BAB IV HASIL DAN PEMBAHASAN
4.1.1 Analisis Data Penelitian
Populasi yang diteliti dalam penelitian ini adalah perusahaan pertambangan yang terdaftar di Bursa Efek Indonesia selama tahun 2009-2011. Perusahaan yang dijadikan sampel berjumlah 10 perusahaan.
No Kode Nama Perusahaan
1 ANTM PT. Aneka Tambang Tbk
2 BUMI PT. Bumi Resources Tbk
3 BYAN PT. Bayan Resources Tbk
4 CNKO PT. Exploitasi Energi Indonesia Tbk
5 CTTH PT. Citatah Tbk
6 MEDC PT. Medco Energi International Tbk
7 PTBA PT.Tambang Batubara Bukit Asam (Persero) Tbk
8 PGAS PT. Perusahaan Gas Negara Tbk
9 PTRO PT. Petrosea Tbk
10 TINS PT. Timah Tbk
Daftar perusahaan yang telah ditentukan dapat dilihat pada tabel 3.2 Periode penelitian dimulai dari tahun 2009 sampai dengan tahun 2011 sehingga data penelitian secara keseluruhan berjumlah 30(10x3). Analisis data penelitian yang digunakan adalah analisis statistik deskriptif.
4.1.1.1Analisis Statistik Deskriptif
Statistik deskriptif memberikan penjelasan mengenai nilai minimum, nilai maksimum, nilai rata-rata (mean), nilai standar deviasi data yang digunakan dalam penelitian. Nilai minimum, maksimum, mean dan
standard deviation merupakan ukuran penyebaran yaitu yang
memberikan informasi sebagaimana data menyebar. Tabel 4.2
Statistik Deskriptif
Descriptive Statistics
N Minimum Maximum Mean
Std. Deviation CR 30 -4.45 1.93 -.7694 148.477 DR 30 -1.75 1.99 -.2560 .77309 TATO 30 -3.85 .75 -11.967 105.759 ROE 30 -.34 1.70 .5555 .51402 PL 30 -3.73 1.55 -.9699 147.940 ROA 30 -.51 2.72 .9294 .76948 Valid N (listwise) 30
Sumber: Data diolah penulis, 2012
Berdasarkan data dari tabel 4.2 dapat dijelaskan bahwa :
a. Variabel Current Ratio (X1) memiliki sampel (N) sebanyak 30, dengan nilai minimum (terkecil) -4.45, nilai maksimum (terbesar)
1.93 dan mean (nilai rata-rata) -7694. Standar Deviation (simpangan baku) variabel ini adalah 148.477.
b. Variabel Debt To Equity Ratio (X2) memiliki sampel (N) sebanyak 30, dengan nilai minimum (terkecil) -1.75, nilai maksimum (terbesar) 1.99 dan mean -2560 (nilai rata-rata).
Standar Deviation (simpangan baku) variabel ini adalah 77309.
c. Variabel Total Assets Turnover (X3) memiliki sampel (N) sebanyak 30, dengan nilai minimum (terkecil) -3.85, nilai maksimum (terbesar) 75 dan mean 5555 (nilai rata-rata). Standar
Deviation (simpangan baku) variabel ini adalah 51402.
d. Variabel Return On Assets (X4) memiliki sampel (N) sebanyak 30, dengan nilai minimum (terkecil) -51, nilai maksimum (terbesar) 2,72 dan mean 4294 (nilai rata-rata). Standar Deviation (simpangan baku) variabel ini adalah 76948.
e. Variabel Return On Equity (X5) memiliki sampel (N) sebanyak 30, dengan nilai minimum (terkecil) -34, nilai maksimum (terbesar)1,70 dan mean 5555 (nilai rata-rata). Standar Deviation (simpangan baku) variabel ini adalah 51402.
f. Variabel Pertumbuhan Laba (Y) memiliki sampel (N) sebanyak 30, dengan nilai minimum (terkecil) -3,73, nilai maksimum (terbesar)1,55 dan mean 9699 (nilai rata-rata). Standar Deviation (simpangan baku) variabel ini adalah 147,940.
4.1.2 Pengujian Asumsi Klasik
Pengujian asumsi klasik dalam penelitian ini dilakukan dengan bantuan program statistik.
4.1.2.1 Uji Normalitas Data
Pengujian normalitas data pada penelitian ini menggunakan analisis grafik histogram dan kurva normal probability plot dan anaisis statistik. Analisis statistik dilakukan dengan non parametric
Kolmogorov-Smirnov (KS) dengan membuat hipotesis sebagai
berikut:
H0= Data residual berdistribusi normal Ha= Data residual tidak berdistribusi normal
Apabila nilai signifikansi lebih besar dari 0,05 maka H0 diterima dan sebaliknya, jika nilai signifikansi lebih kecil dari 0,05, maka H0 ditolak atau Ha diterima.
Gambar 4.1 Hasil Normaitas Grafik Histogram Sumber: Data diolah penulis, 2013
Grafik histogram pada gambar 4.1 menunjukkan pola distribusi tidak normal karena grafik menceng ke kiri. Dengan demikian dapat disimpulkan bahwa model regresi tidak memenuhi asumsi normalitas. Data yang tidak berdistribusi normal dapat disebabkan oleh adanya data yang outlier, yaitu data yang memiliki nilai yang sangat menyimpang dari nilai data lainnya.
Untuk mengubah grafik histogram agar berdistribusi normal, penulis melakukan transformasi data ke model logaritma natural (Ln) dari Pertumbuhan Laba = f(CR, DR, TATO, ROA, ROE) menjadi Ln_Pertumbuhan Laba = f(Ln_CR, Ln_DR, Ln_TATO, Ln_ROA, Ln_ROE). Kemudian data diuji ulang berdasarkan asumsi normalitas, berikut ini hasil pengujian dengan grafik histogram.
Gambar 4.2
Hasil Uji Normalitas Setelah Transformasi Logaritma Natural Grafik Histogram
Grafik histogram di atas menunjukkan bahwa data telah terdistribusi secara normal. Hal ini dapat dilihat dari grafik histogram yang menunjukkan distribusi data mengikuti garis diagonal yang tidak menceng (skewness) kiri maupun menceng ke kanan. Hal ini juga didukung dengan hasil uji normalitas dengan menggunakan grafik plot yang ditampilkan pada Gambar 4.2.
Gambar 4.3 Grafik Normal P-Plot Sumber: Data diolah penulis, 2013
Pada grafik normal p-plot terlihat bahwa data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal, maka dapat disimpulkan bahwa model regresi telah memenuhi asumsi normalitas.
Tabel 4.3 Kolmogorov-Smirnov
Dari hasil pengolahan data pada tabel 4.3 diperoleh besarnya nilai
Kolomogorov-Smirnov adalah 1,061 dan signifikan pada 210. Nilai
signifikansi lebih besar dari 0,05, maka H0 diterima yang berarti data residual berdistribusi normal. Setelah data berdistribusi normal dapat dilanjutkan dengan uji asumsi klasik lainnya.
4.1.2.2 Uji Multikolinearitas
Uji multikolinieritas bertujuan menguji apakah pada model regresi ditemukan adanya korelasi antara variabel independen. Untuk mendeteksi ada tidaknya multikoliniearitas dalam model regresi dapat
Unstandardized Residual
N 30
Normal Parametersa Mean 0
Std. Deviation 1,17616886
Most Extreme Differences Absolute .194
Positive .194
Negative -175
Kolmogorov-Smirnov Z 1.061
Asymp. Sig. (2-tailed) 210
a. Test distribution is Normal.
Sumber: Data diolah penulis, 2012
One-Sample Kolmogorov-Smirnov Test One-Sample Kolmogorov-Smirnov Test
dilihat dari tolerance value atau variance inflation factor (VIF). Menurut Nugroho (2005: 58) deteksi multikolenaritas pada suatu model dapat dilihat yaitu jika nilai Tolerance > 0,1 dan nilai Variance
Inflation Factor (VIF) < 10 maka model dapat dikatakan terbebas dari
multikolenearitas.
Tabel 4.4
Hasil Uji Multikolinearitas
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients T Sig. Collinearity Statistics B Std. Error Beta Tolerance VIF 1 (Constant) .882 .627 1.407 .172 ln_cr -.157 .197 -.173 -.797 .433 .595 1.681 ln_dr -.261 .185 -.239 -1.406 .172 .975 1.026 ln_tato -.499 .578 -.204 -.863 .397 .502 1.990 ln_roa .003 .060 .010 .057 .955 .897 1.115 ln_roe .695 .240 .548 2.899 .008 .789 1.268 a. Dependent Variable: ln_pl
Sumber: Data penelitian yang diolah menggunakan SPSS 16
Berdasarkan tabel 4.4 dapat disimpulkan bahwa penelitian ini bebas dari adanya multikolinieritas. Hal tersebut dapat dilihat dengan membandingkannya dengan nilai Tolerence atau VIF. Masing-masing variabel independen yang digunakan dalam penelitian ini memiliki nilai
Tolerence yang lebih besar dari 0,10. Jika dilihat dari VIF-nya, bahwa
masing-masing variabel bebas lebih kecil dari 10. Dengan demikian dapat disimpulkan bahwa tidak terjadi gejala multikolinieritas dalam variabel bebasnya.
4.1.2.3 Uji Heteroskedastisitas
Uji heterokedastisitas bertujuan untuk melihat apakah di dalam model regresi terjadi ketidaksamaan variabel dari residual satu pengamatan ke pengamatan yang lain. Model penelitian yang baik adalah homoskeditas, yaitu varian dan residual satu pengamatan ke pengamatan yang lain hasilnya tetap. Terdapat beberapa cara untuk untuk mendeteksi adanya heteroskeditas yang menunjukkan bahwa model penelitian kurang layak. Dalam penelitian ini digunakan diagram titik (scatterplot) yang seharusnya titik-titik tersebut tersebar acak agar tidak terdapat heteroskeditas. Adapun hasil uji heteroskeditas dalam penelitian ini disajikan pada Gambar 4.4 berikut ini.
Gambar 4.4
Hasil Uji Heteroskedastisitas Grafik Scatterplot
Dengan melihat grafik scatterplot, terlihat titik-titik menyebar secara acak,serta tersebar baik di atas maupun di bawah angka 0. Maka dapat diambil kesimpulan bahwa tidak terdapat gejala heteroskedastisitas pada model regresi yang digunakan.
4.1.2.4 Uji Autokorelasi
Uji ini bertujuan untuk melihat apakah dalam suatu model linear ada korelasi antar kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1 (sebelumnya). Model regresi yang baik adalah yang bebas dari autokorelasi. Untuk mengetahui adanya autokorelasi dalam suatu model regresi, dilakukan pengujian
Durbin-Watson (DW) dengan ketentuan yang dapat dilihat pada Tabel 4.6
Tabel 4.5 Autokorelasi
Pada data penelitian ini, didapatkan nilai DW 1,986 seperti terlihat pada Tabel 4.6.
Tabel 4.6 Hasil Uji Autokorelasi
Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .570a .324 .184 1.29289 1.986
a. Predictors: (Constant), ln_roe, ln_cr, ln_dr, ln_roa, ln_tato b. Dependent Variable: ln_pl
Sumber: Data penelitian yang diolah menggunakan SPSS 16
Berdasarkan hasil perhitungan menggunakan SPSS 16 pada Tabel 4.7 nilai DW berada diantara 1,55 sampai dengan 2,46,
< 1 Ada autokorelasi
1,1 - 1,54 Tanpa Kesimpulan
1,55 - 2,46 Tidak ada autokorelasi
2,46 - 2,9 Tanpa Kesimpulan
> 2,9 Ada autokorelasi
sehingga dapat disimpulkan bahwa tidak terdapat autokorelasi pada persamaan regresi penelitian ini.