BAB IV ANALISIS HASIL DAN PEMBAHASAN
A.
Gambaran Umum Objek Penelitian Objek dalam penelitian ini adalah perusahaan manufaktur disektor 5 (consumer goods industry) periode 2008 - 2010. Berikut ini peneliti akan membahas mengenai Penyajian dan Analisis Data:
B.
Analisis Statistik Deskriptif Di dalam penelitian ini variabel-variabel penelitian diklasifikasikan menjadi dua kelompok variabel, yaitu variabel terikat (dependent variable) dan variabel bebas (independent variable). Variabel terikat pada penelitian ini adalah Price Earning Ratio dan yang menjadi variabel bebas adalah Return on Equity, Net Profit Margin, dan Basic Earning Power. Berikut ini akan dijelaskan hasil statistik Price Earning Ratio dan variabel penelitian dari tahun 2008-2010. Statistik deskriptif variabel penelitian dari sampel perusahaan selama periode pengamatan 2008 - 2010 disajikan dalam table 4.1 berikut ini :
35
36
Tabel 4.1 Statistik Deskriptif Descriptive Statistics
ROE
N 60
Minimum Maximum Mean Std. Deviation .65 83.72 18.2002 19.12641
NPM
60
.53
19.52
7.1607
4.91239
BEP
60
.87
56.31
16.9585
13.45607
PER
60
2.94
97.47
14.4848
13.56064
Valid N (listwise)
60
Sumber : Hasil olah data SPSS
Pada tabel 4.1 diatas menunjukkan hasil output SPSS mengenai statistic deskriptif variable penelitian tahun 2008-2010 dengan jumlah sampel (N) sebanyak 60 (20 perusahaan selama 3 tahun). Dari table tersebut dapat dijelaskan statistic deskriptif masing-masing variable, yaitu sebagai berikut : 1) ROE mempunyai nilai terkecil (minimum) sebesar 0.65 dan nilai terbesar (maksimum) adalah 83.72, kemudian nilai rata-rata ROE adalah 18.2002 dengan standar deviasi sebesar 19.12641.
37
2) NPM mempunyai nilai terkecil (minimum) sebesar 0.53 dan nilai terbesar (maksimum) adalah 19.52, kemudian nilai rata-rata NPM adalah 7.1607 dengan standar deviasi sebesar 4.91239. 3) BEP mempunyai nilai terkecil (minimum) sebesar 0.87 dan nilai terbesar (maksimum) adalah 56.31, kemudian nilai rata-rata BEP adalah 16.9585 dengan standar deviasi sebesar 13.45607. 4) PER mempunyai nilai terkecil (minimum) sebesar 2.94 dan nilai terbesar (maksimum) adalah 97.47, kemudian nilai rata-rata PER adalah 14.4848 dengan standar deviasi sebesar 13.56064
C.
Hasil Uji Asumsi Klasik 1.
Uji Normalitas Pengujian normalitas data dapat dilakukan dengan uji Kolmogorov-
Smirnov (K-S), dengan membandingkan Asymptotic Significance dengan alpha 0,05. Dasar dalam pengambilan keputusan untuk menentukan data berdistribusi normal atau tidak adalah sebagai berikut : a) Nilai Asymp.Sig (2-tailed) > 0,05 maka data berdistribusi normal b) Nilai Asymp.Sig (2-tailed) < 0,05 maka data tidak berdistribusi normal Hasil output SPSS pengujian normalitas disajikan dalam table 4.2 berikut ini :
38
Tabel 4.2 Uji Normalitas sebelum Data Ditransformasi
One-Sample Kolmogorov-Smirnov Test ROE N Normal Parameters
a,,b
Most Extreme Differences
Mean Std. Deviation Absolute
Positive Negative Kolmogorov-Smirnov Z Asymp. Sig. (2-tailed)
NPM
BEP
PER
60
60
60
60
18.2002
7.1607
16.9585
14.4848
19.12641
4.91239
13.45607
13.56064
.208
.102
.182
.217
.208 -.179 1.611
.102 -.089 .791
.182 -.126 1.413
.217 -.199 1.680
.011
.560
.037
.007
a. Test distribution is Normal. b. Calculated from data. Sumber : Hasil olah data SPSS
Dari hasil pengolahan data tersebut, variabel ROE memiliki nilai signifikasi 0.011, NPM memiliki nilai signifikasi 0.560, BEP memiliki nilai signifikasi 0.37 dan PER memiliki nilai signifikasi 0.007. Variabel dependen yaitu PER memiliki nilai signifikasi lebih kecil dari 0.05 yang artinya PER datanya tidak terdistribusi secara normal. Kedua variabel independen, yaitu ROE dan BEP memiliki nilai signifikasi lebih kecil dari 0.05 yang artinya variabel ROE dan BEP datanya tidak terdistribusi secara normal. Oleh karena itu penulis akan mentransformasi variabel ROE, BEP, dan PER menjadi bentuk logaritma natural (Ln) atau menjadi bentuk
39
persamaan regresi double log. Hasil uji Kolmogorov-Smirnov setelah data ditransformasi disajikan dalam table 4.3 berikut ini : Tabel 4.3 Uji Normalitas setelah Data Ditransformasi
One-Sample Kolmogorov-Smirnov Test LN_PER LN_ROE LN_BEP N
60
60
60
Mean
2.4439
2.4053
2.5247
Std. Deviation
.63203
1.09720
.83646
Absolute
.081
.105
.088
Positive
.081
.070
.053
Negative
-.063
-.105
-.088
Kolmogorov-Smirnov Z
.629
.811
.682
Asymp. Sig. (2-tailed)
.824
.526
.741
Normal Parametersa,,b
Most Extreme Differences
a. Test distribution is Normal. b. Calculated from data.
Sumber : Hasil olah data SPSS Pada tabel 4.3 Hasil uji menunjukkan nilai signifikasi variabel PER, ROE, dan BEP terdistribusi secara normal karena nilai signifikasi lebih besar atau diatas 0,05.
40
2.
Uji Multikolonieritas
Uji multikolinearitas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas (independen). Untuk mendeteksi ada tidaknya multikolinieritas di dalam regresi dapat dilihat dari tolerance value dan nilai variance inflation factor (VIF). Variabel yang menyebutkan multikolinieritas dapat dilihat dari nilai VIF lebih besar dari 10 dari nilai tolerance yang lebih kecil dari 0,10. Ketentuan pengambilan keputusan dalam uji multikolinieritas, yaitu: Jika VIF > 10, maka terjadi multikolinieritas Jika VIF < 10, maka tidak terjadi multikolinieritas Berikut disajikan dalam tabel 4.4 hasil pengujian berikut ini: Tabel 4.4 Uji Multikolinearitas
Coefficientsa
Model 1
NPM
Collinearity Statistics Tolerance VIF .267 3.743
LN_ROE LN_BEP a. Dependent Variable: LN_PER
Sumber : Hasil olah data SPSS
.304 .303
3.292 3.301
41
Berdasarkan nilai tolerance dan VIF, terlihat bahwa: 1.
Angka tolerance untuk NPM sebesar 0,267 atau lebih besar dari 0,1 (0.267 > 0.1) dan dengan nilai VIF sebesar 3,743 atau lebih kecil dari 10 (3.743 < 10).
2.
Angka tolerance Ln_ROE sebesar 0,304 atau lebih besar dari 0,1 (0.304 > 0.1) dan dengan nilai VIF sebesar 3,292 atau lebih kecil dari 10 (3.292 < 10).
3.
Angka tolerance Ln_BEP sebesar 0,303 atau lebih besar dari 0,1 (0.303 > 0.1) dan dengan nilai VIF sebesar 1,754 atau lebih kecil dari 10 (3.301 < 10).
Berdasarkan hasil pengujian tersebut maka tidak terdapat multikolinearitas. Hasil ini menunjukkan tidak ada korelasi antar variabel independen.
3.
Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varian dari residual satu pengamatan ke pengamatan yang lain. Model regresi yang baik adalah model yang tidak terjadi heteroskedastisitas (Ghozali, 2006). Untuk menentukan heteroskedastisitas dapat menggunakan grafik scatterplot, titik-titik yang terbentuk harus menyebar secara acak, tersebar baik diatas maupun dibawah angka 0 pada sumbu Y, bila kondisi ini terpenuhi maka tidak terjadi heteroskedastisitas dan
42
model regresi layak digunakan. Hasil uji heteroskedastisitas dengan menggunakan grafik scatterplot di tunjukan pada gambar 4.1. berikut ini:
Gambar 4.1 Grafik Scatterplot
Berdasarkan Gambar 4.1, dari grafik scatterplots terlihat bahwa titik-titik menyebar secara acak serta tersebar baik diatas maupun dibawah angka 0 pada sumbu Y. Hal ini dapat disimpulkan bahwa tidak
43
terjadi heteroskedastisitas pada model regresi, sehingga model regresi layak dipakai untuk memprediksi PER berdasarkan masukan variabel independen ROE, NPM, BEP.
4.
Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t-1 (sebelumnya). Menurut Ghozali (2006), model regresi yang baik adalah regresi yang bebas dari autokorelasi. Uji autokorelasi dapat dilakukan dengan menggunakan uji DurbinWatson (DW), dimana hasil pengujian ditentukan berdasarkan nilai Durbin-Watson (DW). Tabel 4.5 Uji Autokorelasi
Model Summaryb
Model 1
Adjusted R Std. Error of R R Square Square the Estimate a .407 .165 .121 .59270
a. Predictors: (Constant), LN_BEP, LN_ROE, NPM
b. Dependent Variable: LN_PER
Sumber : Hasil olah data SPSS
DurbinWatson 2.078
44
Hasil pengujian pada Tabel 4.5 menunjukkan nilai statistik Durbin Watson sebesar 2.078. Nilai ini akan dibandingkan dengan nilai tabel dengan signifikasi 5%, jumlah sampel 60 dan jumlah variabel independen 3 (k=3), maka di tabel Durbin-Watson akan didapat nilai dl=1,479 dan du=1,689. Oleh karena nilai DW 2.078 lebih besar dari batas atas (du) 1.689 dan kurang dari 4 – 1.689 (4-du) sebesar 2.311. Maka dapat disimpulkan bahwa tidak ada autokorelasi positif atau negative atau tidak terdapat gejala autokorelasi.
Uji Koefisien Determinasi (R2)
D.
Koefisien Determinasi (R2) digunakan untuk mengukur tingkat kemampuan model dalam menerangkan variabel independen. Nilai koefisien determinasi antara nol dan satu. Nilai R2 berarti kemampuan variabel independen dalam menjelaskan variabel dependen amat terbatas (Ghozali, 2006). Berikut ini hasil pengujian koefisien determinasi (R2) : Tabel 4.6 Uji Koefisien Determinasi Model Summary Model 1
R
R Square a
.407
Adjusted R Square
.165
a.Predictors: (Constant), LN_BEP, LN_ROE, NPM b.Dependent Variable : LN_PER
.121
Std. Error of the Estimate .59270
45
Berdasarkan tabel 4.6 dalam tampilan output SPSS model summary, nilai koefisien determinasi (Adjusted R Square) adalah sebesar 0.121 yang berarti pengaruh NPM, ROE, dan BEP terhadap PER sebesar 12,1%, sedangkan sisanya 87,9% dipengaruhi oleh factor lain diluar penelitian. Standar Error of Estimate sebesar 0.59270, makin kecil nilai SEE akan membuat model regresi semakin tepat dalam memprediksi variabel dependen.
E.
Hasil Uji Hipotesis 1.
Uji Signifikansi Simultan (Uji F) Uji pengaruh simultan (Uji F) dilakukan untuk mengetahui apakah variabel independen secara bersama-sama atau simultan mempengaruhi variabel dependen. Hasil pengujian pengaruh simultan dapat dilihat pada tabel 4.7 dibawah ini: Tabel 4.7 Uji F
ANOVAb Sum of Squares
Model 1
Regression
Mean Square
df
3.896
3
1.299
Residual
19.673
56
.351
Total
23.568
59
a. Predictors: (Constant), LN_BEP, LN_ROE, NPM b. Dependent Variable: LN_PER
Sumber : Hasil olah data SPSS
F 3.696
Sig. .017a
46
Berdasarkan tabel 4.7 di atas pada uji ANOVA atau uj F diperoleh nilai F hitung sebesar 3.696 dan sig 0.017 < 0.05 dengan demikian Ho ditolak dan Ha diterima. Karena probabilitas lebih kecil dari 0.05, maka model regresi dapat digunakan untuk memprediksi PER
atau dapat disimpulkan bahwa variabel
independen (ROE, NPM, dan BEP) secara bersama-sama atau serentak berpengaruh terhadap variabel dependen (PER). Ini berarti bahwa ROE, NPM, dan BEP sangat mempengaruhi Harga Saham pada consumer goods industry di Bursa Efek Indonesia.
2.
Uji Signifikansi Parameter Individual (Uji t) Uji t dilakukan untuk menguji tingkat signifikansi pengaruh variabel independen terhadap variabel dependen secara parsial (Ghozali, 2006). Hasil perhitungan parameter individual t statistik dapat dilihat pada tabel 4.8 berikut ini : Tabel 4.8 Uji t
Coefficientsa Unstandardized Coefficients Model 1
B (Constant)
Std. Error
2.771
.281
.081
.030
LN_ROE
-.387
LN_BEP
.009
NPM
a. Dependent Variable: LN_PER
Standardized Coefficients Beta
t
Sig.
9.866
.000
.630
2.667
.010
.128
-.672
-3.034
.004
.168
.012
.056
.956
47
Dari tabel hasil pengolahan data di atas, menunjukkan bahwa : a. Koefisien NPM memiliki nilai t hitung sebesar 2.667 dengan signifikasi 0.010 lebih kecil dari nilai signifikan 0.05 dengan demikian Ho ditolak dan Ha diterima. Maka dapat disimpulkan bahwa ada pengaruh signifikan antara NPM terhadap PER. Hal ini konsisten dengan hasil penelitian yang dilakukan Enggi Sanjaya (2010) yang melakukan penelitian yang serupa mengenai faktor-faktor yang mempengaruhi Price Earning Ratio pada penelitiannya menyatakan bahwa Net Profit Margin secara parsial berpengaruh secara signifikan terhadap Price Earning Ratio. Net Profit Margin merupakan rasio yang digunakan untuk mengukur laba bersih sesudah pajak lalu dibandingkan dengan volume penjualan. Dengan semakin tinggi NPM maka semakin baik kinerja perusahaan. b. Koefisien ROE memiliki nilai t hitung sebesar -3.034 dengan signifikasi 0.004 lebih kecil dari nilai signifikan 0.05 dengan demikian Ho ditolak dan Ha diterima. Maka dapat disimpulkan bahwa ada pengaruh signifikan antara ROE terhadap PER. Hal ini
konsisten dengan hasil penelitian
Mpaata (1997), Sartono (1997) yang melakukan penelitian yang serupa mengenai faktor-faktor yang mempengaruhi Price Earning Ratio pada penelitiannya menyatakan bahwa Return On Equity secara parsial berpengaruh secara signifikan., tetapi kontradiktif dengan hasil penelitian Nany Nuraini (2000) dan Sriyono (2003), yang menunjukkan bahwa secara parsial Return on Equity secara signifikan tidak berpengaruh positif terhadap Price Earning Ratio. Return on Equity merupakan suatu ukuran
48
bagi perusahaan untuk menghasilkan laba dari modal (equity) sendiri yang hasil labanya akan diberikan kepada pemegang saham yang ada diperusahaan tersebut karena semakin tinggi ROE maka semakin baik kinerja perusahaan dimata para investor dengan begitu minat para investor pun akan lebih tinggi untuk menanamkan modalnya diperusahaan tersebut. Dengan semakin tingginya ROE yang dihasilkan perusahaan berarti PER perusahaan dapat meningkat sesuai harga pasar yang telah ditetapkan karena faktor ROE yang tinggi atau meningkat. c. Koefisien BEP memiliki nilai t hitung untuk sebesar 0.056 dengan signifikasi 0.956 lebih besar dari nilai signifikan 0.05 dengan demikian Ho diterima dan Ha ditolak. Maka dapat disimpulkan bahwa tidak ada pengaruh signifikan antara BEP terhadap PER. Hal ini berarti kemampuan perusahaan mengukur perolehan laba tidak berpengaruh terhadap rasio harga
saham
dipasar.
Secara
teori,
semakin
besar
nilai
BEP
mengindikasikan bahwa kinerja suatu perusahaan semakin baik karena perusahaan mampu menghasilkan laba dengan efektif dan efisien. Jika kinerja suatu perusahaan bagus maka nilai perusahaan juga akan meningkat yang pada akhirnya akan berdampak pada peningkatan harga saham. Hasil penelitian ini konsisten dengan hasil penelitian yang dilakukan Sriyono (2003) yang melakukan penelitian yang serupa mengenai faktor-faktor yang mempengaruhi Price Earning Ratio pada penelitiannya menyatakan bahwa Basic Earning Power secara parsial tidak berpengaruh secara signifikan terhadap Price Earning Ratio. Basic
49
Earning Power merupakan kemampuan dari modal perusahaan yang diinvestasikan dalam keseluruhan aktiva untuk menghasilkan keuntungan netto bagi semua investor (pemegang saham dan obligasi). Jadi setiap satu rupiah modal menghasilkan keuntungan untuk semua investor. Penurunan BEP perusahaan dapat menurun diakibatkan oleh adanya penurunan perputaran asset (turnover on exiting assets) atau adanya penurunan marjin laba (Net Profit Margin). Hasil penelitian ini menunjukkan bahwa BEP tidak memiliki pengaruh yang signifikan terhadap PER. Perbedaan hasil ini mungkin disebabkan oleh perbedaan sampel dan periode penelitian. Faktor – factor lainnya yang dapat mempengaruhi PER adalah Return on Invesment (ROI), Return on Assets (ROA), current ratio, inventory turn over, total assest, pertumbuhan laba, dll.
3.
Analisis Regresi Linier Berganda Berdasarkan tabel 4.8 dapat disimpulkan model regresi yang dapat dibentuk, yaitu : Y = a + β 1 X 1 + β 2 X 2 +β 3 X 3 Ln_PER = 2.771 + 0.081 NPM – 0.387 Ln_ROE + 0.009 Ln_BEP Dari hasil regresi tersebut dapat disimpulkan bahwa : 1) Nilai konstanta sebesar 2.771 dapat diartikan bahwa jika ROE, NPM, dan BEP dianggap konstan maka PER (Y) akan bernilai 2.771.
50
2) Koefisien regresi NPM (β 1 ) sebesar 0.081. Hal ini menunjukkan NPM
berpengaruh
positif
terhadap
PER,
artinya
setiap
penambahan satu persen variabel NPM maka akan menambah PER sebesar 0.081. 3) Koefisien regresi ROE (β 2 ) sebesar -0.387. Hal ini menunjukkan ROE berpengaruh negatif terhadap PER,
artinya setiap
penambahan satu persen variabel ROE maka akan menurunkan PER sebesar 0.387. 4) Koefisien regresi BEP (β 3 ) sebesar 0.009. Hal ini menunjukkan BEP
berpengaruh
positif
terhadap
PER,
artinya
setiap
penambahan satu persen variabel BEP maka akan menambah PER sebesar 0.009.
