HASIL PENELITIAN DAN PEMBAHASAN
4.3 Analisis Data Penelitian .1 Uji Asumsi klasik
43
4.3 Analisis Data Penelitian 4.3.1 Uji Asumsi klasik 4.3.1.1 Uji Normalitas
Uji normalitas bertujuan guna menguji apakah dalam model regresi, variabel terikat dan variabel bebas keduanya mempunyai distribusi normal atau tidak. Model regresi yang baik memiliki distribusi data normal atau mendekati normal. Untuk menguji data normal atau tidak, digunakan metode normal probability plot, dan one sample komolgorov smirnov.
a. Normal Probability Plot
Metode ini membandingkan distribusi kumulatif dari data sesungguhnya dengan distribusi kumulatif dan distribusi normal. Distribusi normal akan membentuk satu garis lurus diagonal, dan plotting data akan dibandingkan dengan garis diagonal. Hasil uji normal probability plot ditunjukkan pada Gambar 4.1 berikut ini.
44
Gambar 4.1
Uji Normalitas Normal P-P Plot
Gambar 4.1 menunjukkan bahwa ada data yang mewakili dengan titik-titik terpencar jauh dari garis diagonal atau garis acuan normalitas sehingga dapat disimpulkan bahwa ada data penelitian memiliki disribusi normal.
b. One Komolgorov-Smirnov
One Komolgorov-Smirnov digunakan untuk memastikan apakah data di sepanjang garis diagonal berdistribusi normal. Disini diuji normalitas data dengan menggunakan tingkat signidikan 0,05, dimana jika asymp Sig. (2-tailed) di atas signifikan 0,05 artinya variabel residual berdistribusi normal (Situmorang dan Lutfi, 2012:105). Hasil Uji One sample Komolgorov Smirnov bisa dilihat pada Tabel 4.3 berikut ini.
Tabel 4.3 Uji Normalitas One Kolmogrov Smirnov
Unstandardized Residual
N 237
Normal Parametersa,b Mean .0000000 Std. Deviation 1.31355541 Most Extreme Differences Absolute .083
Positive .083 Negative -.054 Kolmogorov-Smirnov Z 1.281 Asymp. Sig. (2-tailed) .075 a. Test distribution is Normal.
b. Calculated from data.
45 Tabel 4.3 menunjukkan nilai aymp.Sig (2 tailed) diatas nilai signifikan sebesar 0,075,sehinaga dapat disimpulkan data penelitian berdistribusi normal.
4.3.1.2 Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam suatu model regresi linier ada korelasi anatara kesalahan pada periode t dengan t-1 (sebelumnya) (Situmorang dan lutfi, 2012:120). Jika terjadi korelasi maka dinamakan ada problem autokorelasi. Untuk menguji ada tidaknya gejala autokorelasi maka dapat dideteksi dengan uji Durbin-Watson (DW test).
Kriteria yang menunjukkan tidak terjadi autokorelasi dalam penelitian ini yaitu: N = jumlah sampel = 237
K = Jumlah Variabel = 3
Pada tingkat signifikan diperoleh du= 1,8015 dan dl=1,757 Hasil Uji Autokorelasi ditunjukkan pada Tabel 4.4 berikut ini.
Tabel 4.4 Uji Autokorelasi Durbin-Watson Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .621a .386 .375 1.13400 1.929
a. Predictors: (Constant), DOL, SIZE, DER,Auto b. Dependent Variable: ROA
Sumber: Hasil Penelitian, 2015 (Data Diolah)
Pada Tabel 4.4 variabel lag dijadikan salah satu variabel dalam model. Dari nilai di atas dapat dilihat bahwa hasil Durbin Watson sebesar 1,929. Kriteria model regresi
46 yang tidak terkena autokorelasi ketiak du < dw < 4-du, maka 1,8015 < 1.929 < 2,1985. Disini dapat dilihat hasil Durbin Watson lebih besar dari Du, yang artinya data bebas dari autokorelasi.
4.3.1.3 Uji Heteroskedastisitas
Analisis regresi bertujuan untuk melihat seberapa besar peranan variabel bebas terhadap variabel terikat. Dalam setiap persamaan regresi pasti memunculkan residu. Pengertian residu yaitu variabel-variabel lain yang terlibat akan tetapi tidak termuat di dalam model sehingga residu adalah variabel tidak diketahui sehingga diasumsikan bersifat acak, maka besarnya residu tidak terkait dengan besarnya nilai prediksi. Jika data residu tidak bersifat acak maka data bisa dikatakan terkena heteroskedastisitas (Situmorang, 2012:108). Heteroskedastisitas diuji dengan menggunakan Grafik Scatterplot dan Uji Glesjer.
a. Grafik scatterplot
Deteksi ada tidaknya heteroskedastisitas dengan melihat ada tidaknya pola tertentu pada grafik scatterplot antara SRESID dan ZPRED dimana sumbu Y adalah Y yang telah diprediksi, dan sumbu X adalah residual (Y prediksi- Y sesungguhnya) yang telah di-studentized. Hasil uji grafik scatterplot ditunjukkan pada gambar 4.2 berikut ini.
47
Sumber: Hasil Penelitian, 2015 (Data Diolah)
Gambar 4.4 Uji Heteroskedastisitas b. Uji Glejser
Uji heteroskedastisitas dapat dilakukan dengan cara uji glejser, yaitu dengan mengabsolutkan nilai residual kemudian meregresikan dengan variabel independen. Jika variabel independen signifikan secara statistik memperngaruhi variabel dependen maka ada indikasi terkena heteroskedastisitas. Jika probabilitas signifikannya di atas tingkat kepercayaan 5% dapat disimpilkan model regresi tidak
48 mengarah adanya heteroskedastisitas (Situmorang dan Lutfi, 2012:116). Hasil uji glesjer ditunjukkan pada Tabel 4.5 berikut ini.
Tabel 4.5 Uji Heteroskedastisitas Uji Glejser Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) .131 1.141 .115 .909 DER .480 .297 .106 1.615 .108 SIZE .111 .276 .026 .401 .689 DOL -.003 .048 -.004 -.061 .951
a. Dependent Variable: absut
Sumber: Hasil Penelitian, 2015 (Data Diolah)
Berdasarkan Tabel 4.5 dapat dilihat bahwa nilai signifikan variabel independen yang terdiri dari DER sebesar 0,108, size sebesar 0,689 dan DOL sebesar 0,951 lebih besar dari tingkat signifikan 5% (� = 0,05) yang artinya tidak berpengaruh signifikan terhadap variabel dependen absolute Ut (absut), dengan demikian, dapat disimpulkan bahwa tidak terjadi gejala heteroskedastisitas dalam model regresi penelitian ini.
4.3.1.4. Uji Multikolinieritas
Uji multikolinieritas digunakan untuk mengetahui ada tidaknya hubungan yang berarti antara masing-masing variabel bebas dalam model regresi. Untuk mengetahui ada tidaknya multikolinieritas di dalam model regresi dapat dilihat nilai variance
49 inflation (VIF) dan tolerance (Situmorang dan Lutfi,2012:162). Hasil Uji Multikolinieritas diperlihatkan pada Tabel 4.6 berikut:
Tabel 4.6 Uji Multikolinieritas Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
(Constant) .318 1.468 .216 .829
DER -2.658 .382 -.362 -6.951 .000 .978 1.022 SIZE 1.327 .355 .194 3.740 .000 .986 1.014 DOL .007 .061 .006 .117 .907 .987 1.013
a. Dependent Variable: ROA
Sumber: Hasil Penelitian, 2015 (Data Diolah)
Tabel 4.6 menunjukkan nilai Variance Inflation Factor variabel independen DER sebesar 1,022, SIZE sebesar 1.014 dan DOL sebesar 1,013. Artinya nilai VIF lebih kecil dari 10 (VIF < 10) dan nilai Tolerance dari DER,SIZE dan DOL secara berurutan yaitu 0,978, 0,986,dan 0,987 lebih besar dari 0,1 (Tolerance > 0,1). Maka dapat disimpulkan bahwa tidak terdapat multikolieritas pada regresi penelitian ini.
4.4 Analisis Regresi Berganda
Teknik Analisis regresi linier berganda digunakan untuk mengetahui pengaruh antara kebijakan pendanaan, profitabilitas, dan liquiditas terhadap keputusan investasi. Hasil analisis regresi berganda ditunjukkan pada Tabel 4.7 berikut ini.
50
Tabel 4.7
Analisis Regresi Berganda
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) .318 1.468 .216 .829 DER -2.658 .382 -.362 -6.951 .000 SIZE 1.327 .355 .194 3.740 .000 DOL .007 .061 .006 .117 .907
a. Dependent Variable: ROA
Sumber: Hasil Penelitian, 2015 (Data Diolah)
Berdasarkan Tabel 4.7, maka model regresi penelitian ini adalah sebagai berikut Y = 0,318 - 2,658 X1 + 1,327 X2 + 0,007 X3
di mana:
Y = Profitabilitas (ROA a = konstanta
X1 = Debt to Equity Ratio
X2 = Size
X3 = Degree of Operating Leverage