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, E arni rning ng Persha Pershare redan B ook V alue 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 m endekati 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 plot yang membandingkan distribusi kumulatif dari data sesungguhnya ses ungguhnya 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. Smirnov . Uji One Sample Kolmogorov Smirnov Smirnov digunakan untuk mengetahui distribusi data, apakah mengikuti distribusi normal, poisson normal, poisson,, uniform uniform,, atauexponential atauexponential . 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 a ngka probabilitas, dengan aturan : Probabilitas Sig. > 0,05, maka H o diterima. Maka, nilai residual berdistribusi normal. Probabilitas Sig. < 0,05, maka H o 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 Tolerance dan dan Variance Variance Inflation Inflation Factor Factor (VIF). (VIF). Nilai tolerance yang rendah sama dengan nilai VIF tinggi (karena VIF = 1/tolerance 1/ tolerance). ). Nilai cut off yang yang umum dipakai untuk menunjukan adanya multikolinieritas adalah nilai tolerance < 0,10 atau sama dengan nilai VIF 10. Uji Heteroske Heteroskedastisitas dastisitas 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) (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 Autokorelas Autokorelasii 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 s atu sama lain. Autokorelasi dapat diditeksi melalui metode Durbin-Waston (DW) dengan mengansumsikan bahwa variabel gangguannya hanya berhubungan dengan variabel gangguan periode sebelumnya (lag ( lag pertama) 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-Watso Durbin-Watson n Nilai Statistik d (Durbin (Durbin- Hasil Watson) 0 < d < < dl Menolak hipotesis nol : ada autokorelasi positif dl < < d < du Daerah keragu-raguan : tidak ada keputusan du < du < d < < 4 – 4 – du du Menerima hipotesis nol : tidak ada autokorelasi positif / negatif 4 - du du < < d < < 4 – 4 – dl dl Daerah keragu-raguan : tidak ada keputusan 4 – – dl 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 var iabel 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), X1), earning pershare (X2) pershare (X2) dan book value pershare pershare (X3). Sehingga persamaan regresi yang terbentuk adalah sebagai berikut:
Y = a + b1 X X 1 + b 2 X X 2 + b 3 X X 3 + 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 atau Pearson. Dan kriteria pengukuran dalam kategori koefisien korelasi dapat dirangkum seperti berikut :
Kriteria Korelasi Nilai r (korelasi) Kriteria 0,00 – 0,00 – 0,29 0,29 Korelasi sangat lemah 0,30 – 0,30 – 0,49 0,49 Korelasi lemah 0,50 – 0,50 – 0,69 0,69 Korelasi cukup 0,70 – 0,70 – 0,79 0,79 Korelasi kuat 0,80 – 0,80 – 1,00 1,00 Korelasi sangat kuat b. Adjusted R 2
Yang selanjutnya selanjutnya kita lihat dalam analisi regresi berganda adalah nilai nilai Koefesien determinasi 2 (R ) yang digunakan untuk mengukur seberapa baik garis regresi sesuai dengan data aktualnya ( goodness goodness of fit ). ). Koefisien determinasi ini mengukur presentase total varian variabel dependen Y yang dijelaskan oleh variabel independen di dalam garis regresi. Nilai R 2 mempunyai interval antara 0 sampai 1 (0 < R 2 < 1). Semakin besar R 2 (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 R 2) karena nilai ini telah disesuaikan dengan banyaknya variabel independen (X) yang masuk untuk menjelaskan variabel vari abel 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 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 ( fit ) atau tidak, kita harus membandingkan memb andingkan nilai F hitung dengan nilai F tabel dengan derajat bebas : df: α, (k -1), (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 berart i bahwa bahw a variabel var iabel 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 H 0 ditolak yang berarti bahwa variabel X variabel X i berpengaruh signifikan terhadap variabel dependen, tetapi jika t hitung < t tabel, maka H0 diterima yang berarti bahwa variabel v ariabel X X i 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 Pembaha Pembahasan san 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 anali sis regresi layak digunakan. 2) Uji One Sample Kolmogorov Smirnov One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N
80
Normal Parameters
a
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 SPSS uji Kolmogrov uji Kolmogrov Smirnov di atas, nilai Asym.Sig (2-tailed) sebesar 0,230, nilai tersebut memenuhi ketentuan sig. (p) > 0,05 ( level of signification). signification ). Hal ini berarti bahwa data residual berdistribusi normal. b. Uji Multikolinieritas Coefficients a Collinearity Statistics Model 1
Tolerance
VIF
.314 .153 .259
4.283 5.146 5.817
(Constant) DPS EPS BVPS
a. Dependent Variable: HS
Dari tabel di atas, dapat dilihat bahwa nilai VIF ( Variance Inflation Factor ) masingmasing variabel independen adalah sebesar 4,283 untuk dividend dividend pershare (DPS), 5,146 untuk earning pershare pershare (EPS), dan 5,817 untuk book value pershare pershare (BVPS) yang berarti lebih kecil dari 10, sehingga dapat disimpulkan bahwa model regresi yang terbentuk terbebas dari masalah multikolinieritas. c. Uji Heteros Heteroskedastisitas kedastisitas 1) Grafik Plot Dari grafik scatter grafik scatter plot plot terlihat terlihat bahwa titik-titik titik-t itik menyebar secara acak serta sert a 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 Coefficients a Model
Unstandardized Coefficients
Standardized Coefficients
t
Sig.
B 1
(Constant)
Std. Error
815.276
548.493
1.805 -.220 .449
1.314 .984 .241
DPS EPS BVPS
Beta .243 -.057 .363
1.486
.141
1.373 -.224 1.867
.285 .754 .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 variabelearning pershare adalah 0,285, nilai signifikasi variabel earning pershare pershare sebesar 0,754 dan nilai signifikasi variabel bookvalue bookvalue pershare 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 Autokorelas Autokorelasii Model Summaryb Model 1
R
Adjusted R Square
R Square
.937a
.877
.873
Std. Error of the Estimate
Durbin-Watson
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 Tidak dapat Tidak ada Tidak dapat Ada autokorelasi diputuskan autokorelasi diputuskan autokorelasi positif DW=2,074 negatif 0 dL=1,560 dU=1,715 2 4-dU=2,285 4-dL=2,44 4-dU=2,285 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 DPS
Pearson Correlation Sig. (2-tailed) N
EPS
BVS
HS
1
-.150
-.253
.586**
80
.292 80
.074 80
.000 80
EPS
Pearson Correlation
-.150
Sig. (2-tailed) N BVS
Pearson Correlation Sig. (2-tailed) N
HS
Pearson Correlation
1
.041
-.145
.292 80
80
.773 80
.311 80
-.253
.041
1
-.081
.074 80
.773 80
80
.573 80
**
-.145
-.081
1
.000
.311
.573
80
80
80
.586
Sig. (2-tailed) N
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 R 2 Berikut adalah nilai Adjusted nilai Adjusted R 2 yang diperoleh dari hasil pengolahan data pada kesempatan kali ini: Model Summaryb Model 1
R
R Square
.937a
Adjusted R Square
.877
Std. Error of the Estimate
.873
Durbin-Watson
4739.47607
2.074
a. Predictors: (Constant), BVPS, DPS, EPS b. Dependent Variable: HS
Dari tabel di atas dapat dilihat bahwa nilai Adjusted nilai Adjusted R-Square dari model regresi yang terbentuk dalam penelitian ini adalah sebesar 0,873 yang menunjukan bahwa kemampuan variabel independen (dividend (dividend pershare, earning pershare dan dan book book value pershare) 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) si multan) yang dilakukan pada kesempatan kali ini: ANOVAb Model 1
Sum of Squares Regression
1.222E10
df
Mean Square 3
4.073E9
F 181.313
Sig. .000a
Residual Total
1.707E9 1.393E10
76 79
2.246E7
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) -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 saham.. Atau dapat dikatakan bahwa variabel dividend pershare (X1), pershare (X1), earning pershare (X2) dan book value pershare (X3), 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)| (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) parsial ) yang dilakukan dalam kesempatan kali ini: Coefficients a Unstandardized Coefficients Model
B
1
-506.421
800.505
5.731 3.824 3.151
1.918 1.436 .351
(Constant) DPS EPS BVPS
Std. Error
Standardized Coefficients Beta
t .248 .282 .479
Sig. -.759
.450
4.245 3.742 5.271
.000 .001 .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 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 pershare Dengan melihat nilai t hitung (t statistik) earning pershare sebesar 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 book value value pershare pershare Dengan melihat nilai t hitung (t statistik) book value pershare 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 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 -506,421 + 5,731 5,731 DPS + 3,824 EPS EPS + + 3,151 BVPS. Nilai konstanta sebesar -506,421 menunjukan bahwa jika variabel independen yang terdiri dari dividend pershare, pershare, earning pershare dan pershare danbook book value value pershare pershare bernilai 0, maka nilai dari harga saham adalah -506,421. Nilai koefisien X koefisien X 1 atau dividend pershare adalah pershare adalah sebesar 5,731menunjukan bahwa jika variabel dividend pershare 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 X koefisien X 2 atau earning pershare adalah pershare adalah sebesar 3,824 menunjukan bahwa jika variabel earning pershare 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 koefisien X X 3 atau book value pershare value pershare adalah sebesar 3,151menunjukan 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.
