Contents - Eddiestp's Blog · Uji Asumsi Klasik ... sehingga dapat disimpulkan bahwa model regresi memenuhi asumsi normalitas. 2) Uji Linearitas Kemudian muncul . Edy Sitepu -- [email protected]

Edy Sitepu -- [email protected] / Politeknik Negeri Medan

Contents PAR (PARAMETRIC TEST) .................................................................................................1

Kasus 1 Validitas dan Reliabilitas Test.....................................................................................1

Uji Asumsi Klasik ....................................................................................................................7

1) Uji Normalitas ............................................................................................................7

2) Uji Linearitas.............................................................................................................12

3) Uji Autokorelasi dengan DW Test ..........................................................................14

4) Uji Multikolinearitas ................................................................................................15

5) Uji Heteroskedastisitas ............................................................................................15

Kasus 1 Regresi Linier Sederhana ...........................................................................................17

Kasus 2 Regresi Linier Berganda ............................................................................................22

PAR (PARAMETRIC TEST)

Kasus 1 Validitas dan Reliabilitas Test Misalnya terdapat tabulasi data sbb:

Menuju Akses Data

1) Uji Validitas

mailto:[email protected]

004a%20-%20Validitas%20dan%20Reliabilitas%20-%2023%20Responden.sav


Analyze Correlate Bivariate

Maka akan muncul dialog box sbb:

Masukkan semua item varibel X1 termasuk totalnya (atau rata-rata)

Kemudian klik Ok

Maka akan muncul output sbb:



Correlations

x11 x12 x13 x14 x15 x16 x17 x18 TX1

x11 Pearson Correlation 1 .468* -.211 -.122 -.304 -.020 .155 .512* .369

Sig. (2-tailed) .024 .334 .581 .158 .928 .479 .013 .083

N 23 23 23 23 23 23 23 23 23

x12 Pearson Correlation .468* 1 .256 .278 -.140 .196 .236 .436* .662**

Sig. (2-tailed) .024 .238 .200 .524 .371 .278 .037 .001

N 23 23 23 23 23 23 23 23 23

x13 Pearson Correlation -.211 .256 1 .209 .198 .509* .330 .215 .528**

Sig. (2-tailed) .334 .238 .337 .364 .013 .124 .326 .010

N 23 23 23 23 23 23 23 23 23

x14 Pearson Correlation -.122 .278 .209 1 .289 .240 .229 .135 .561**

Sig. (2-tailed) .581 .200 .337 .181 .269 .292 .539 .005

N 23 23 23 23 23 23 23 23 23

x15 Pearson Correlation -.304 -.140 .198 .289 1 .264 -.013 .182 .321

Sig. (2-tailed) .158 .524 .364 .181 .223 .954 .405 .135

N 23 23 23 23 23 23 23 23 23

x16 Pearson Correlation -.020 .196 .509* .240 .264 1 .388 .313 .614**

Sig. (2-tailed) .928 .371 .013 .269 .223 .067 .147 .002

N 23 23 23 23 23 23 23 23 23

x17 Pearson Correlation .155 .236 .330 .229 -.013 .388 1 .351 .593**

Sig. (2-tailed) .479 .278 .124 .292 .954 .067 .101 .003

N 23 23 23 23 23 23 23 23 23

x18 Pearson Correlation .512* .436* .215 .135 .182 .313 .351 1 .710**

Sig. (2-tailed) .013 .037 .326 .539 .405 .147 .101 .000

N 23 23 23 23 23 23 23 23 23

TX1 Pearson Correlation .369 .662** .528** .561** .321 .614** .593** .710** 1

Sig. (2-tailed) .083 .001 .010 .005 .135 .002 .003 .000

N 23 23 23 23 23 23 23 23 23

*. Correlation is significant at the 0.05 level (2-tailed). **. Correlation is significant at the 0.01 level (2-tailed).

Keterangan: Kuat lemahnya hubungan dua variabel ditunjukkan oleh nilai Pearson Correlation (R) dimana nilai secara umum dibagi menjadi sbb: 0.00 - 0.25 korelasi sangat lemah 0.25 - 0.50 korelasi moderat 0.50 - 0.75 korelasi kuat



0.75 - 1.00 korelasi sangat kuat Untuk lebih baiknya harus dibandingkan antara r hitung dengan r tabel Jika r hitung > r tabel valid Cari nilai r tabel lihat jumlah responden (sampel) Dalam hal ini N = 23 Pada signifikansi = 0,05 atau 5% Maka diperoleh nilai r tabel = 0,3961

https://www.slideshare.net/julymanao/tabel-r-pdf

Selanjutnya lakukan uji Reliabilitas


https://www.slideshare.net/julymanao/tabel-r-pdf


2) Uji Reliabilitas

Analyze Scale Reliability Test

Maka akan tampil dialog box: Masukan semua item pertanyaan variabel x1 yang ingin diuji reliabilitasnya kecuali nilai total



Maka hasilnya akan muncul output sbb:

Reliability Statistics

Cronbach's Alpha

N of Items

.729 14

Item-Total Statistics

Scale Mean if Item Deleted

Scale Variance if Item Deleted

Corrected Item-Total

Correlation

Cronbach's Alpha if Item

Deleted

y1 53.5652 13.166 .302 .722 y2 53.3043 12.585 .619 .681 y3 53.5652 13.439 .396 .707 y4 53.7391 12.656 .546 .688 y5 53.7391 13.838 .419 .708 y6 53.8261 12.877 .582 .687 y7 53.7826 12.269 .472 .696 y8 53.4348 16.257 -.243 .764 y9 53.8696 14.573 .135 .736

y10 53.8696 13.119 .478 .698 y11 53.7391 13.838 .419 .708 y12 53.7391 13.474 .424 .705 y13 53.5217 16.079 -.205 .758 y14 53.4783 13.352 .385 .708

Dari hasil ini sepintas dapat dilihat nilai Cronbach Alpa > 0,5 demikian pula

pada semua item pertanyaan Y1 s.d. y14 semuna > 0,5.

Namun untuk memastikan perlu dibandingkan dengan r tabel seperti pada uji

validitas.

Jika r hitung > r tabel reliabel Cari nilai r tabel lihat jumlah responden (sampel) Dalam hal ini N = 23 Pada signifikansi = 0,05 atau 5% Maka diperoleh nilai r tabel = 0,3961 Jika r hitung > 0,3961 reliabel Ada teori lain yang mengatakan bila Cronbach Alfa > 0,6 maka Reliabel



Langkah yang sama dilakukan untuk menguji variabel lainnya

Uji Asumsi Klasik 1) Uji Normalitas

Langkah menjalankan uji normalitas Kolmogorov – Smirnov Test

a) Yang diuji adalah “total item setiap variabel) atau refresentasi variabel

b) Ubah data ke bentuk “unstandar residual” dengan cara

Analyze Regression Linear

Kemudian muncul kotak dialog sbb:

Abaikan outputnya dan close



Pada data utama akan muncul tambahan variabel baru yakni : Res_1

Langkah selanjutny

Analyze Non Parametric Test

Pada test variabel list masukkan variabel baru Unstandardized Residual

seperti pada kotak dialog di bawah:



Maka hasil outputnya adalah:

One-Sample Kolmogorov-Smirnov Test

Unstandardized

Residual

N 23 Normal Parametersa,b Mean .0000000

Std. Deviation 2.41728450 Most Extreme Differences Absolute .156

Positive .156 Negative -.140

Test Statistic .156 Asymp. Sig. (2-tailed) .154c

a. Test distribution is Normal. b. Calculated from data. c. Lilliefors Significance Correction.

Karena nilai Asymp.sig.(2-tailed) > 0,05 maka data berdistribusi Normal.



Langkah lain dapat dilakukan dengan:

Maka akan diperoleh hasil sebagai berikut:

Tests of Normalitya

TX1

Kolmogorov-Smirnovb Shapiro-Wilk

Statistic df Sig. Statistic df Sig.

TY 32.00 .364 4 . .840 4 .195

33.00 .196 3 . .996 3 .878

34.00 .260 2 .

35.00 .214 4 . .963 4 .798

36.00 .229 5 .200* .867 5 .254

37.00 .260 2 .

40.00 .260 2 .

*. This is a lower bound of the true significance. a. TY is constant when TX1 = 30.00. It has been omitted. b. Lilliefors Significance Correction

Berdasarkan hasil test:



SPSS akan menyajikan dua data sekaligus Kormogorov_Smirnov dan Shapiro-Wilk Shapiro Wilk jika sampel kurang dari 50 Kormogorov Smirnov jika sampel lebih dari 50 Hasilnya karena nilai signifikansi = 0,200 Dimana 0,200 > 0,05 berdistribusi normal Selanjutna bisa dilihat dari Normal QQ Plot Dimana garis lurus adalah keadaan ideal data dan titik-tidak dekat dengan garis

Cara lain yang paling sering dipakai Analyze Regression Linear Pada Plot centang Normaliti dan Histogram



Berdasarkan hasil output SPSS di atas kita dapat melihat grafik plot. Dimana gambar P-Plot terlihat titik-titik mengikuti dan mendekati garis diagonalnya sehingga dapat disimpulkan bahwa model regresi memenuhi asumsi normalitas.

2) Uji Linearitas

Kemudian muncul



Hasil output sebagai berikut:

ANOVA Table

Sum of Squares df

Mean Square F Sig.

TY * TX1 Between Groups (Combined) 84.296 7 12.042 .701 .671

Linearity 56.368 1 56.368 3.282 .090

Deviation from Linearity 27.929 6 4.655 .271 .942

Within Groups 257.617 15 17.174

Total 341.913 22

Dari tabel terilihat bahwa nilai signifikansi deviation from linearity adalah

0,942 > 0,05 artinya terdapat hubungan linear secara signifikan antara variabel

Nilai F sebesar 0,271, jika F hitung < F tabel terdapat hubungan linear secara

signifikan. (lihat tabel F dengan cara lihat tabel yang diberi tanda hijau df

6.15 lalu lihat pada tabel F diperoleh angka: 2,79

Sehingga Fhitung 0,271 < 2,79 F tabel sehingga memenuhi Linearitas



3) Uji Autokorelasi dengan DW Test

Model Summaryb

Model R R Square

Adjusted R

Square

Std. Error of the

Estimate Durbin-Watson

1 .790a .624 .586 2.53527 2.030

a. Predictors: (Constant), TX2, TX1 b. Dependent Variable: TY

Umumnya 2 – 2,5



4) Uji Multikolinearitas

Coefficientsa

Model

Unstandardized Coefficients

Standardized Coefficients

t Sig.

Collinearity Statistics

B Std.

Error Beta Tolerance VIF

1 (Constant) 11.239 9.008 1.248 .227

TX1 .459 .220 .290 2.085 .050 .972 1.029

TX2 .839 .170 .687 4.942 .000 .972 1.029

a. Dependent Variable: TY

Kriteria: Nilai tolerance > 0,10 dan nilai VIF < 10 tidak terjadi multikolinearitas

5) Uji Heteroskedastisitas



Jika menyebar tidak berpola berarti tidak ada masalah hetero



Kasus 1 Regresi Linier Sederhana Tujuan umum dari regresi berganda (istilah inipertama kali digunakan oleh Pearson,

1908) adalah untuk mempelajari lebih lanjut tentang hubungan antara variabel

independen dan variabel dependen atau kriteria.

Misalnya, seorang mahasiswa ingin mengetahui apakah ada hubungan atau kaitan

antara jumlah halaman sebuah buku yang ada di perpustakaan kampus dengan harga

jual buku di daftar harga toko buku online.

Tabel 1 Tabel Buku, Jumlah Halaman dan Harga Buku

Book Page Price ($)

Introduction to History 500 84

Basic Algebra 700 75

Introduction to Psychology 800 99

Introduction to Sociology 600 72

Business Management 400 69

Introduction to Biology 500 81

Fundamentals of Jazz 600 63

Principles of Nursing 800 93

Akses ke Data

Prosedur regresi dengan SPSS adalah sebagai berikut: Analyze > Regression > Linier

Outputnya adalah

Model Summary

Model R R Square Adjusted R

Square Std. Error of the

Estimate

1 .614a .377 .273 10.41290



a. Predictors: (Constant), Page

Koefisen korelasi R=0.614 menunjukkan tingkat hubungan variabel dependen dengan variabel independen pada tingkat kuat (0.614) untuk slala 0 - 1. Kuat lemahnya hubungan dua variabel ditunjukkan oleh nilai Pearson Correlation (R) dimana nilai secara umum dibagi menjadi sbb: 0.00 - 0.25 korelasi sangat lemah 0.25 - 0.50 korelasi moderat 0.50 - 0.75 korelasi kuat 0.75 - 1.00 korelasi sangat kuat Nilai R square = 0.377 dari tabel di atas menunjukkan bahwa 37.7 % dari varians Price dapat dijelaskan oleh perubahan dalam variabel page. ANOVAa

Model Sum of Squares df Mean Square F Sig.

1 Regression 393.429 1 393.429 3.628 .105b

Residual 650.571 6 108.429

Total 1044.000 7

a. Dependent Variable: Price b. Predictors: (Constant), Page

UJI F (Uji Simultan) Uji F dimaksudkan untuk menguji apakah variabel-variabel independen secara bersama-sama berpengaruh signifikan terhadap variabel dependen. Kasus ini variabel independenya hanya satu, yaitu Page (jumlah halaman). Hipotesis: H0: variabel-variabel independen secara bersama-sama tidak berpengaruh signifikan terhadap variabel dependen H1: variabel-variabel independen secara bersama-sama berpengaruh signifikan terhadap variabel dependen Dasar Pengambilan Keputusan: Jika probalitasnya (nilai sig) > 0.05 atau F hitung < F tabel maka H0 diterima Jika probalitasnya (nilai sig) < 0.05 atau F hitung > F tabel maka H0 ditolak Keputusan:



Pada tabel di atas nilai sig = 0.105 > 0.05, sehingga H0 diterima, yang berarti variabel-variabel independen secara bersama-sama tidak berpengaruh signifikan terhadap variabel dependen. (ingat: kasus ini adalah kasus satu variabel independen)

Coefficientsa

Model Unstandardized Coefficients

Standardized Coefficients t Sig.

B Std. Error Beta

1 (Constant) 48.000 16.942 2.833 .030

Page .051 .027 .614 1.905 .105

a. Dependent Variable: Price

Uji t Uji t dimaksudkan untuk menguji apakah variabel independen secara parsial berpengaruh signifikan terhadap variabel dependen. Hipotesis: H0: variabel independen secara parsial tidak berpengaruh signifikan terhadap variabel dependen H1: variabel independen secara parsial berpengaruh signifikan terhadap variabel dependen Dasar Pengambilan Keputusan Jika probalitasnya (nilai sig) > 0.05 atau t tabel < t hitung < t tabel maka H0 diterima Jika probalitasnya (nilai sig) < 0.05 atau t hitung < - t tabel atau t hitung > t tabel maka H0 ditolak Keputusan: Pada tabel di atas nilai sig variabel Page 0.105 > 0.05 sehingga H0 tidak ditolak, yang berarti variabel independen Page secara parsial tidak berpengaruh signifikan terhadap variabel Price. Dengan demikian persamaan estimasinya adalah : Price = 48 + 0.051*Page

Menampilkan scatterplot



Sehingga hasilnya plotnya:





Kasus 2 Regresi Linier Berganda

Kita mengambil contoh kasus pada uji normalitas, yaitu sebagai berikut: Seorang

mahasiswa bernama Bambang melakukan penelitian tentang faktor-faktor yang

mempengaruhi harga saham pada perusahaan di BEJ. Bambang dalam penelitiannya

ingin mengetahui hubungan antara rasio keuangan PER dan ROI terhadap harga

saham. Dengan ini Bambang menganalisis dengan bantuan program SPSS dengan alat

analisis regresi linear berganda. Dari uraian di atas maka didapat variabel dependen

(Y) adalah harga saham, sedangkan variabel independen (X1 dan X2) adalah PER dan

ROI. Data-data yang di dapat berupa data rasio dan ditabulasikan sebagai berikut:

No Tahun Harga Saham (Rp) PER (%) ROI (%)

1 1990 8300 4.90 6.47

2 1991 7500 3.28 3.14

3 1992 8950 5.05 5.00

4 1993 8250 4.00 4.75

5 1994 9000 5.97 6.23

6 1995 8750 4.24 6.03

7 1996 10000 8.00 8.75

8 1997 8200 7.45 7.72

9 1998 8300 7.47 8.00

10 1999 10900 12.68 10.40

11 2000 12800 14.45 12.42

12 2001 9450 10.50 8.62

13 2002 13000 17.24 12.07

14 2003 8000 15.56 5.83

15 2004 6500 10.85 5.20

16 2005 9000 16.56 8.53

17 2006 7600 13.24 7.37

18 2007 10200 16.98 9.38 (df) n-k-1 atau 18-2-1 = 15 (n adalah jumlah kasus dan k adalah jumlah variabel independen)

Akses Data Harga Saham

Langkah-langkah: 1) Analisis data

Analyze Regression Linear


003a%20-%20Regresi%20Linear%20Berganda.sav


2) Maka diperoleh beberapa output sbb:

Model Summaryb

Model R R Square Adjusted R

Square Std. Error of the

Estimate

1 .879a .772 .742 870.80063

a. Predictors: (Constant), ROI, PER b. Dependent Variable: harga_saham

Berdasarkan tabel di atas diperoleh angka R sebesar 0,879. Hal ini

menunjukkan bahwa terjadi hubungan yang sangat kuat antara “PER” dan

“ROI” terhadap “harga saham”

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

Berdasarkan tabel di atas diperoleh angka R2 (R Square) sebesar 0,772

atau (77,2%). Hal ini menunjukkan bahwa prosentase sumbangan pengaruh variabel independen (PER dan ROI) terhadap variabel dependen (harga saham) sebesar 77,2%. Atau variasi variabel independen yang digunakan dalam model (PER dan ROI) mampu menjelaskan sebesar 77,2% variasi variabel dependen (harga saham). Sedangkan sisanya sebesar 22,8% dipengaruhi atau dijelaskan oleh variabel lain yang tidak dimasukkan dalam model penelitian ini.



Adjusted R Square adalah nilai R Square yang telah disesuaikan, nilai ini selalu lebih kecil dari R Square dan angka ini bisa memiliki harga negatif. Menurut Santoso (2001) bahwa untuk regresi dengan lebih dari dua variabel bebas digunakan Adjusted R2 sebagai koefisien determinasi.

Standard Error of the Estimate adalah suatu ukuran banyaknya kesalahan model regresi dalam memprediksikan nilai Y. Dari hasil regresi di dapat nilai 870,80 atau Rp.870,80 (satuan harga saham), hal ini berarti banyaknya kesalahan dalam prediksi harga saham sebesar Rp.870,80. Sebagai pedoman jika Standard error of the estimate kurang dari standar deviasi Y, maka model regresi semakin baik dalam memprediksi nilai Y.

3) Uji F/Uji Simultan/Uji Serempak

Uji ini digunakan untuk mengetahui apakah variabel independen (X1,X2….Xn) secara bersama-sama berpengaruh secara signifikan terhadap variabel dependen (Y). Atau untuk mengetahui apakah model regresi dapat digunakan untuk memprediksi variabel dependen atau tidak. Signifikan berarti hubungan yang terjadi dapat berlaku untuk populasi (dapat digeneralisasikan), misalnya dari kasus di atas dimisalkan:

populasinya adalah 50 perusahaan dan sampel yang diambil dari kasus di atas 18 perusahaan Jadi apakah pengaruh yang terjadi atau kesimpulan yang didapat

berlaku untuk populasi yang berjumlah 50 perusahaan. Dari hasil output analisis regresi dapat diketahui nilai F seperti pada tabel berikut ini.

ANOVAa

Model Sum of Squares df Mean Square F Sig.

1 Regression 38620593.998 2 19310296.999 25.465 .900b

Residual 11374406.002 15 758293.733

Total 49995000.000 17

a. Dependent Variable: harga_saham b. Predictors: (Constant), ROI, PER

Tahap-tahap untuk melakukan uji F adalah sebagai berikut: 1. Merumuskan Hipotesis

Ho : Tidak ada pengaruh secara signifikan antara PER dan ROI secara bersama-sama terhadap harga saham. Ha : Ada pengaruh secara signifikan antara PER dan ROI secara bersama-sama terhadap harga saham.

2. Menentukan tingkat signifikansi Tingkat signifikansi menggunakan a = 5% (signifikansi 5% atau 0,05 adalah ukuran standar yang sering digunakan dalam penelitian)

Commented [es1]: Nilai F Hitung harus lebih besar dari F tabel baru dapat dikatakan bahwa secara simultan variabel yang digunakan secara bersama-sama signifikan mempengaruhi variabel Y dalam hal ini “Harga Saham”

Commented [es2]: Nilai signifikansi ini memastikan bila secara simultan variabel yang digunakan signifikan mempengaruhi variabel terikat (Y)



3. Menentukan F hitung Berdasarkan tabel diperoleh F hitung sebesar 25,465 (dilihat dari hasil outpt spss pada tabel Anova diatas.

4. Menentukan F tabel Dengan menggunakan tingkat keyakinan 95%, a = 5%, df 1 (jumlah variabel–1) = 2, dan df 2 (n-k-1) atau 18-2-1 = 15 (n adalah jumlah kasus dan k adalah jumlah variabel independen), hasil diperoleh untuk F tabel sebesar 3,683 (Lihat pada lampiran) atau dapat dicari di Ms Excel dengan cara pada cell kosong ketik =finv(0.05,2,15) lalu enter. Jika dihitung secara manual nilai distribusi F dapat dihitung sbb:

3,68232

Dengan tabel bisa dilihat pada df (n2) = 15, dan jumlah variabel bebas = 2 (n1), Diperoleh nilai F = 3,66

5. Kriteria pengujian: - Ho diterima bila F hitung < F tabel



- Ho ditolak bila F hitung > F tabel

6. Membandingkan F hitung dengan F tabel Nilai F hitung > F tabel (25,465 > 3,683), maka Ho ditolak

7. Kesimpulan Karena F hitung > F tabel (25,465 > 3,683), maka Ho ditolak, artinya ada pengaruh secara signifikan antara price earning ratio (PER) dan return on investmen (ROI) secara bersama-sama terhadap terhadap harga saham. Jadi dari kasus ini dapat disimpulkan bahwa PER dan ROI secara bersama-sama berpengaruh terhadap harga saham pada perusahaan di BEJ.

4) Uji t/Uji Parsial/Uji per Variabel

Uji ini digunakan untuk mengetahui apakah dalam model regresi variabel independen (X1, X2,…..Xn) secara parsial berpengaruh signifikan terhadap variabel dependen (Y). Dari hasil analisis regresi output dapat disajikan sebagai berikut:

Coefficientsa


Standardized Coefficients t Sig.

B Std. Error Beta

1 (Constant) 4662.491 668.382 6.976 .000

PER -74.482 59.161 -.214 -1.259 .227

ROI 692.107 116.049 1.012 5.964 .000

a. Dependent Variable: harga_saham

Langkah-langkah pengujian sebagai berikut: Pengujian koefisien regresi variabel PER 1) Menentukan Hipotesis.

Ho : Secara parsial tidak ada pengaruh signifikan antara PER dengan harga saham. Ha : Secara parsial ada pengaruh signifikan antara PER dengan harga saham

2) Menentukan tingkat signifikansi

Tingkat signifikansi menggunakan a = 5% 3) Menentukan t hitung

Commented [es3]: signifikan

Commented [es4]: tidak signifikan




Berdasarkan tabel diperoleh t hitung sebesar -1,259 4) Menentukan t tabel

Tabel distribusi t dicari pada a = 5% : 2 = 2,5% (uji 2 sisi) dengan derajat kebebasan (df) n-k-1 atau 18-2-1 = 15 (n adalah jumlah kasus dan k adalah jumlah variabel independen). Dengan pengujian 2 sisi (signifikansi = 0,05) hasil diperoleh untuk t tabel sebesar 2,131 (Lihat pada lampiran) atau dapat dicari di Ms Excel dengan cara pada cell kosong ketik =tinv(0.05,15) lalu enter.

2,13145

5) Kriteria Pengujian

Ho diterima jika -t tabel < t hitung < t tabel Ho ditolak jika -t hitung < -t tabel atau t hitung > t tabel

6) Membandingkan thitung dengan t tabel

Nilai -t hitung > -t tabel (-1,259 > -2,131) maka Ho diterima 7) Kesimpulan

Oleh karena nilai t hitung > t tabel (-1,259 > -2,131) maka Ho diterima Artinya secara parsial tidak ada pengaruh signifikan antara PER dengan harga saham. Jadi dari kasus ini dapat disimpulkan bahwa secara parsial PER tidak berpengaruh terhadap harga saham pada perusahaan di BEJ.

Pengujian koefisien regresi variabel ROI

1) Menentukan Hipotesis

Ho : Secara parsial tidak ada pengaruh signifikan antara ROI dengan harga saham Ha : Secara parsial ada pengaruh signifikan antara ROI dengan harga saham

2) Menentukan tingkat signifikansi

Tingkat signifikansi menggunakan a = 5% 3) Menentukan t hitung

Berdasarkan tabel diperoleh t hitung sebesar 5,964 4) Menentukan t tabel



Tabel distribusi t dicari pada a = 5% : 2 = 2,5% (uji 2 sisi) dengan derajat kebebasan (df) n-k-1 atau 18-2-1 = 15 (n adalah jumlah kasus dan k adalah jumlah variabel independen). Dengan pengujian 2 sisi (signifikansi= 0,025) hasil diperoleh untuk t tabel sebesar 2,131

2,13145

5) Kriteria Pengujian

Ho diterima jika -t tabel > t hitung t tabel Ho ditolak jika -t hitung < t tabel

6) Membandingkan thitung dengan t tabel

Nilai t hitung > t tabel (5,964 > 2,131) maka Ho ditolak 7) Kesimpulan

Oleh karena nilai t hitung > t tabel (5,964 > 2,131) maka Ho ditolak, artinya secara parsial ada pengaruh signifikan antara ROI dengan harga saham. Jadi dari kasus ini dapat disimpulkan bahwa secara parsial ROI berpengaruh positif terhadap harga saham pada perusahaan di BEJ.

5) Uji Koefisien Regresi

Berdasarkan tabel coefficients regresi sbb, dapat disusun model dalam bentuk persamaan regresi:

Coefficientsa


Standardized Coefficients T Sig.

B Std. Error Beta

1 (Constant) 4662.491 668.382 6.976 .000

PER -74.482 59.161 -.214 -1.259 .227

ROI 692.107 116.049 1.012 5.964 .000

a. Dependent Variable: harga_saham

Persamaan regresinya sebagai berikut:

Y’ = a + b1X1+ b2X2 Y’ = 4662,491 + (-74,482)X1 + 692,107X2 Y’ = 4662,491 - 74,482X1 + 692,107X2

Keterangan:


Commented [es7]: tidak signifikan




Y’ = Harga saham yang diprediksi (Rp) a = konstanta b1,b2 = koefisien regresi X1 = PER (%) X2 = ROI (%)

Persamaan regresi di atas dapat dijelaskan sebagai berikut: 1) Konstanta sebesar 4662,491; artinya jika PER (X1) dan ROI (X2) nilainya

adalah 0, maka harga saham (Y’) nilainya adalah Rp.4662,491. 2) Koefisien regresi variabel PER (X1) sebesar -74,482; artinya jika variabel

independen lain nilainya tetap dan PER mengalami kenaikan 1%, maka harga saham (Y’) akan mengalami penurunan sebesar Rp.74,482. Koefisien bernilai negatif artinya terjadi hubungan negatif antara PER dengan harga saham, semakin naik PER maka semakin turun harga saham.

3) Koefisien regresi variabel ROI (X2) sebesar 692,107; artinya jika variabel independen lain nilainya tetap dan ROI mengalami kenaikan 1%, maka harga saham (Y’) akan mengalami peningkatan sebesar Rp.692,107. Koefisien bernilai positif artinya terjadi hubungan positif antara ROI dengan harga saham, semakin naik ROI maka semakin meningkat harga saham.

Nilai harga saham yang diprediksi (Y’) dapat dilihat pada tabel Casewise

Diagnostics (kolom Predicted Value). Sedangkan Residual (unstandardized

residual) adalah selisih antara harga saham dengan Predicted Value, dan Std.

Residual (standardized residual) adalah nilai residual yang telah terstandarisasi

(nilai semakin mendekati 0 maka model regresi semakin baik dalam

melakukan prediksi, sebaliknya semakin menjauhi 0 atau lebih dari 1 atau -1

maka semakin tidak baik model regresi dalam melakukan prediksi).

6) Uji Asumsi Klasik a. Normalitas b. Multikolineartas c. Heteroskedastisitas d. Autokorelasi








Contents - Eddiestp's Blog · Uji Asumsi Klasik ... sehingga dapat disimpulkan bahwa model regresi memenuhi asumsi normalitas. 2) Uji Linearitas Kemudian muncul . Edy Sitepu -- [email protected]

Documents