BAB III METODE PENELITIAN
4.2 Analisis Data Penelitian
Statistik deskriptif memberikan gambaran mengenai nilai minimum,
nilai maksimum, nilai rata-rata, dan standar deviasi data variable-variabel
yang digunakan dalam penelitian ini. Distribusi statistik deskriptif untuk
masing-masing variable terdapat pada Tabel 4.1 berikut:
Table 4.1 Statistik Deskriptif
Descriptive Statistics
N Minimum Maximum Mean Std. Deviation
enterprise size 66 10,92 13,72 12,1103 ,72081
growth opportunity 66 -,39 ,72 ,1047 ,15966
Likuiditas 66 ,65 11,74 3,1018 2,28201
Debt Ratio 66 ,09 ,89 ,3680 ,16919
Valid N (listwise) 66
Berdasarkan data dari Table 4.1 dapat dijelaskan bahwa:
1. Variabel independen ukuran perusahaan memiliki nilai terendah 10,92 dan
nilai tertinggi 13,72 dengan nilai rata-rata 12,1103 dan standar deviasi
0,72081.
2. Variabel independen peluang pertumbuhan memiliki nilai terendah -0,39
dan nilai tertinggi 0,72 dengan nilai rata-rata 0,1047 dan standar deviasi
0,15966.
3. Variabel independen likuiditas memiliki nilai terendah 0,65 dan nilai
tertinggi 11,74 dengan nilai rata-rata 3,1018 dan standar deviasi 2,28201.
4. Variabel dependen rasio hutang memiliki nilai terendah 0,09 dan nilai
tertinggi 0,89 dengan nilai rata-rata 0,3680 dan standar deviasi 0,16919.
4.2.2 Pengujian Asumsi Klasik
Menguji hipotesis akan dilakukan dengan menggunakan analisis
regresi linier berganda. Namun, terlebih dahulu akan diuji mengenai ada
tidaknya penyimpangan terhadap asumsi klasik yang diperlukan untuk
mendapatkan model regresi yang baik.
4.2.2.1 Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model
regresi variabel pengganggu atau residual memiliki distribusi normal
atau tidak dengan membuat hipotesis sebagai berikut:
Ho: data residual terdistribusi normal
Ha: data residual terdistribusi tidak normal
a. Analisis grafik
b. Analisis Probability Plot
c. Uji Kolmogorov-Smirnov
Analisis grafik dapat digunakan dengan dua alat, yaitu grafik
histogram dan grafik P-Plot. Data yang baik adalah data yang memiliki
pola distribusi normal. Pada grafik histogram, data yang mengikuti atau
mendekati distribusi normal adalah distribusi data dengan bentuk
lonceng. Pada grafik P-Plot, apabila titik-titik data tidak banyak
menyebar ke kiri atau ke kanan, melainkan menyebar di sekitar garis
diagonal, maka data tersebut berdistribusi normal.
Gambar 4.1
Uji Normalitas Histogram
Dengan melihat tampilan grafik histogram pada gambar 4.1,
garis tersebut menyentuh hampir semua titik pada batang histogram
yang menunjukkan bahwa data terdistribusi normal.
Gambar 4.2
Uji Normalitas Grafik P-Plot
Pada grafik P-Plot pada gambar 4.2 diatas dapat dilihat
bahwa titik-titik menyebar di sepanjang garis diagonal dan tidak
menjauhi garis tersebut. Hal ini juga menunjukkan bahwa data
terdistribusi normal.
Pengujian normalitas data dengan hanya melihat grafik tidak
cukup, sehingga kita perlu melakukan uji normalitas data dengan
menggunakan statistik agar lebih meyakinkan. Untuk memastikan
apakah data di sepanjang garis diagonal berdistribusi normal atau tidak,
maka dilakukan uji Kolmogorov-Smirnov. Jika nilai signifikansinya
signifikansinya lebih kecil dari 0,05 maka data tidak terdistribusi
normal.
Table 4.2 Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 66
Normal Parametersa,,b Mean ,0000000
Std. Deviation ,11547561
Most Extreme Differences Absolute ,127
Positive ,127
Negative -,068
Kolmogorov-Smirnov Z 1,030
Asymp. Sig. (2-tailed) ,240
a. Test distribution is Normal. b. Calculated from data.
Hasil uji Kolmogorov-Smirnov pada tabel diatas
menunjukkan nilai profitabilitas = 0,240. Dengan demikian, data pada
penelitian ini terdistribusi normal dan dapat digunakan untuk
melakukan uji hipotesis karena 0,240 > 0,05.
4.2.2.2 Uji Heterokedastisitas
Menurut Ghozali (2006), uji heterokedastisitas bertujuan
untuk menguji apakah dalam model regresi terjadi ketidaksamaan
variance dari residual satu pengamatan ke pengamatan yang lain.
Model regresi yang baik adalah tidak terjadi heterokedastisitas atau
terjadi homoskedastisitas. Cara yang digunakan untuk mendeteksi ada
tidaknya gejala heterokedastisitas adalah dengan melihat grafik
Uji ini dilakukan dengan mengamati pola tertentu pada
grafik scatterplot, dimana bila ada titik-titik yang menyebar di atas dan
di bawah angka 0 pada sumbu Y serta tidak membentuk pola, maka
tidak terjadi heterokedastisitas.
Gambar 4.3
Uji Heterokedastisitas (Scatterplot)
Pada gambar 4.3 tentang grafik scatterplot di atas dapat
terlihat titik-titik menyebar acak dan tidak membentuk suatu pola
tertentu yang jelas serta tersebar baik di atas maupun di bawah angka 0
pada sumbu Y. Hal ini menunjukkan tidak terjadinya heterokedastisitas,
sehingga model regresi layak digunakan untuk melihat pengaruh
variabel independen terhadap variabel dependen.
4.2.2.3 Uji Autokorelasi
Uji autokorelasi bertujuan untuk menganalisis apakah dalam
model regresi linear terdapat korelasi antara kesalahan pengganggu
adalah yang bebas dari autokorelasi. Untuk mendeteksi masalah
autokorelasi dapat dilakukan dengan menggunakan uji Durbin Watson.
Cara mendeteksinya yaitu dengan mengamati hal berikut:
a. Angka D-W di bawah -2 berarti ada autokorelasi positif.
b. Angka D-W di antara -2 sampai +2 berarti tidak ada autokorelasi.
c. Angka D-W di atas +2 berarti ada autokorelasi negatif.
Tabel 4.3
Hasil Uji Autokorelasi
Tabel 4.3 memperlihatkan nilai statistik D-W sebesar 1,831.
Angka ini terletak di antara -2 sampai +2, sehingga dapat disimpulkan
bahwa tidak terjadi autokorelasi dalam penelitian ini.
4.2.2.4 Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah pada
model regresi ditemukan adanya korelasi diantara variabel bebas.
Model regresi yang baik seharusnya tidak terjadi korelasi diantara
variabel independen. Deteksi dilakukan dengan melihat nilai VIF
(Variable Inflation Factor) dan nilai tolerance. Multikolinearitas terjadi
jika VIF > 10 dan nilai tolerance < 0,10.
Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 ,731a ,534 ,512 ,11824 1,831
a. Predictors: (Constant), likuiditas, growth opportunity, enterprise size b. Dependent Variable: Debt Ratio
Tabel 4.4 Uji Multikolinearitas Coefficientsa Model Collinearity Statistics Tolerance VIF 1 (Constant) enterprise size ,945 1,059 growth opportunity ,981 1,019 likuiditas ,942 1,062
a. Dependent Variable: Debt Ratio
Berdasarkan tabel 4.4 diatas dapat dilihat bahwa tidak ada
satupun variabel bebas yang memiliki nilai VIF lebih dari 10 dan tidak
ada yang memiliki nilai tolerance lebih kecil dari 0,1. Jadi, dapat
disimpulkan bahwa penelitian ini bebas dari adanya multikolinearitas
dan semua variabel bebas yang dipakai dalam penelitian ini lolos uji
gejala multikolinearitas.
4.3 Pengujian Hipotesis
4.3.1 Uji Koefisien Determinasi (R2)
Nilai yang digunakan untuk melihat uji koefisien determinasi adalah
nilai Adjusted R2 yang pada intinya mengukur seberapa jauh kemampuan variabel independen dalam menerangkan variasi variabel dependen. Dalam
hal ini adjusted R2 digunakan untuk mengetahui seberapa besar pengaruh variabel ukuran perusahaan, peluang pertumbuhan, dan likuiditas terhadap
rasio hutang.
Pada penelitian ini adjusted R2 yang digunakan antara 0 dan 1. Jika nilai adjusted R2 semakin mendekati 1, maka semakin baik kemampuan
Tabel 4.5
Uji Koefisien Determinasi (R2)
Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate 1 ,731a ,534 ,512 ,11824
a. Predictors: (Constant), likuiditas, growth opportunity, enterprise size b. Dependent Variable: Debt Ratio
Besarnya adjusted R2 berdasarkan hasil analisis statistik yang diperoleh sebesar 0,512. Dengan demikian, besarnya pengaruh ukuran
perusahaan, peluang pertumbuhan, dan likuiditas terhadap rasio hutang
adalah sebesar 51,2%. Sedangkan sisanya sebesar 48,8% dipengaruhi oleh
faktor lain yang tidak diteliti dalam penelitian ini.
4.3.2 Uji Simultan (Uji F)
Uji ini bertujuan untuk menguji pengaruh antara variabel
independen terhadap variabel dependen secara bersama-sama. Apabila
probabilitas (signifikansi) lebih besar dari α (0,05), maka variabel independen secara bersama-sama tidak berpengaruh terhadap variabel rasio hutang.
Tetapi jika signifikansi lebih kecil dari α (0,05), maka variabel independen secara bersama-sama berpengaruh terhadap variabel rasio hutang.
Pengujian hipotesis uji F ini digunakan untuk melihat apakah
secara keseluruhan variabel bebas mempunyai pengaruh yang bermakna
terhadap variabel terikat. Dari pengujian simultan diperoleh hasil sebagai
Tabel 4.6
Hasil Uji Simultan (Uji F)
ANOVAb
Model Sum of Squares Df Mean Square F Sig.
1 Regression ,994 3 ,331 23,698 ,000a
Residual ,867 62 ,014
Total 1,861 65
a. Predictors: (Constant), likuiditas, growth opportunity, enterprise size b. Dependent Variable: Debt Ratio
Pada tabel 4.6 diatas dapat dilihat bahwa nilai probabilitas uji
simultan ini adalah sebesar 0,000 < 0,05 dan dari tabel diatas menunjukkan
bahwa nilai Fhitung > Ftabel (23,698 > 2,75). Berdasarkan hasil tersebut, maka
dapat disimpulkan bahwa ukuran perusahaan, peluang pertumbuhan, dan
likuiditas secara simultan berpengaruh signifikan terhadap rasio hutang.
4.3.3 Uji Signifikansi Parsial (Uji t)
Uji t digunakan untuk mengetahui hubungan antara
variabel-variabel independen terhadap variabel-variabel dependen secara parsial (individu).
Jika probabilitas (signifikansi) lebih besar dari 0,05 (α), maka variabel bebas secara individu tidak berpengaruh terhadap rasio hutang. Jika signifikansi
lebih kecil dari 0,05, maka variabel bebas secara individu berpengaruh
Tabel 4.7
Hasil Uji Parsial (Uji t)
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) ,594 ,259 2,297 ,025 enterprise size -,003 ,021 -,014 -,154 ,878 growth opportunity -,174 ,093 -,164 -1,876 ,065 likuiditas -,054 ,007 -,734 -8,216 ,000
a. Dependent Variable: Debt Ratio
Pada tabel 4.7 diatas dapat diambil kesimpulan bahwa variabel
ukuran perusahaan memiliki nilai probabilitas sebesar 0,878 (lebih besar dari
0,05) sehingga tidak berpengaruh signifikan terhadap rasio hutang. Variabel
peluang pertumbuhan memiliki nilai probabilitas sebesar 0,065 (lebih besar
dari 0,05) sehingga tidak berpegaruh signifikan terhadap rasio hutang.
Variabel likuiditas memiliki nilai probabilitas sebesar 0,000 (lebih kecil dari
0,05) sehingga berpengaruh signifikan terhadap rasio hutang.
Dari tabel 4.7 diatas dapat diperoleh model persamaan regresi
berganda sebagai berikut:
Y = 0,594 – 0,003X1 – 0,174X2 – 0,054X3 + e
a. Koefisien konstan adalah 0,594 menyatakan jika X1, X2, dan X3 adalah 0, maka rasio hutang adalah 0,594.
b. Ukuran perusahaan mempunyai koefisien regresi ke arah negatif sebesar
-0,003. Hal ini berarti bahwa kenaikan sebesar 1 persen variabel ukuran
perusahaan akan menyebabkan rasio hutang perusahaan mengalami
c. Peluang pertumbuhan mempunyai koefisien regresi ke arah negatif sebesar
-0,174. Hal ini berarti bahwa kenaikan sebesar 1 persen variabel peluang
pertumbuhan akan menyebabkan rasio hutang perusahaan mengalami
penurunan sebesar 0,174 persen.
d. Likuiditas mempunyai koefisien ke arah negatif sebesar -0,054. Hal ini
berarti bahwa kenaikan sebesar 1 persen variabel likuiditas akan
menyebabkan rasio hutang perusahaan mengalami penurunan sebesar
0,054 persen.