Y' = a + b1X1+ b2 X2
Y' = 4604,424 + (-64,991)XI + 697,671X2
Y' = 4604,424 - 64,991X, + 697,671 X2
Keterangan:
Y' = Harga saham yang diprediksi (Rp)
a = konstanta
b1, b2 = koefisien regresi
X1 = PER (%)
X2 = ROI (%)
4. Interpretasi Hasil
Persamaan regresi di atas dapat
dijelaskan sebagai berikut:
Konstanta sebesar 4604,424;
artinya jika PER (X1) dan ROI (X2)
nilainya adalah 0, maka harga
saham (Y') nilainya adalah Rp
4604,424.
Koefisien regresi variabel PER (X1)
sebesar -64,991; artinya jika PER
mengalami kenaikan 1%, maka harga
saham (Y') akan mengalami penurunan
sebesar Rp 64,991 dengan asumsi
variabel independen lain nilainya tetap.
Koefisien bernilai negatif artinya terjadi
hubungan negatif antara PER dengan
harga saham, semakin naik PER, maka
semakin turun harga saham.
Koefisien regresi variabel ROI (X2) sebesar
697,671; artinya jika ROI mengalami kenaikan
1%, maka harga saham (Y') akan mengalami
peningkatan sebesar Rp 697,671 dengan
asumsi variabel independen lain nilainya
tetap. Koefisien bernilai positif artinya terjadi
hubungan positif antara ROI dengan harga
saham, semakin naik ROI, maka semakin
meningkat harga saham.
5. Analisis Korelasi Ganda (R)
Analisis korelasi ganda digunakan untuk
mengetahui hubungan antara dua atau
lebih variabel independen (X1, X2,…
Xn) terhadap variabel dependen (Y)
secara serentak.
Koefisien ini menunjukkan seberapa
besar hubungan yang terjadi antara
variabel independen (X1, X2,…Xn) secara
serentak terhadap variabel dependen (Y).
Nilai R berkisar antara 0 sampai 1,
nilai semakin mendekati 1 berarti
hubungan yang terjadi semakin kuat,
sebaliknya nilai semakin mendekati 0
maka hubungan yang terjadi semakin
lemah
Rumus korelasi ganda dengan dua variabel independen adalah:
Ry.x1x2 = √(ryx1)2 + (ryx2)2 – 2(ryx1)(ryx2)(rx1x2)
1 – (rx1x2)2
Keterangan:
Ry.x1xl = korelasi variabel X1 dengan X2 secara bersama-sama dengan
harga saham
ryx1 = korelasi sederhana (product moment pearson) antara X1 dengan Y
ryx2 = korelasi sederhana (product moment pearson) antara X2 dengan Y
rx1x2 = korelasi sederhana (product moment pearson) antara X1 dengan X2
Menurut Sugiyono (2007) pedoman untuk
memberikan interpretasi koefisien korelasi sebagai
berikut:
0,00- 0,199 = sangat rendah
0,20- 0,399 = rendah
0,40- 0,599 = sedang
0,60- 0,799 = kuat
0,80- 1,000 = sangat kuat
Hasil analisis korelasi ganda dapat
dilihat pada output Model Summary
dari hasil analisis Regresi Linier
Berganda di atas.
Berdasarkan output diperoleh angka
R sebesar 0,879.
Karena nilai korelasi ganda berada di
antara 0,80 - 1,000, maka dapat
disimpulkan bahwa terjadi hubungan
yang sangat kuat antara PER dan ROI
terhadap harga saham (Y).
6. Analisis Determinasi (R2)
Analisis determinasi digunakan untuk
mengetahui persentase sumbangan
pengaruh variabel independen
(X1, X2,…Xn) secara serentak
terhadap variabel dependen (Y).
Koefisien ini menunjukkan seberapa
besar persentase variasi variabel
independen yang digunakan dalam
model mampu menjelaskan variasi
variabel dependen
R2 sama dengan 0, maka tidak ada
sedikit pun persentase pengaruh yang
diberikan variabel independen
terhadap variabel dependen, atau
variasi variabel independen yang
digunakan dalam model tidak
menjelaskan sedikit pun variasi variabel
dependen.
Sebaliknya R2 sama dengan 1, maka
persentase pengaruh yang diberikan
variabel independen terhadap variabel
dependen adalah sempurna, atau
variasi variabel independen yang
digunakan dalam model menjelaskan
100% variasi variabel dependen.
Rumus mencari koefisien determinasi dengan dua variabel independen
adalah:
R2 = (ryx1)2 + ryx2)2 – 2(ryx1)(ryx2)(rx1x2)
1 – (rx1x2)2
Keterangan:
R2 = koefisien determinasi
ryx1 = korelasi sederhana (product moment pearson) antara X1 dengan
Y
ryx2 = korelasi sederhana (product moment pearson) antara X2 dengan Y
rx1x2 = korelasi sederhana (product moment pearson) antara X1 dengan X2
Hasil analisis determinasi dapat dilihat pada
output Model Summary dari hasil analisis
Regresi Linier Berganda di atas.
Berdasarkan output diperoleh angka R 2 (R
Square) sebesar 0,773 atau (77,3%).
Hal ini menunjukkan bahwa persentase
sumbangan pengaruh variabel independen
(PER dan ROI) terhadap variabel dependen
(harga saham) sebesar 77,3%.
Atau variasi variabel independen yang
digunakan dalam model (PER dan
ROI) mampu menjelaskan sebesar
77,3% variasi variabel dependen
(harga saham). Sedangkan sisanya
sebesar 22,7% dipengaruhi atau
dijelaskan oleh variabel lain yang tidak
dimasukkan dalam model penelitian ini.
Adjusted R Square adalah nilai R
Square yang telah disesuaikan.
Menurut Santoso (2001) bahwa untuk
regresi dengan lebih dari dua variabel
independen digunakan Adjusted R2
sebagai koefisien determinasi.
Sedangkan Standard Error of the Estimate
adalah suatu ukuran banyaknya
kesalahan model regresi dalam
memprediksikan nilai Y.
Dari hasil regresi di dapat nilai 860,648
atau Rp 860,648 (satuan harga saham).
Hal ini berarti banyaknya kesalahan dalam
prediksi harga saham sebesar
Rp 860,648.
7. Uji Koefisien Regresi Secara Bersama-
sama (Uji F)
Uji ini digunakan untuk mengetahui apakah variabel
independen (X1,X2... Xn) secara bersama-sama berpengaruh
secara signifikan terhadap variabel dependen (Y).
F hitung dapat dicari dengan rumus sebagai berikut:
F hitung = R2/k .
(1 – R2) / (n – k – 1)
Keterangan:
R2 = Koefisien determinasi
n = Jumlah data atau kasus
k = Jumlah variabel independen
Hasil uji F dapat dilihat pada output ANOVA dari
hasil analisis Regresi Linier Berganda di atas. Tahap-
tahap untuk melakukan Uji F, adalah:
1. Merumuskan Hipotesis
Ho: Tidak ada pengaruh antara PER dan ROI secara
bersama-sama terhadap harga saham.
H1: Ada pengaruh antara PER dan ROI secara
bersama-sama terhadap harga saham.
4. Menentukan F tabel
Dengan menggunakan tingkat keyakinan 95%,
= 5%, df 1 (k-1) atau 3-1 = 2, dan df 2(n-k) atau
20-3 = 17 (n adalah jumlah kasus dan k adalah jumlah
variabel independen), hasil diperoleh untuk F tabel
sebesar 3,592 dapat dicari di Ms Excel dengan cara
pada cell kosong ketik =finv(0.05, 2, 17) lalu tekan
Enter.
5. Kriteria pengujian
Ho diterima bila F hitung ≤ F tabel
Ho ditolak bila F hitung > F tabel
Keterangan:
bi = Koefisien regresi variabel i
Sbi = Standar error variabel
Hasil uji t dapat dilihat pada output Coefficients dari
hasil analisis Regresi Linier Berganda di atas.
4. Menentukan t tabel
Tabel distribusi t dicari pada = 5% : 2 = 2,5% (uji 2
sisi) dengan derajat kebebasan (df) n-k atau 20-3 = 17
(n adalah jumlah kasus dan k adalah jumlah variabel
independen).
Dengan pengujian 2 sisi (signifikansi = 0,025) hasil
diperoleh untuk t tabel sebesar 2,110 (Lihat pada Tabel
t) atau dapat dicari di Ms Excel dengan cara pada cell
kosong ketik =tinv(0.05, 17) lalu tekan Enter.
5. Kriteria Pengujian
Ho diterima jika -t tabel <_ t hitung <_ t tabel
Ho ditolak jika -t hitung < -t tabel atau t hitung > t
tabel
8. Kesimpulan
Oleh karena nilai -t hitung >-t tabel (-1,154 >-2,110)
maka Ho diterima, artinya secara parsial PER tidak
berpengaruh terhadap harga saham pada perusahaan
di BEI.
Pengujian koefisien regresi variabel ROI
1. Menentukan Hipotesis
Ho: Secara parsial tidak ada pengaruh antara ROI
dengan harga saham
H1: Secara parsial ada pengaruh antara ROI dengan
harga saham
4. Menentukan t tabel
Tabel distribusi t dicari pada α = 5% : 2= 2,5% (uji 2
sisi) dengan derajat kebebasan (df) n-k-1 atau 20-2-1 =
17 (n adalah jumlah kasus dan k adalah jumlah variabel
independen).
Dengan pengujian 2 sisi (signifikansi = 0,025) hasil
diperoleh untuk t tabel sebesar 2,110 (Lihat pada Tabel
t) atau dapat dicari di Ms Excel dengan cara pada cell
kosong ketik =tinv(0.05,17) lalu tekan Enter.
5. Kriteria Pengujian
Ho diterima jika -t tabel <_ t hitung <_ t tabel
Ho ditolak jika -t hitung < -t tabel atau t hitung > t
tabel
8. Kesimpulan
Oleh karena nilai t hitung > t tabel (6,091 > 2,110) maka Ho
ditolak, artinya secara parsial ROI berpengaruh terhadap harga
saham pada perusahaan di BEI.
T hitung positif artinya ROI berpengaruh positif terhadap harga
saham di perusahaan di BEI.
Prosedur Pemilihan Model
Berdasarkan Kriteria
Tertentu
1. Forward Selection
Metode forward selection dilakukan dengan cara
memasukkan prediktor secara bertahap, prediktor ini
berdasarkan korelasi parsial terbesar.
Dalam metode forward selection, variabel prediktor
yang dimasukkan dalam model tidak akan dapat
dikeluarkan lagi.
Proses tersebut dihentikan ketika prediktor-prediktor
baru tidak bisa meningkatkan berpengaruh secara
signifikan (sig di bawah 0.05) terhadap variable respon
Karena itulah prosedur forward selection menjadi
salah satu prosedur pemilihan model terbaik dalam
regresi dengan eliminasi variabel bebas yang
membangun model secara bertahap. Ada beberapa
cara yang dapat digunakan dalam pengujian dengan
metode forward selection ini.
Berikut ini adalah langkah-langkah
melakukan forward selection menggunakan SPSS:
• Dimulai dengan model yang hanya memuat konstan.
• Kemudian pilihlah variabel independen dengan
probabilitas dari F terkecil. Jika probabilitas tersebut
lebih kecil dari probability to entry, maka variabel
independen tersebut masuk ke dalam modell.
• Selanjutnya lakukan proses tersebut sampai kriteria
di atas tidak terpenuhi.
2. Backward Elimination
Metode Backward Elimination dilakukan dengan
cara memasukkan semua prediktor kemudian
mengeliminasi satu persatu hingga tersisa prediktor
yang signifikan saja. Eliminasi ini didasarkan pada
prediktor yang memiliki nilai sig F yang di atas 0.1.
• Pertama-tama masukkan semua variabel
independen ke dalam model.
• Pada tiap langkahnya, jika variabel independen yang
menghasilkan probabilitas dari F terbesar, lebih
besar dibandingkan dengan probability to
remove maka variabel independen tersebut
dikeluarkan dari dalam model.
• Proses dapat dihentikan jika semua probability dari F
lebih kecil dibandingkan dengan probability to
remove.
3. Stepwise
Metode ini merupakan kombinasi dari kedua model
di atas. Pada tiap tahapnya dimungkinkan sebuah
variabel dimasukkan atau dikeluarkan dari model.
Jika menggunakan tools SPSS, langkah-langkah
untuk menjalankan analisis regresi dengan
metode Stepwise sama dengan metode Forward
Selection. Yang berbeda hanya mengganti pada
kotak method dan pilih Stepwise.
Dari ketiga metode di atas baik forward selection,
backward elimination, dan stepwise memiliki tujuan
yang sama, yaitu untuk mengurangi kemungkinan
adanya multikolinearitas dari persamaan/model yang
dihasilkan.