HASIL ANALISIS DATA

1. Deskriptif Statistik

Deskirptif Statistik Variabel Penelitian

Variabel N Minimum Maximum Mean Std. Deviation
Penelitian
ROE 54 0,00133 0,55251 0,12390 0,13075
DER 54 0,16940 2,87719 0,80911 0,54465
CR 54 0,30654 6,73980 2,01398 1,19417
TATO 54 0,04106 2,00721 0,86576 0,51221
PBV 54 0,07933 8,21638 1,18520 1,34522
Return Saham 54 -0,63942 1,53704 0,23735 0,77762

Pada tabel 1, disajikan deskriptif statistik variabel penelitian meliputi

nilai minimum, nilai maksimum, rata-rata (mean) dan standart deviasi. Pada

variabel Return Saham diperoleh rata-rata sebesar 0,23735 dengan standart

deviasi sebesar 0,77762. Nilai variabel ini berkisar antara -0,63942 hingga

1,53704. Pada variabel ROE diperoleh rata-rata sebesar 0,12390 dengan standart

deviasi sebesar 0,13075. Nilai variabel ini berkisar antara 0,00133 hingga

0,55251. Pada variabel DER, diperoleh rata-rata sebesar 0,80911 dengan

standart deviasi 0,54465. Nilai variabel ini berkisar antara 0, 16940 hingga

2,87719.

Pada variabel CR diperoleh rata-rata sebesar 2,01398 dengan standart

deviasi sebesar 1,19417. Nilai variabel ini berkisar antara 0,30654 hingga

6,73980. Pada variabel TATO diperoleh rata-rata sebesar 0,86576 dengan

standart deviasi sebesar 0,51221. Nilai variabel ini berkisar antara 0,04106

hingga 2,00721. Pada variabel PBV diperoleh rata-rata sebesar 1,18520 dengan
 standart deviasi sebesar 1,34522. Nilai variabel ini berkisar antara 0,07933

hingga 8,21638.

2. Asumsi Klasik

a. Uji Normalitas Residual Regresi

Uji normalitas residual regresi bertujuan untuk menguji apakah dalam

model regresi, variabel penganggu atau residual memiliki distribusi normal.

Metode yang digunakan untuk menguji normalitas residual regresi

menggunakan grafik histogram dan normal P-P plot, serta uji Kolmogorov-

Smirnov. Residual model dikatakan mengikuti distribusi normal apabila data

pada grafik histogram mengikuti garis normal dan sebaran data pada grafik

normal P-P plot terletak disekitar garis diagonal. Sedangkan dari uji

Kolmogorov-Smirnov, bila probabilitas hasil uji lebih besar dari 0,05 maka

asumsi normalitas terpenuhi. Hasil pengujian disajikan sebagai berikut :

Histogram dan Normal P-P Plot

 Hasil Uji Asumsi Normalitas
Kolmogorov-Smirnov Z Nilai sig. Keterangan
0,561 0,911 Menyebar Normal

Berdasarkan hasil pengujian normalitas pada tabel di atas diketahui

bahwa nilai signifikansi residual regresi yang terbentuk lebih besar dari taraf

nyata 5% sehingga dapat dikatakan bahwa asumsi normalitas tersebut

terpenuhi.

b. Uji Multikolinearitas

Uji multikolinieritas bertujuan untuk menguji apakah model regresi

ditemukan adanya korelasi antar variabel bebas. Model uji regresi yang baik

selayaknya tidak terjadi multikolinearitas. Untuk mendeteksi ada atau

tidaknya multikolinearitas dengan cara menganalisis matriks korelasi variabel

- variabel independen yang dapat di lihat melalui Variance inflantion Factor

(VIF) dan Tolerance. Nilai Tolerance harus dari 1 dan nilai VIF yang bisa
 ditolernasi adalah 10. Apabila nilai Tolerance < 1 dan VIF < 10 maka

disimpulkan tidak terjadi multikolinearitas antar variabel bebas.

Hasil Uji Asumsi Multikolineritas

Variabel
Tolerance VIF Keterangan
Bebas
ROE 0,452 2,213 Tidak terjadi Multikolinearitas
DER 0,627 1,594 Tidak terjadi Multikolinearitas
CR 0,690 1,449 Tidak terjadi Multikolinearitas
TATO 0,458 2,181 Tidak terjadi Multikolinearitas
PBV 0,873 1,146 Tidak terjadi Multikolinearitas

Berdasarkan tabel di atas dapat diketahui variabel bebas dalam

penelitian ini memiliki Variance Inflation Factor lebih kecil dari 10 dan nilai

Tolerance kurang dari 0,1 sehingga dapat dikatakan tidak terdapat gejala

multikolinearitas antara varibel bebas dalam penelitian ini.

c. Uji Heteroskedastisitas

Uji Heteroskedastisitas digunakan untuk melihat apakah terdapat

ketidaksamaan varians dari residual satu kepengamatan yang lain. Uji

pendeteksian heteroskedastisitas dapat pula dilakukan dengan metode grafik

yaitu dengan melihat grafik plot antara nilai prediksi variabel terikat

(dependen) yaitu ZPRED dengan residualnya SRESID. Deteksi ada tidaknya

heteroskedastisitas dapat dilakukan dengan melihat ada tidaknya pola tertentu

pada grafik scatterplot antara SRESID dan ZPRED dimana sumbu Y adalah

Y yang telah terprediksi, dan sumbu X adalah residual (Y prediksi – Y

sesungguhnya). Hasil pengujian menggunakan metode grafik adalah sebagai

berikut:
 Scatter Plot

Berdasarkan grafik scatterplot tersebut 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 tidak terjadi

heteroskedastisitas pada model regresi.

Selain menggunakan metode grafik, pengujian asumsi

heteroskedastisitas dapat dilakukan juga dengan metode pengujian statistik

uji Glejser. Uji Glejser dilakukan dengan meregresikan variabel bebas

terhadap nilai absolut residualnya. Apabila nilai sig. > 0,05 maka akan terjadi

homoskedastisitas dan jika nilai sig. < 0,05 maka akan terjadi

heteroskedastisitas. Hasil uji Glejser dapat dilihat pada tabel berikut:

 Hasil Uji Glejser
Variabel Bebas Sig. Keterangan
ROE 0,913 Tidak terjadi Heteroskedastisitas
DER 0,512 Tidak terjadi Heteroskedastisitas
CR 0,076 Tidak terjadi Heteroskedastisitas
TATO 0,853 Tidak terjadi Heteroskedastisitas
PBV 0,348 Tidak terjadi Heteroskedastisitas

Berdasarkan tabel diatas diketahui bahwa pada masing-masing variabel

diperoleh nilai sig. > 0,05 maka disimpulkan tidak terjadi heteroskedastisitas

atau dengan kata lain asumsi non-heteroskedastisitas telah terpenuhi.

d. Uji Autokorelasi

Uji autokorelasi adalah untuk melihat apakah terjadi korelasi antara

suatu periode t dengan periode sebelumnya (t -1). Secara sederhana adalah

bahwa analisis regresi adalah untuk melihat pengaruh antara variabel bebas

terhadap variabel terikat, jadi tidak boleh ada korelasi antara observasi

dengan data observasi sebelumnya. Beberapa uji statistik yang sering

dipergunakan adalah uji Durbin-Watson. Berikut hasil perhitungan DW

dengan menggunakan regresi:

Hasil Pengujian Asumsi Non-Autokorelasi

dl 4-dl du 4-du dw Interprestasi
1,367 2,633 1,768 2,232 1,952 Tidak terjadi autokorelasi

Berdasarkan hasil yang ditunjukkan pada tabel diatas diketahui bahwa

nilai Durbin Watson hasil pengujian berada diantara du < dw < 4-du (1,768 <

1,952 < 2,232) maka dapat disimpulkan bahwa tidak terjadi autokorelasi pada

model regresi yang terbentuk.

3. Analisis Regresi Linier Berganda

Hasil perhitungan regresi linier berganda digunakan untuk memprediksi

besarnya hubungan antara variabel dependen yaitu Return Saham dengan

variabel independen yaitu ROE, DER, CR, TATO dan PBV. Hasil perhitungan

yang menggunakan program SPSS 21 tersebut dapat ditunjukkan pada tabel

berikut ini:

Hasil Uji Regresi Linier Berganda

Model Unstandardized Standardized t Sig.
Coefficients Coefficients
B Std. Error Beta
(Constant) -0,360 0,256 -1,403 0,167
ROE -0,098 0,627 -0,028 -0,156 0,877
DER 0,182 0,128 0,214 1,424 0,161
CR 0,087 0,056 0,224 1,564 0,124
TATAO 0,185 0,159 0,205 1,166 0,249
PBV 0,173 0,044 0,503 3,943 0,000

Variabel dependen pada hasil uji regresi berganda adalah Return Saham

sedangkan variabel independennya adalah ROE, DER, CR, TATO dan PBV.

Model regresi berdasarkan hasil analisis adalah:

Return Saham = -0,360 – 0,098ROE + 0,182DER + 0,087CR + 0,185TATO +

0,173PBV + e

Interpretasi model regresi di atas adalah sebagai berikut:

 Konstanta (α) = -0,360

 Kostanta dari persamaan regresi ini menunjukkan nilai sebesar -0,360 artinya

ketika tidak terdapat kontribusi variabel ROE, DER, CR, TATO dan PBV

maka Return Saham akan bernilai sebesar -0,360.

 b1 = -0,098

Koefisien regresi ini menunjukkan kontribusi yang diberikan variabel ROE

terhadap Return Saham. Koefisien variabel ROE bernilai negatif artinya

semakin tinggi ROE maka Return Saham akan semakin menurun dan

sebaliknya semakin rendah ROE maka Return Saham akan semakin

meningkat.

 b2 = 0,182

Koefisien regresi ini menunjukkan kontribusi yang diberikan variabel DER

terhadap Return Saham. Koefisien variabel DER bernilai positif artinya

semakin tinggi DER maka Return Saham akan semakin meningkat dan

sebaliknya semakin rendah DER maka Return Saham akan semakin menurun.

 b3 = 0,087

Koefisien regresi ini menunjukkan kontribusi yang diberikan variabel CR

terhadap Return Saham. Koefisien variabel CR bernilai positif artinya

semakin tinggi CR maka Return Saham akan semakin meningkat dan

sebaliknya semakin rendah CR maka Return Saham akan semakin menurun.

 b4 = 0,185

Koefisien regresi ini menunjukkan kontribusi yang diberikan variabel TATO

terhadap Return Saham. Koefisien variabel TATO bernilai positif artinya

semakin tinggi TATO maka Return Saham akan semakin meningkat dan
 sebaliknya semakin rendah TATO maka Return Saham akan semakin

menurun.

 b5 = 0,173

Koefisien regresi ini menunjukkan kontribusi yang diberikan variabel PBV

terhadap Return Saham. Koefisien variabel PBV bernilai positif artinya

semakin tinggi PBV maka Return Saham akan semakin meningkat dan

sebaliknya semakin rendah PBV maka Return Saham akan semakin menurun.

a. Koefisien Determinasi

Koefisien determinasi (R2) pada intinya mengukur seberapa jauh

kemampuan model dalam menerangkan variasi variabel dependen,

sedangkan sisanya dijelaskan oleh variabel lain diluar model. Penelitian ini

menggunakan nilai R Square untuk mengevaluasi model regresi terbaik.

Berdasarkan analisis yang telah dilakukan diperoleh nilai R Square sebesar

0,318 atau 31,8%, artinya variabel Return Saham dijelaskan sebesar 31,8%

oleh variabel ROE, DER, CR, TATO dan PBV. Sedangkan sisanya sebesar

68,2% dijelaskan oleh variabel lain di luar persamaan regresi atau yang tidak

diteliti dalam penelitian ini.

b. Uji Simultan (Uji F)

Uji F digunakan untuk menguji hipotesis pengaruh simultan dari

variabel independen (X) terhadap variabel dependen (Y). Dalam hipotesis ini,

diduga bahwa variabel ROE, DER, CR, TATO dan PBV secara bersama-

sama mempengaruhi Return Saham. Variabel independen pembentuk model

regresi dikatakan berpengaruh signifikan secara bersama-sama terhadap

 variabel dependen jika Fhitung > Ftabel atau signifikan < α = 0,05 Pengujian

model regresi secara simultan adalah sebagai berikut:

Hasil Uji Simultan (Uji F)

Model Sum of Squares df Mean Square F Sig.

Regression 3,609 5 0,722 4,485 0,002
1 Residual 7,724 48 0,161
Total 11,333 53

Berdasarkan hasil perhitungan pada di atas, diperoleh Fhitung sebesar

4,485 (Sig F = 0,000). Ftabel pada taraf nyata 5% dengan derajat independen 5

dan 48 sebesar 2,409. Karena Fhitung > Ftabel (4,485 > 2,409) dan Sig F < 5%

(0,002 < 0,05) maka hipotesis diterima yang berarti bahwa secara bersama-

sama variabel ROE, DER, CR, TATO dan PBV mempunyai pengaruh yang

signifikan terhadap variabel Return Saham.

c. Uji Model Regresi Secara Parsial (Uji t)

Pengujian model regresi secara parsial digunakan untuk mengetahui

apakah masing-masing variabel independen pembentuk model regresi secara

individu memiliki pengaruh yang signifikan terhadap variabel dependen atau

tidak. Variabel independen pembentuk model regresi dikatakan berpengaruh

jika thitung> ttabel dan signifikan jika sig. < α = 0,05. Pengujian model regresi

secara parsial adalah sebagai berikut:

Hasil Uji Parsial (Uji T)

Variabel
thitung Sig. t ttabel Keterangan
independen
Tidak berpengaruh
ROE -0,156 0,887 2,011
signifikan
 Variabel
thitung Sig. t ttabel Keterangan
independen
Tidak berpengaruh
DER 1,424 0,161 2,011
signifikan
Tidak berpengaruh
CR 1,564 0,124 2,011
signifikan
Tidak berpengaruh
TATO 1,166 0,249 2,011
signifikan
PBV 3,943 0,000 2,011 Signifikan

Pada pengujian hipotesis variabel ROE diperoleh thitung sebesar -0,156

dengan nilai signifikansi sebesar 0,887. Nilai statistik uji thitung tersebut lebih

kecil daripada ttabel (-0,156 < 2,011) dan nilai signifikansi lebih dari α = 0,05

maka disimpulkan variabel ROE secara parsial tidak memberikan pengaruh

yang signifikan terhadap variabel Return Saham.

Pada pengujian hipotesis variabel DER diperoleh thitung sebesar 1,424

dengan nilai signifikansi sebesar 0,161. Nilai statistik uji thitung tersebut lebih

kecil daripada ttabel (1,424 < 2,011) atau nilai signifikansi lebih besar dari α =

0,05 maka disimpulkan variabel DER secara parsial tidak memberikan

pengaruh yang signifikan terhadap variabel Return Saham.

Pada pengujian hipotesis variabel CR diperoleh thitung sebesar 1,564

dengan nilai signifikansi sebesar 0,124. Nilai statistik uji thitung tersebut lebih

kecil daripada ttabel (1,564 < 2,011) atau nilai signifikansi lebih besar dari α =

0,05 maka disimpulkan variabel CR secara parsial tidak memberikan

pengaruh yang signifikan terhadap variabel Return Saham.

Pada pengujian hipotesis variabel TATO diperoleh thitung sebesar

1,166 dengan nilai signifikansi sebesar 0,249. Nilai statistik uji thitung tersebut

lebih besar daripada ttabel (1,166 > 2,011) atau nilai signifikansi lebih besar
 dari α = 0,05 maka disimpulkan variabel TATO secara parsial tidak

memberikan pengaruh yang signifikan terhadap variabel Return Saham.

Pada pengujian hipotesis variabel PBV diperoleh thitung sebesar 3,943

dengan nilai signifikansi sebesar 0,000. Nilai statistik uji thitung tersebut lebih

besar daripada ttabel (3,943 > 2,011) atau nilai signifikansi lebih kecil dari α

= 0,05 maka disimpulkan variabel PBV secara parsial memberikan pengaruh

yang signifikan terhadap variabel Return Saham.

d. Penentuan Variabel yang Paling Dominan

Penentuan variabel independen yang paling berpengaruh terhadap

variabel Y, dapat dilakukan dengan membandingkan koefisien regresi (Beta)

antara variabel yang satu dengan yang lain. Variabel independen yang paling

dominan pengaruhnya terhadap variabel Y adalah variabel yang memiliki

koefisien regresi (beta) yang paling besar. Berikut adalah tabel peringkat yang

membandingkan koefisien regresi masing-masing variabel independen:

Ringkasan Hasil Analisis Regresi

Peringkat Variabel Koefisien Beta Pengaruh

1 PBV 0,503 Signifikan
2 CR 0,224 Signifikan
3 DER 0,214 Signifikan
4 TATO 0,205 Signifikan
5 ROE -0,028 Tidak Signifikan

Berdasarkan tabel di atas terlihat bahwa variabel PBV adalah variabel

yang memiliki koefisien beta yang paling besar. Artinya, variabel Return

Saham lebih banyak dipengaruhi oleh variabel PBV daripada variabel

lainnya. Koefisien beta pada variabel ini bertanda positif, artinya semakin
tinggi ROE maka Return Saham makin meningkat, sebaliknya semakin

rendah ROE maka Return Saham makin menurun.