1 BAB I PENDAHULUAN A.Latar Belakang Analisisregresi(regressionanalysis)merupakansuatuteknikuntuk membangunpersamaandanmenggunakanpersamaantersebutuntukmembuat perkiraan(prediction). Dengan demikian, analisis regresi sering disebut sebagai analisisprediksi.Karenamerupakanprediksi,makanilaiprediksitidakselalu tetapdengannilairiilnya,semakinkeciltingkatpenyimpanganantaranilai prediksidengannilairiilnya,makasemakintepatpersamaanregresinya. Sehinggadapatdidefinisikanbahwa:analisisregresiadalahmetodestatistik yangdigunakanuntukmenentukankemungkinanhubunganantaravariabel-variabel.Terdapatbeberapaanalisisregresidiantaranyayaituanalisisregresi sederhanadanberganda.Regresiliniersederhanayaitusuatuproseduruntuk mendapatkan hubungan matematis dalam bentuk persamaan antar variabel bebas tunggaldenganvariabeltidakbebastunggal.Regresiliniersederhanahanya memilikisatupeubahXyangdihubungkandengansatupeubahtidakbebasY. SedangkanModelRegresibergandaadalahmodelregresiyangmelibatkansatu variabel respon dengan beberapa variabel bebas. Sedangkan model regresi yang melibatkansatuvariabelresponYdenganbeberapavaribelbebasyang merupakan bentuk perpangkatan dari satu variabel bebas X. Minitabadalahsalahsatupaketsoftwareuntukstatistika.Sebagaisalah satusoftwareuntukmembantumenganalisisdata,minitabdikemassecara lengkapdansimpel.Sehinggamembuatusermerasamudahuntuk menggunakannya.dengan mengunakan software minitabmasalah kali ini lebih ditekankanmegenaipengeloaandatayangbersifatregresilinearlalumenguji data tersebut secara simultan. 2 B.Rumusan Masalah Berdasarkan latar belakang di atas, maka masalah yang menjadi pusat perhatian dalam makalah ini dapat dirumuskan sebagai berikut: 1.Bagaimanakah perbedaan model linaer dengan model semi log? 2.Bagaimanakah interpretasi model regresi berganda? 3.Bagaimanakah dampak dan cara mengatasi multikolinieritas? 4.Bagaimanakah dampak dan cara mengatasi heteroskedastisitas? 5.Bagaimanakah pemilihan model dalam regresi berganda? 6.Bagaimanakah uji parsial koefisien regresi? 7.Bagaimanakahpenerapanmodelregresisemilogdanmodellinearregresi berganda pada data ekonomi? 3 BAB II PEMBAHASAN A.Model Regresi Semi Log Pembentukan model empiris akan sangat ditentukan oleh bentuk model teoritis yangmelandasikerangkaanalisasertakeberadaandata/faktayangterjadipada keadaanrealitanya.Sejumlahmodellineartersaji,baiklineardalamvariabeldan lineardalamparameter,dapatditurunkanmenjadimodelestimasi.Adapunbentuk-bentukalternatif model terpilih dapat dirumuskan sebagai berikut : a) Model linear, b) Model Log Linear, c) Model Log Lin, d) Model Lin Log. Model EquationSlopeElasticity Linear Y = |1 + |2X|2|2(X/Y) Log Linear LnY = |1 + |2LnX|2(X/Y)A2 Log Lin LnY = |1 + |2X|2(Y)A2(X) Lin Log Y = |1 + |2lnX|2(1/X)|2(1/Y) B.Interpretasi model Regresibergandaadalahbentukhubunganataupengaruhdariduaataulebih variabel babas X dengan variabel terikat Y. persamaan regresi linier berganda dari Y terhadap X adalah : 1.Model populasi berganda adalah 4 2.Sedangkan model penduganya (model sampel) regresi linier ganda adalah Koefisien a dan adalah parameter yang nilainya tidak diketahui, sehinggadidugamenggunakansatistiksampel.Nilaia,

,dan

akandiperolehdaritiga persamaan normal berikut : Koefisien a,

, dan

dapat dihitung dengan rumus sebagai berikut : Nilai dari a,

, dan

dari tiga persamaan normal di atas dapat juga dihitungdenganmetodematriks.Persamaannormaldiatasadalahbentuksistempersamaan linier (SPL) yang dapat diselesaikan dengan metode determinan, yaitu menggunakanaturanCrammer.JikaAX=bmerupakansuatupersamaanlinierdalamkpeubah, makasistempersamaantersebutmempunyaipenyelesaiandenganmetode determinan sebagai berikut : dengan

adalah matriks yang diperoleh dengan menggantikan anggota anggota pada kolom ke j dari matriks A dengan anggota pada matriks b. 5 C.Multikolinieritas Multikolinearitasataukolinearitasgandamerupakansuatukeadaandimana hubungan linier yang sempurna antara variabel-variabel penjelas atau variabel bebas. Untukmendeteksiataumengetahuisuatumodelregresmempunyaikolinearitas ganda atau tidak dapat dilakukan : 1.Berdasarkantanda-tanda:(a)koefisiendeterminasigan-datinggi;(b)koefisien korelasitinggi;(c)nilaiFhitungtinggi;(d)tidaksatupun(sedikitsekali) variabel-variabel bebasnya memiliki uji t yang siginifikan. 2.Jikahanyaadaduavariabelbebas,apabilakorelasiantarduavaraiebltersebut tinggi, maka ada indikasi dalam kodel tersebut terdapat kolinearitas. Akan tetapi apabilamodeltersebutmempunyailebihdariduavariabelbebas,dandiperolej korelasiantaraduavariabelrendahtidakberatimodeltersebuttidakada kolinearitas ganda. 3.Apabilanilaideterminandari(XX)adalahsangatkecil,dapatdijadikan petunjukterjadinyakolinearitasgandadanapabilasamadengannol,berati kolinearitas ganda itu adalah sempurna. 4.Apbilakoefisiendeterminasigandanyatinggi,tetapikoefisiendeterminasi partialnyarendahdibandingkandengankoefisiendeterminasisimultannya, berarti ada kolineraitas ganda. 5.MengadakanujiFantarvariabelpenjelas.Jikaternyatasignifikan,makadapat dianggap ada kolinearitas ganda. Jika tidak siginifikan, maka variabelvariabel bebas dapat dipertahankan. 1.Dampak Multikolinieritas Ada beberapa dampak yang ditimbulkan oleh multikolinieritas, antara lain: a.Varian koefisien regresi menjadi besar. Perhatikankembalirumusmodelpenduga(modelsampel)regresilinier ganda,yangmerupakanregresidenganlebihdarisatuvariabelbebas, besarnya varian untuk b1 dapat diukur dengan formula: 6

Dimana

adalahkorelasivariabelbebasX1 danX2.Dariformula tersebutterlihatbahwasemakinbesarkorelasiantaravariabelbebasX1 dan X2 akanmengakibatkansemakinbesarnyavarian.Danbilakeduavariabel bebas mempunyai kolinieritas sempurna

, maka varian menjadi tak berhingga. b.Varianyangbesarsebagimanayangdibicarakandiatas,menimbulkan beberapa permasalahan yaitu: 1.Lebarnya interval kepercayaan 2.Besarnya varian juga mempengaruhi Uji-t c.Dengansemakinmeningkatnyakolinearitas,probabili-tasmelakukan kesalahantipe2padahipotesis(meneri-mahipotesisyangpadahakekatnya salah) akan semakin besar. d.Pengujianmasing-masingkoefisienregresitidaksatupunyangbermaknaatau hanya satu yang bermakna (walaupun koefisien determinasinya tinggi) e.Angkaestimasikoefisienregresiyangdidapatakanmempunyainilaiyang tidak sesuaidengan substansi, atau kondisi yang dapat diduga atau dirasakan akal sehat, sehingga dapat menyesatkan interpretasi. 2.Teknik Mendeteksi Multikolinearitas a.Eigenvalues dan conditional index Nilai-nilaieigenvaluesakandiperhitungkanbilakitamemintauntuk mendiagnosakolinieritas.Adapunaturanyangdigunakanadalah: multikolinieritasditengaraiadadidalampersamaanregresibilanilai eigenvalues mendekati nol. Hubunganantaraeigenvaluesdanconditionalindex(CI)adalahsebagai berikut: 7 JikanilaiCIberadaantaranilai10sampai30,makamodelmengandung kolinieritasmoderat.Bilalebihdari30makadapatdinyakatakanbahwa persamaanregresimempunyaikolinieritasyangkuatantaravariabel bebasnya. b.VIF dan tolerance Perhatikan persamaan berikut: Yang disebut dengan VIF atau variance Inflation factor adalah: Jadi : Terlihat bahwa VIF besar maka akan mengakibatkan Var(b1) besar juga, dan haltersebutdiakibatkankarenabesarnaybatasanVIFkecil.Makadapat diduga tidak ada multikolinieritas. 3.Mengatasi Kolinearitasa.Melihat informasi sejenis yang ada Perhatikan model berikut: Di mana: W = upah pekerja I = pendapatan perusahaan A = aset perusahaan 8 Setelah

ditaksir,maka

dapatdicarimelaluihubungansebagaimana tertulis pada persamaan model tersebut. b.Mengeluarkan variabel bebas yang kolinier dari model Kolinieritasmerupakanhubuganlinearantarsatuvariabelbebasdengan variabelbebeaslainnya.Denganmengeluarkansalahsatuvariabel berkorelasi,tentunyaakanmenghilangkanmasalahtersebut.Akantetapi dalam mengeluarkan sebuah variabel bebes harus dilakukan dengan hati-hati, karenatidaktertutupkemungkinanbahwavariabelyangdikeluarkanjustru variableyang sangat penting.kondisi in dikenal dengan sebutan specification bias. c.Mentransformasikan variabel Ada beberapa transformasi variabel yang dapat dilakukan, antara lain: 1)Melakukan pembedaan (difference) Teknikinberlakuuntukdatatimeseries.Misaladapersamaanmodel regresi berganda sbb: Kemudian buat persamaan pada waktu t-1 Kurangi kedua persamaan tersebut sehingga model menjadi: Teknik inilah yang disebut dengan pembedaan. 2)Membuat rasio Kitamembuatrasioyaitumembagiseluruhvariabeldengansalahsatu variabelyanglainsehinggadatanyatidakmenjadikomulatiftetapi menjadi perkapita> 3)Bebagai transfrmasi lain Yaitudenganmentransformasimenjadivariabelbentuklogaritmaatau mengubah X menjadi

9 D.Heteroskedastisitas Salahsatuasumsiklasikdalammodelregresilinearadalahbahwavariabel pengganggu (e) mempunyai varians yang sama dari satu pengamatan ke pengamatan lainnya,yaknisebesaro2.Apabilavariansnyaberbedadisebutheteroske-dastisitas. Kondisi hetero ini timbul apabila kita menggunakan data cross section. 1.Teknik mendeteksi heteroskedastisitas a)dengancarame-lihatnatureofproblem,yaitusifatdarimasalahyangdi-teliti, misalnya dengan melihat hasil penelitian terdahulu / pengalaman masa lalu. b)denganmenggunakanmetodegrafik(graphicalmethod)yaitudengan menyusun scatter diagram antara : i iY dengan e2 atau antara i idenganX e2 Apabilascatterdiagramitusemakinmelebarataume-nyempit,makaada kemungkinan terjadi heteroskedasti-sitas c)melalui pengujian-pengujian. Untuk pengujian dapat dilakukan dengan: -Data yang tidak dikelompokkan : Uji Park, Uji Gleyser dan Uji korelasi jenjang Spearman BerdasarkanujiKorelasiRankSpearman(dapatditerap-kanpada sampel yang berukuran kecil)dengan rumus : ( )(((

=16 122n ndrisYangdikorelasikanadalahantarakesalahanpengganggu(dalamnilai mutlak)denganvariabelX.ApabilakorelasijenjangSpearman mendekati1danmempunyaimaknamelaluiujit,makadianggapada heteroskedastisitas. Uji t untuk korelasi ini adalah : 10 ( )( )212ssrn rt= -Data yang dikelompokkan : Uji Chi-Square 2.Damapak heteroskedastisitas Apabila ada pengaruh heteroskedastisitas, di mana varians berbeda, maka model itu akan : Mempunyai koefisien regresi yang masih BLUE Varians b tidak lagi minimum Kemampuan prediksi rendah Terjadi misleading, misalnya t, F, R tinggi tapi heteros-kedastis atau t, F dan R rendah yang juga heteroske-dastis. 3.Teknik mengatasi heteroskedastisitas Jalan keluaryang bisa ditempuh apabila ada heteroske-dastis adalah melakukan transformasi model. E.Pemilihan model terbaik 1.All Possible Regression Tahapan pemilihan : a.Tuliskan semua kemungkinan model regresi dan kelompokkan menurut banyaknya variabel bebas b.Urutkan model regresi menurut besarnya R2 c.Periksalahuntuksetiapkelompokapakahterdapatsuatupolavariabel yang konsisten d.Lakukan analisa terhadap kenaikan R2 pada tiap kelompok 2.Backward Elimination Procedur Tahap pemilihannya : a.Tuliskan persamaan regresi yang mengandung semua variabel b.Hitung nilai t parsialnya 11 c.Banding nilai t parsialnya1)JikatL tO maka ambil persamaan regresi tersebut 3. Stepwise Regression Procedur Tahap pemilihannya : a.HitungkorelasisetiapvariabelbebasterhadapvariabelY.Variabelbebas dengannilaikorelasitertinggimasukkandalammodelregresi(syaratujiF menunjukkan variabel ini berpengaruh nyata) b.Hitungkorelasiparsialsetiapvariabelbebastanpamenyertakanvariabel bebasyangtelahmaukmodel.Masukkanvariabelbebasdengankorelasi parsial tertinggi ke dalam model c.Hitungnilaitparsialvariabelyangtelahmasukmodel,jikatidak berpengaruh nyata keluarkan dari model d.Kembali ke langkah 2) F.Uji Kecocokan Model 1.Dengan Koefisien Determinasi R2menunjukkanproporsivariasitotaldalamresponYyangdapatditerangkan oleh model. r merupakan koefisien korelasi antara Y dengan kelompok X1 , X2 , X3 , , Xk 2.Dengan Pendekatan Analisis Ragam Tahapan Ujinya : a.Hipotesis = H0 : | = 0 H1 : | = 0 dimana| = matriks [ |0, |1, |2, , |k ]12 b.Tabel Analisis Ragam

3.Pengambilan Keputusan H0 ditolak jika pada taraf kepercayaan oG.Uji Parsial Koefisien Regresi Tahapan Ujinya : 1.Hipotesis = H0 : |j = 0 H1 : |j = 0 dimana |j merupakan koefisien yang akan diuji2.Statistik uji : Dimana : bj = nilai koefisien bj s=1 / k n JKG cjj = nilai matriks A-1 ke-jj 3.Pengambilan keputusan Komponen Regresi SSdbMSFhitung RegresiJKRkJKR / k

GalatJKGn k 1s2 = JKG / n-k-1 TotalJKTn 1 Fhitung > Ftabel(1 , n-k-1)

13 H0 ditolak jika Pada taraf kepercayaan o thitung > t o/2(db= n-k-1)

14 BAB III PEMBAHASAN A.Model Semi Log Databursaefekjakartapadasesipenutupan30Juni2001,denganmengambil10 perusahaan manufaktur. Adapun data selengkapnya adalah sbb: NoNama PerusahaanEPSHarga pasar 1 Ades Alfindo13131500 2 Aqua Golden292213000 3 Delta Djakarta21488000 4 Fast Food Indonesia585775 5 Indofood353850 6 Multi Bintang444827000 7 Sari Husada716850 8 Siantar Top13427000 9 Tunas Baru Lampung5880010 Ultrajaya 16650 11 Bat Indonesia8719900 12 Gudang Garam116613200 13 Hn Sampoerna109316050 14 Centex 27925600 15 Eratex Djaja54375 16 Roda Viva90925 17 Semen Gresik5786150 18 Eversintex Textile10300 19 Fortune Mate Indonesia67 650 20 Great River13 625 21 Indorama63625 15 22 Pan Brothers1951400 23 Sarasa Nugraha781300 24 Sepatu Bata487114800 25 Surya Intrindo1582700 26 Mandom3402700 27 Mustika Ratu2941175 28 Procter And Gamble2572246000 29 Unilever1065817000 30 Kimia Farma226220 31 Merck Indonesia22048500 32 Schering-Plough122725000 33 Tempo Scan7733150 34 Dankos51525 35 Bayer Indonesia8518300 Lakukan transformasi sehingga diperoleh dataEPSHarga PasarLn_EPSLn_HP 1313.001500.007.187.31 2922.0013000.007.989.47 2148.008000.007.678.99 585.00775.006.376.65 353.00850.005.876.75 4448.0027000.008.4010.20 716.00850.006.576.75 134.0027000.004.9010.20 5.008800.001.619.08 16.00650.002.776.48 871.009900.006.779.20 1166.0013200.007.069.49 1093.0016050.007.009.68 2792.005600.007.938.63 54.00375.003.995.93 90.00925.004.506.83 578.006150.006.368.72 16 10.00300.002.305.70 67.00650.004.206.48 13.00625.002.566.44 63.00625.004.146.44 195.001400.005.277.24 78.001300.004.367.17 4871.0014800.008.499.60 158.002700.005.067.90 340.002700.005.837.90 294.001175.005.687.07 25722.0046000.0010.1610.74 10658.0017000.009.279.74 226.00220.005.425.39 2204.008500.007.709.05 1227.0025000.007.1110.13 773.003150.006.658.06 51.00525.003.936.26 851.008300.006.759.02 Hasil pengolahan data yang dilakukan terhadap pembentukan kedua model tersebut yaitu: Model linear: EPSModel log-log: ln_EPS Output model linear GET FILE='D:\semester VII\ekonometrika\pengolahan data.sav'. DATASET NAME DataSet1 WINDOW=FRONT. COMPUTE ln_EPS=LN(EPS). EXECUTE. COMPUTE ln_HP=LN(Harga_Pasar). EXECUTE. REGRESSION /MISSING LISTWISE /STATISTICS COEFF OUTS R ANOVA /CRITERIA=PIN(.05) POUT(.10) /NOORIGIN /DEPENDENT Harga_Pasar 17 /METHOD=ENTER EPS. Regression Notes Output Created07-Dec-2012 09:48:18 CommentsInputDataD:\semester VII\ekonometrika\pengolahan data.sav Active DatasetDataSet1 Filter Weight Split File N of Rows in Working Data File 35 Missing Value HandlingDefinition of MissingUser-defined missing values are treated as missing. Cases UsedStatistics are based on cases with no missing values for any variable used. SyntaxREGRESSION /MISSING LISTWISE /STATISTICS COEFF OUTS R ANOVA /CRITERIA=PIN(.05) POUT(.10) /NOORIGIN /DEPENDENT Harga_Pasar /METHOD=ENTER EPS. ResourcesProcessor Time00:00:00.016 Elapsed Time00:00:00.017 Memory Required1396 bytes Additional Memory Required for Residual Plots 0 bytes [DataSet1] D:\semester VII\ekonometrika\pengolahan data.sav Variables Entered/Removedb 18 ModelVariables Entered Variables RemovedMethod dimension0 1EPSa.Enter a. All requested variables entered. b. Dependent Variable: Harga_Pasar Model Summary Model RR Square Adjusted R Square Std. Error of the Estimate dimension0 1.748a.559.5466958.66759 a. Predictors: (Constant), EPS ANOVAb ModelSum of SquaresdfMean SquareFSig. 1Regression2.026E912.026E941.850.000a Residual1.598E9334.842E7 Total3.624E934 a. Predictors: (Constant), EPS 19 ANOVAb ModelSum of SquaresdfMean SquareFSig. 1Regression2.026E912.026E941.850.000a Residual1.598E9334.842E7 Total3.624E934 a. Predictors: (Constant), EPS b. Dependent Variable: Harga_Pasar Coefficientsa Model Unstandardized Coefficients Standardized Coefficients tSig.BStd. ErrorBeta 1(Constant)4670.7221276.215 3.660.001 EPS1.671.258.7486.469.000 a. Dependent Variable: Harga_Pasar Output model log-log REGRESSION /MISSING LISTWISE /STATISTICS COEFF OUTS R ANOVA /CRITERIA=PIN(.05) POUT(.10) /NOORIGIN /DEPENDENT ln_HP /METHOD=ENTER ln_EPS. Regression Notes Output Created07-Dec-2012 09:49:55 CommentsInputDataD:\semester VII\ekonometrika\pengolahan data.sav Active DatasetDataSet1 Filter Weight Split File N of Rows in Working Data File35 Missing Value HandlingDefinition of MissingUser-defined missing values are treated as missing. 20 Cases UsedStatistics are based on cases with no missing values for any variable used. SyntaxREGRESSION /MISSING LISTWISE /STATISTICS COEFF OUTS R ANOVA /CRITERIA=PIN(.05) POUT(.10) /NOORIGIN /DEPENDENT ln_HP /METHOD=ENTER ln_EPS. ResourcesProcessor Time00:00:00.015 Elapsed Time00:00:00.014 Memory Required1396 bytes Additional Memory Required for Residual Plots 0 bytes [DataSet1] D:\semester VII\ekonometrika\pengolahan data.sav Variables Entered/Removedb Model Variables Entered Variables RemovedMethod dimension0 1ln_EPSa.Enter a. All requested variables entered. b. Dependent Variable: ln_HP Model Summary Model RR Square Adjusted R Square Std. Error of the Estimate 21 dimension0 1.672a.452.4351.14579 a. Predictors: (Constant), ln_EPS ANOVAb ModelSum of SquaresdfMean SquareFSig. 1Regression35.710135.71027.201.000a Residual43.323331.313 Total79.03334 a. Predictors: (Constant), ln_EPS b. Dependent Variable: ln_HP Coefficientsa Model Unstandardized Coefficients Standardized Coefficients tSig.BStd. ErrorBeta 1(Constant)5.002.610 8.199.000 ln_EPS.508.097.6725.215.000 a. Dependent Variable: ln_HP B.Model Linear Regresi Berganda Diperolehdatarasio-rasiokeunganPT.CastleBluepada100bulan terakhiryangterdiridariindikator-indikator:EarningPerShare(E),returnon equity(KH),profitMargin(JM),returnofasset(DT)danreturnofinvestment (BL).Indikato-indikatortersebutakandilihatpengaruhnyaterhadapreturn (KK). Adapun datanya adalah sebagai berikut: 22 No.BLKHJMDTEKK 1282419141519 2282419121519 3242016121218 4252217141218 5262016121216 6262117121318 7272419141420 8262319141419 9252217141216 10252316131419 11262217141319 12262116131218 13252016121218 14302318141420 15282318141418 16292318141519 17292418121218 18242118141319 19242016141218 20262318121419 21282317141318 22282219131319 23302419131519 24262420141520 25272218131419 2623181791318 27221614131315 23 28211717111214 29191514111113 30272017121316 31201815121514 32242016121316 33262218121317 34231917121315 35191714151113 36242016121216 37242016151216 38262317141418 39272315131417 40262318151419 41242016121219 42242416121318 43242219121218 44302520141415 45252216141414 46292519121516 47262219141316 48282319131516 49262318141419 50252016121216 51272419141417 52272319111416 53242016121216 54252420141518 55252520151517 24 56242016121216 57242016121216 58272216131516 59242016121216 60242016121216 61252016121216 62252016121216 63252217141217 64242016121216 65232216131216 66272519141419 67252418131517 68252016121216 69262418151419 70292419141418 71282318151419 72252317131418 73242520131516 74292520151519 75282318141518 76262420141518 77282519151515 78222018131217 79252117131217 80252419151417 81252118151216 82232117151217 83252016121216 25 Selanjutnya adalah kita mendefenisikan variabel independent (bebas)yaitu return of investment (X1), return on equity (X2), profit Margin (X3), return of asset (X4), dan EarningPerShare(X5)danvariabeldependen(terikat)yaitureturn(KK).Maka rumusan hipotesisnya adalah :1.Simultan Ho: |1 = |2 = |3 = |4 = |5 = 0ArtinyavariabelX1,X2,X3,X4,danX5tidakberpengaruh signifikan terhadap variabel Y. 84252116121216 85242016121216 86242016121216 87242016121216 88242016121216 89232217151217 90272116121217 91242016121216 92252116121217 93232116131316 94272520151519 95262318141418 96272317141416 97292020141420 98282915151518 99272520151520 100272420151516 26 H1 : |1 = |2 = |3 = |4 = |5 = 0 ArtinyavariabelX1,X2,X3,X4,danX5berpengaruhsignifikan terhadap variabel Y. 2.Parsiala.Unutk variabel X2 H0 : |1=0 Artinya variabel X2 tidak berpengaruh signifikan terhadap variabel Y. H1 : |1 = 0 Artinya variabel X2 berpengaruh signifikan terhadap variabel Y. b.Unutk variabel X2 H0 : |2 = 0 Artinya variabel X2 tidak berpengaruh signifikan terhadap variabel Y. H1 : |2 = 0 Artinya variabel X2 berpengaruh signifikan terhadap variabel Y. c.Unutk variabel X3 H0 : |3 = 0 Artinya variabel X3 tidak berpengaruh signifikan terhadap variabel Y. H1 : |3 = 0 Artinya variabel X3 berpengaruh signifikan terhadap variabel Y. d.Unutk variabel X4 H0 : |4 = 0 Artinya variabel X4 tidak berpengaruh signifikan terhadap variabel Y. H1 : |4 = 0 Artinya variabel X4 berpengaruh signifikan terhadap variabel Y. 27 e.Unutk variabel X5 H0 : |5 = 0 Artinya variabel X5 tidak berpengaruh signifikan terhadap variabel Y. H1 : |5 = 0 Artinya variabel X5 berpengaruh signifikan terhadap variabel Y. Analisis Data Analisisdatayangdilakukanpadabagianiniyaitudenganmenggunakan softwareMINITABversi15forWindows.Adapunlangkah-langkah pengerjaannya adalah sebagai berikut: 1.Pengujian secara umum 1.Inputlah pada data kotak worksheet sesuai dengan tabel 3.1 2.Klik Stat lalu pilih Regression dan pilih Regression 28 3.Akan muncul kotak Regression. Pada respon masukkan KK, dengan cara klikC1KKlalupilihselect.PadakotakPredictorsmasukkanBL,KH, JM,DT,danE,dengancaraklikC1BLlalupilihselect.Lakukanhal yang sama untuk KH, JM, DT, dan E. 4.Klik OK 29 Output :Regression Analysis: KK versus BL; KH; JM; DT; E S = 1,28390 R-Sq = 37,5% R-Sq(adj) = 34,2% 2.Pengujian secara parsial a.Pegujian untuk return of investment terhadap reurn 1.Lakukanhalyangsamapadalangkah1dan2dalampengujian secara umum 2.Setelah muncul kotak regression. Masukkan KK pada kota Respon, dengancaraklikC6KKlalupilihselect.PadakotakPredictors masukkan BL, dengan cara klik C1 BL lalu pilih select. 30 3.Klik OK Output : Regression Analysis: KK versus BL The regression equation is KK = 6,87 + 0,403 BL Analysis of Variance SourceDF SSMSFP Regression 1 77,76477,76444,760,000 Residual Error98170,276 1,738 Total 99248,040 31 b.Pegujian untuk return on equityterhadap reurn 1.Lakukanhalyangsamapadalangkah1dan2dalampengujian secara umum 2.Setelah muncul kotak regression. Masukkan KK pada kota Respon, dengancaraklikC6KKlalupilihselect.PadakotakPredictors masukkan KH, dengan cara klik C2 KH lalu pilih select. 3.Klik OK Output : Regression Analysis: KK versus KH The regression equation is KK = 8,91 + 0,377 KH Analysis of Variance 32 SourceDF SSMSFP Regression 1 70,94870,94839,260,000 Residual Error98177,092 1,807 Total 99248,040 c.Pegujian untuk profit Margin terhadap reurn 1.Lakukanhalyangsamapadalangkah1dan2dalampengujian secara umum 2.Setelah muncul kotak regression. Masukkan KK pada kota Respon, dengancaraklikC6KKlalupilihselect.PadakotakPredictors masukkan JM, dengan cara klik C3 JM lalu pilih select. 3.Klik OK Output : Regression Analysis: KK versus JM 33 The regression equation is KK = 8,24 + 0,514 JM Analysis of Variance SourceDF SSMSFP Regression 1 63,89863,89834,010,000 Residual Error98184,142 1,879 Total 99248,040 d.Pegujian untuk return of asset terhadap reurn 1.Lakukanhalyangsamapadalangkah1dan2dalampengujian secara umum 2.Setelah muncul kotak regression. Masukkan KK pada kota Respon, dengancaraklikC6KKlalupilihselect.PadakotakPredictors masukkan DT, dengan cara klik C4 DT lalu pilih select. 34 3.Klik OK Output : Regression Analysis: KK versus DT The regression equation is KK = 11,8 + 0,409 DT Analysis of Variance SourceDF SSMSFP Regression 1 25,79925,79911,380,001 Residual Error98222,241 2,268 Total 99248,040 35 e.Pegujian untuk profit Margin terhadap reurn 1.Lakukanhalyangsamapadalangkah1dan2dalampengujian secara umum 2.Setelah muncul kotak regression. Masukkan KK pada kota Respon, dengancaraklikC6KKlalupilihselect.PadakotakPredictors masukkan E, dengan cara klik C5 E lalu pilih select. 3.Klik OK Output : Regression Analysis: KK versus E The regression equation is KK = 10,2 + 0,526 E Analysis of Variance 36 SourceDF SSMSFP Regression 1 41,45541,45519,670,000 Residual Error98206,585 2,108 Total 99248,040 B.Analisis hasilDasar pengambilan keputusan : F hitungF tabel = Ho diterima F hitung > F tabel = Ho ditolak, H1 diterima AtauNilai signifikasi (P Value) < 0,05 maka H0 ditolak dan H1 diterima. Nilai signifikasi (P Value) > 0,05 maka H0 diterima dan H1 ditolak. 1.Pengujian secara parsial {Diambil derajat kepercaaan 95% ( =0,05)} a.Pegujian untuk return of investment terhadap reurn F-hitung = 44,76 F-tabel (0,05; 1; 98) = 3,938111 KarenaF-hitungF-tabelatauP