ANALISIS DATA

Diberikan data sebagai tabel berikut:

Return DER PER ROA Beta EVA
0,0800 0,6400 11,6600 0,1600 0,9300 91867410,7000
0,0700 2,7200 5,3900 0,0300 0,9400 1611580,4300
0,0400 1,0400 4,7000 0,0700 0,9400 116723572,0000
0,0200 0,4600 5,1200 0,1700 0,9400 199002174,0000
0,0100 0,7800 25,6300 0,0800 0,9400 183212393,0000
0,0300 0,9000 21,8100 0,3700 0,9300 2207335,1000
0,2000 1,9400 7,7000 0,0400 0,9200 4831809,7000
0,2000 0,9500 10,5900 0,0200 0,9200 -12765476,0000
0,0400 1,0500 2,5900 0,1000 0,9400 983915878,0000
0,0070 1,5000 2,1800 0,0200 0,9400 1020506,0000
0,0700 0,2800 4,5800 0,1200 0,9300 143485147,0000
0,0100 1,6800 4,9000 0,2400 0,9400 229985,1400
-0,0600 0,7200 12,9400 0,0080 0,9400 6591371,0400
0,0400 1,4600 17,5000 0,0300 0,9400 7979485,3600

Tujuan:
1. Menyimpulkan apakah DER, PER, ROA, dan Beta secara bersama-sama
mempengaruhi Return secara signifikan?
2. Menyimpulkan apakah EVA mempengaruhi Return secara signifikan?

Model Regresi Linear:

1. Y= β0 + β1X1 + β 2X2 + β 3X3 + β 4X4 + β5X5
Dimana:
Y= Return
X1=DER
X2=PER
X3=ROA
X4=Beta
X5=EVA
Hipotesis:
1. H0 : β1= β2= β3= β4=β5= 0 (Tidak ada Pengaruh signifikan DER, PER, ROA, dan Beta
secara bersama terhadap Return)
H1 : Paling sedikit ada satu i dimana βi≠0, i=1,2,3,4 (Ada Pengaruh signifikan DER,
PER, ROA, Beta dan EVA secara bersama terhadap Return)

Tabel data pada SPSS:

1. Uji Pengaruh DER, PER, ROA, Beta, dan EVA Terhadap Return
Hipotesis:
H0 : Tidak ada Pengaruh signifikan DER, PER, ROA, Beta, dan EVA secara bersama
terhadap Return
H1 : Ada Pengaruh signifikan DER, PER, ROA, Beta, dan EVA secara bersama
terhadap Return
Tingkat Signifikansi:
α = 5%= 0,05
Statistik uji:
Pengujian dilakukan dengan melihat nilai Sig pada tabel ANOVA:

ANOVAb

Sum of
Model Squares df Mean Square F Sig.
1 Regression .058 5 .012 12.115 .001a
Residual .008 8 .001
Total .065 13
a. Predictors: (Constant), eva, roa, beta, per, der
b. Dependent Variable: return

Kriteria uji:
H0 ditolak jika Sig < α
Keputusan:
Karena Sig=0,001 < α (=0,05) maka H0 ditolak shingga H1 diterima
Kesimpulan:
Ada Pengaruh signifikan DER, PER, ROA, Beta, dan EVA secara bersama terhadap
Return

Uji Pengaruh Masing-Masing Variabel:

Hipotesis:
H0 : βi=0, i=1,2,3,4 (Tidak ada Pengaruh signifikan Xi terhadap Return)
H1 : βi≠0, i=1,2,3,4 (Ada Pengaruh signifikan Xi terhadap Return)
Tingkat Signifikansi:
α = 5%= 0,05
Statistik Uji:
Pengujian dilakukan dengan melihat nilai Sig pada tabel COEFFICIENTS:

Coefficientsa

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 8.167 1.095 7.458 .000
der .030 .015 .280 2.097 .069
per -.001 .001 -.065 -.489 .638
roa -.100 .088 -.145 -1.139 .288
beta -8.703 1.175 -.933 -7.409 .000
eva 4.57E-011 .000 .167 1.232 .253
a. Dependent Variable: return
Kriteria Uji:
H0 ditolak jika Sig < α
Keputusan:
 X1 (DER) terhadap Return:
Karena Sig=0,069 > α (=0,05) maka H0 diterima
 X2 (PER) terhadap Return:
Karena Sig=0,638 > α (=0,05) maka H0 diterima
 X3 (ROA) terhadap Return:
Karena Sig=0,288 > α (=0,05) maka H0 diterima
 X4 (Beta) terhadap Return:
Karena Sig=0,000 < α (=0,05) maka H0 ditolak shingga H1 diterima
 X5 (EVA) terhadap Return:
Karena Sig=0,253 > α (=0,05) maka H0 diterima

Kesimpulan:
 Tidak ada pengaruh signifikan DER terhadap Return
 Tidak ada pengaruh signifikan PER terhadap Return
 Tidak ada pengaruh signifikan ROA terhadap Return
 Ada pengaruh signifikan Beta terhadap Return
 Tidak ada pengaruh signifikan EVA terhadap Return

Uji Asumsi
Pada model regresi linear asumsi yang harus terpenuhi adalah: Normalitas, Homogenitas,
Linieritas, Nonautokorelasi, dan Nonmultikolinieritas.
a. Normalitas
Uji Visual Menggunakan P-P Plots
Berikut adalah Normal P-P Plot of Regression Standardized Residual yang diperoleh
setelah data diolah menggunakan SPSS.
 Dari Normal P-P Plot of Regression Standardized Residual diatas terlihat bahwa titik-
titik data tersebar di sekitar garis lurus namun tidak semua titik data mengikuti pola
garis lurus, sehingga dapat disimpulkan bahwa asumsi kenormalan data diragukan.
Untuk mendukung kesimpulan yang diberikan Normal P-P Plot diatas, akan
dilakukan uji formal untuk memastikan apakah residual data berdistribusi normal atau
tidak. Uji normalitas yang digunakan disini adalah Uji Kolmogorov-Smirnov.

Hipotesis:
H0 : Residual berdistribusi normal
H1 : Residual tidak berdistribusi normal
Tingkat Signifikansi:
α = 5%= 0,05
Statistik uji:
Pengujian dilakukan dengan melihat nilai Sig pada tabel ANOVA:

Tests of Normality
a
Kolmogorov-Smirnov Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
Standardized Residual .113 14 .200* .927 14 .277
*. This is a lower bound of the true significance.
a. Lilliefors Significance Correction
 Kriteria Uji:
H0 ditolak jika Sig < α
Keputusan:
Karena Sig=0,200 > α (=0,05) maka H0 diterima
Kesimpulan:
Residual berdistribusi normal

b. Linieritas
Uji Visual Menggunakan Scatterplot
Berikut adalah Scatterplot yang diperoleh setelah data diolah menggunakan SPSS.

Dari Scatterplot yang ditampilkan terlihat bahwa titik-titik data tersebut tersebar dan
tidak membentuk pola tertentu (parabola, kubik dan sebagainya). Maka dapat
disimpulkan bahwa asumsi linieritas terpenuhi.

c. Homokedastisitas
Uji Visual Menggunakan Scatterplot
Berikut adalah Scatterplot yang diperoleh setelah data diolah menggunakan SPSS.
 Dari Scatterplot yang ditampilkan terlihat bahwa titik-titik data tersebut tersebar dan
tidak membentuk pola tertentu (parabola, kubik dan sebagainya). Maka dapat
disimpulkan bahwa asumsi homogenitas terpenuhi.

d. Nonautokorelasi
Statistik yang digunakan untuk mengecek ada tidaknya korelasi antar variabel adalah
Durbin-Watson. Output untuk statistik Durbin Watson adalah sebagai berikut :

Model Summaryb

Adjusted Std. Error of Durbin-

Model R R Square R Square the Estimate Watson
1 .940a .883 .810 .0308388 1.930
a. Predictors: (Constant), eva, roa, beta, per, der
b. Dependent Variable: return

Nilai Durbin-Watson= 1,930 (mendekati 2). Karena nilai Durbin-Watson berada

sekitar angka 2 maka dapat disimpulkan bahwa residualnya tidak berkorelasi satu
sama lain atau tidak terjadi autokorelasi. Maka asumsi nonautokorelasi terpenuhi.
e. Nonmultikolinieritas
Statistik yang digunakan untuk mengetahui apakah terjadi multikolinieritas atau tidak
adalah dari nilai VIF pada output.

Coefficientsa

Collinearity Statistics
Model Tolerance VIF
1 der .818 1.222
per .829 1.206
roa .899 1.112
beta .919 1.088
eva .795 1.258
a. Dependent Variable: return

Nilai VIF pada setiap variable menunjukkan bahwa VIF<5, sehingga diambil
kesimpulan bahwa tidak terjadi multikolinieritas. Maka asumsi nonmultikolieritas
terpenuhi.

Pemodelan

Coefficientsa

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 8.167 1.095 7.458 .000
der .030 .015 .280 2.097 .069
per -.001 .001 -.065 -.489 .638
roa -.100 .088 -.145 -1.139 .288
beta -8.703 1.175 -.933 -7.409 .000
eva 4.57E-011 .000 .167 1.232 .253
a. Dependent Variable: return

Dari output tersebut diperoleh:

β0= 8.167
β4= -8.703
Berarti modelnya sebagai berikut:
Ŷ = 8.167 – 8.703 X4
Dimana
Ŷ = estimasi nilai Return
X4 = nilai Beta
KESIMPULAN:
1. Disimpulkan bahwa ada pengaruh secara signifikan DER, PER, ROA, Beta, dan EVA
secara bersama terhadap Return, tetapi setelah diuji secara individu diperoleh bahwa
secara individu yang berpengaruh terhadap Return hanya Beta.
2. Uji asumsi menunjukkan bahwa semua terpenuhi, artinya model tersebut dapat
dipakai.
Modelnya sebagai berikut: RETURN = 8.167 – 8.703 BETA