638 1.26383
LnP 1527 6.4321 1.46859
Valid N (listwise) 1527
Tabel Deskriptif 2012
Descriptive Statistics
42
N Mean Std. Deviation
LnBVPS 358 6.2277 1.25209
LnEPS 358 3.8062 1.90788
LnP 358 6.7882 1.45851
Valid N (listwise) 358
Tabel Deskriptif 2011
Descriptive Statistics
N Mean Std. Deviation
LnEPS 332 3.7613 1.79560
LnBVPS 332 6.0984 1.18785
LnP 332 6.6426 1.37717
Valid N (listwise) 332
Tabel Deskriptif 2010
Descriptive Statistics
N Mean Std. Deviation
LnBVPS 325 5.9474 1.18857
LnEPS 325 3.5558 1.85832
LnP 325 6.3902 1.43176
Valid N (listwise) 325
Tabel Deskriptif 2009
Descriptive Statistics
N Mean Std. Deviation
LnBVPS 276 5.8901 1.21829
LnEPS 276 3.3662 1.90938
LnP 276 6.1551 1.43281
Valid N (listwise) 276
Tabel Deskriptif 2008
Descriptive Statistics
43
N Mean Std. Deviation
LnBVPS 238 5.8987 1.25415
LnEPS 238 3.2624 1.95074
LnP 238 5.8107 1.36527
Valid N (listwise) 238
R
2
2008-2012
Model Summary
Model R R Square Adjusted R
Square
Std. Error of the
Estimate
1 .821
a
.674 .674 .83865
a. Predictors: (Constant), LnEPS, LnBVPS
R
2
2012
Model Summary
Model R R Square Adjusted R
Square
Std. Error of the
Estimate
1 .832
a
.692 .690 .81147
a. Predictors: (Constant), LnEPS, LnBVPS
R
2
2011
Model Summary
Model R R Square Adjusted R
Square
Std. Error of the
Estimate
1 .829
a
.687 .685 .77315
a. Predictors: (Constant), LnBVPS, LnEPS
R
2
2010
Model Summary
44
Model R R Square Adjusted R
Square
Std. Error of the
Estimate
1 .843
a
.710 .708 .77345
a. Predictors: (Constant), LnBVPS, LnEPS
R
2
2009
Model Summary
Model R R Square Adjusted R
Square
Std. Error of the
Estimate
1 .839
a
.704 .701 .78285
a. Predictors: (Constant), LnBVPS, LnEPS
R
2
2008
Model Summary
Model R R Square Adjusted R
Square
Std. Error of the
Estimate
1 .764
a
.584 .580 .88451
a. Predictors: (Constant), LnBVPS, LnEPS
ANOVA 2012-2008
ANOVA
a
Model Sum of Squares df Mean Square F Sig.
1
Regression 2219.306 2 1109.653 1577.702 .000
b
Residual 1071.882 1524 .703
Total 3291.189 1526
a. Dependent Variable: LnP
b. Predictors: (Constant), LnEPS, LnBVPS
ANOVA 2012
45
ANOVA
a
Model Sum of Squares df Mean Square F Sig.
1
Regression 525.669 2 262.834 399.152 .000
b
Residual 233.761 355 .658
Total 759.430 357
a. Dependent Variable: LnP
b. Predictors: (Constant), LnEPS, LnBVPS
ANOVA 2011
ANOVA
a
Model Sum of Squares df Mean Square F Sig.
1
Regression 431.114 2 215.557 360.609 .000
b
Residual 196.662 329 .598
Total 627.776 331
a. Dependent Variable: LnP
b. Predictors: (Constant), LnBVPS, LnEPS
ANOVA 2010
ANOVA
a
Model Sum of Squares df Mean Square F Sig.
1
Regression 471.550 2 235.775 394.125 .000
b
Residual 192.628 322 .598
Total 664.178 324
a. Dependent Variable: LnP
b. Predictors: (Constant), LnBVPS, LnEPS
ANOVA 2009
ANOVA
a
Model Sum of Squares df Mean Square F Sig.
1
Regression 397.254 2 198.627 324.104 .000
b
Residual 167.308 273 .613
Total 564.561 275
a. Dependent Variable: LnP
b. Predictors: (Constant), LnBVPS, LnEPS
46
ANOVA 2008
ANOVA
a
Model Sum of Squares df Mean Square F Sig.
1
Regression 257.901 2 128.950 164.821 .000
b
Residual 183.856 235 .782
Total 441.757 237
a. Dependent Variable: LnP
b. Predictors: (Constant), LnBVPS, LnEPS
Multikolenieritas 2008-2012
Multikolenieritas 2012
Coefficients
a
Model Unstandardized
Coefficients
Standardized
Coefficients
t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1
(Constant) 2.365 .251
9.407 .000
LnBVPS .497 .054 .426 9.181 .000 .402 2.488
LnEPS .349 .036 .457 9.840 .000 .402 2.488
Coefficients
a
Model Unstandardized
Coefficients
Standardized
Coefficients
t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1
(Constant) 2.277 .122
18.655 .000
LnBVPS .471 .027 .406 17.542 .000 .400 2.502
LnEPS .357 .018 .466 20.142 .000 .400 2.502
a. Dependent Variable: LnP
47
a. Dependent Variable: LnP
Multikolenieritas 2011
Coefficients
a
Model Unstandardized
Coefficients
Standardized
Coefficients
t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1
(Constant) 2.454 .254
9.679 .000
LnEPS .374 .037 .487 10.141 .000 .412 2.427
LnBVPS .456 .056 .394 8.187 .000 .412 2.427
a. Dependent Variable: LnP
Multikolenieritas 2010
Coefficients
a
Model Unstandardized
Coefficients
Standardized
Coefficients
t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1
(Constant) 2.131 .255
8.349 .000
LnEPS .375 .036 .487 10.345 .000 .407 2.459
LnBVPS .492 .057 .408 8.674 .000 .407 2.459
a. Dependent Variable: LnP
Multikolenieritas 2009
Coefficients
a
Model Unstandardized
Coefficients
Standardized
Coefficients
t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1
(Constant) 1.735 .263
6.595 .000
LnEPS .311 .036 .415 8.596 .000 .467 2.142
48
LnBVPS .573 .057 .487 10.096 .000 .467 2.142
a. Dependent Variable: LnP
Multikolenieritas 2008
Coefficients
a
Model Unstandardized Coefficients Standardized
Coefficients
t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1
(Constant) 2.190 .313
7.000 .000
LnEPS .280 .043 .400 6.524 .000 .470 2.128
LnBVPS .459 .067 .421 6.866 .000 .470 2.128
a. Dependent Variable: LnP
Heteroskedastisitas 2008-2012
Coefficients
a
Model Unstandardized Coefficients Standardized
Coefficients
t Sig.
B Std. Error Beta
1
(Constant) .511 .074
6.855 .000
LnBVPS .030 .016 .073 1.814 .070
LnEPS -.008 .011 -.029 -.710 .478
a. Dependent Variable: Abs
Heteroskedastisitas 2012
Coefficients
a
Model Unstandardized Coefficients Standardized
Coefficients
t Sig.
B Std. Error Beta
1
(Constant) .616 .152
4.057 .000
LnBVPS .016 .033 .041 .495 .621
49
LnEPS -.019 .021 -.076 -.905 .366
a. Dependent Variable: Abs
Heteroskedastisitas 2011
Coefficients
a
Model Unstandardized Coefficients Standardized
Coefficients
t Sig.
B Std. Error Beta
1
(Constant) .746 .160
4.666 .000
LnEPS .004 .023 .016 .185 .853
LnBVPS -.027 .035 -.066 -.774 .440
a. Dependent Variable: Abs
Heteroskedastisitas 2010
Coefficients
a
Model Unstandardized Coefficients Standardized
Coefficients
t Sig.
B Std. Error Beta
1
(Constant) .433 .152
2.857 .005
LnEPS -.005 .022 -.021 -.243 .808
LnBVPS .034 .034 .089 1.022 .308
a. Dependent Variable: Abs
Heteroskedastisitas 2009
Coefficients
a
Model Unstandardized Coefficients Standardized
Coefficients
t Sig.
B Std. Error Beta
1 (Constant) .397 .154
2.584 .010
50
LnEPS .025 .021 .103 1.179 .239
LnBVPS .025 .033 .066 .754 .451
a. Dependent Variable: Abs
Heteroskedastisitas 2008
Coefficients
a
Model Unstandardized Coefficients Standardized
Coefficients
t Sig.
B Std. Error Beta
1
(Constant) .560 .183
3.058 .002
LnEPS -.049 .025 -.183 -1.943 .053
LnBVPS .052 .039 .126 1.340 .182
a. Dependent Variable: Abs
Normalitas 2008-2012
One-Sample Kolmogorov-Smirnov Test
RES_1
N 1527
Normal Parameters
a,b
Mean 0E-7
Std. Deviation .83810093
Most Extreme Differences
Absolute .026
Positive .026
Negative -.026
Kolmogorov-Smirnov Z 1.000
Asymp. Sig. (2-tailed) .270
a. Test distribution is Normal.
b. Calculated from data.
Normalitas 2012
One-Sample Kolmogorov-Smirnov Test
RES_1
N 358
Normal Parameters
a,b
Mean .0000
Std. Deviation .80919
51
Most Extreme Differences
Absolute .036
Positive .036
Negative -.036
Kolmogorov-Smirnov Z .683
Asymp. Sig. (2-tailed) .739
a. Test distribution is Normal.
b. Calculated from data.
Normalitas 2011
One-Sample Kolmogorov-Smirnov Test
RES_1
N 332
Normal Parameters
a,b
Mean .0000
Std. Deviation .77081
Most Extreme Differences
Absolute .038
Positive .029
Negative -.038
Kolmogorov-Smirnov Z .692
Asymp. Sig. (2-tailed) .724
a. Test distribution is Normal.
b. Calculated from data.
Normalitas 2010
One-Sample Kolmogorov-Smirnov Test
RES_1
N 325
Normal Parameters
a,b
Mean .0000
52
Std. Deviation .77106
Most Extreme Differences
Absolute .035
Positive .035
Negative -.029
Kolmogorov-Smirnov Z .631
Asymp. Sig. (2-tailed) .821
a. Test distribution is Normal.
b. Calculated from data.
Normalitas 2009
One-Sample Kolmogorov-Smirnov Test
RES_1
N 276
Normal Parameters
a,b
Mean 0E-7
Std. Deviation .77999471
Most Extreme Differences
Absolute .055
Positive .055
Negative -.040
Kolmogorov-Smirnov Z .912
Asymp. Sig. (2-tailed) .377
a. Test distribution is Normal.
b. Calculated from data.
Normalitas 2008
One-Sample Kolmogorov-Smirnov Test
RES_1
N 238
53
Normal Parameters
a,b
Mean 0E-7
Std. Deviation .88077447
Most Extreme Differences
Absolute .059
Positive .059
Negative -.031
Kolmogorov-Smirnov Z .911
Asymp. Sig. (2-tailed) .377
a. Test distribution is Normal.
b. Calculated from data.
Autokorelasi 2008-2012
Coefficients
a
Model Unstandardized Coefficients Standardized
Coefficients
t Sig.
B Std. Error Beta
1
(Constant) -.034 .122
-.277 .782
LnBVPS .006 .027 .009 .224 .822
LnEPS -.001 .018 -.003 -.074 .941
RES2 .027 .026 .027 1.038 .299
a. Dependent Variable: RES_1