BAB IV ANALISIS HASIL PENELITIAN
B. Analisis Hasil Penelitian
Statistik deskriptif adalah statistik yang digunakan untuk menganalisa data dengan cara mendeskripsikan atau menggambarkan data yang telah terkumpul sebagaimana adanya tanpa bermaksud membuat kesimpulan yang berlaku untuk umum atau generalisasi (Sugiyono, 2005). Deskripsi suatu data dilihat dari nilai rata-rata (mean), standar deviasi, maksimum, minimum. Berikut ini akan dijelaskan hasil statistik deskriptif data keuangan dan variabel penelitian tahun dari tahun 2007 - 2009.
Statistik deskriptif variabel penelitian dari sampel perusahaan selama periode pengamatan 2007 sampai dengan tahun 2009 disajikan pada tabel 4.2 berikut ini :
Tabel 4.2
Statistik Deskriptif Variabel Penelitian Descriptive Statistics
N Minimum Maximum Mean Std. Deviation
CAR 51 .0981 .3525 .182873 .0572152 KAP1 51 .0073 1.0000 .063092 .1919937 GCG 51 2 4 3.39 .603 NIM 51 .0238 .1110 .058851 .0201081 BOPO 51 .0626 1.0000 .804035 .1625952 LDR 51 .4071 1.1300 .758788 .1898447 FINANCIAL_DISTRESS 51 3 4 3.75 .440 Valid N (listwise) 51 Sumber : Hasil olahan peneliti, 2011
Tabel 4.2 menunjukkan hasil ouput SPSS mengenai statistik deskriptif variabel penelitian tahun 2007-2009 dengan jumlah sampel keseluruhan sebanyak 51 (17 perusahaan selama 3 tahun). Dari tabel tersebut, dapat dijelaskan statistik deskriptif masing-masing variabel bahwa ;
a. Variabel financial distress memiliki nilai maksimum sebesar 4 artinya dari 51 sampel ini financial distress terbesar adalah 4. Nilai minimum sebesar 3 artinya dari 51 sampel ini financial distress terkecil adalah 3. Nilai rata-rata (mean) sebesar 3,75, hal ini menunjukkan bahwa sebagian besar perusahaan-perusahaan yang menjadi sampel mempunyai nilai financial
distress yang positif. Standar deviasi sebesar 0,440 menunjukkan tidak ada
sampel yang memiliki nilai financial distress yang bersifat ekstrim. Jumlah sampel yang diolah sebanyak 51 perusahaan.
b. Variabel CAR memiliki nilai maksimum sebesar 0,3525 artinya dari 51 sampel ini nilai CAR terbesar adalah 0,3525. Nilai minimum sebesar 0.0981 artinya dari 51 sampel ini nilai CAR terkecil adalah -0,0981. Nilai rata-rata (mean) sebesar 0,182873 ,hal ini menunjukkan bahwa sebagian besar perusahaan-perusahaan yang menjadi sampel mempunyai nilai CAR yang positif. Standar deviasi sebesar 0,0572152 menunjukkan tidak ada sampel yang memiliki nilai CAR yang bersifat ekstrim. Jumlah sampel yang diolah sebanyak 51 perusahaan.
c. Variabel KAP 1 memiliki nilai maksimum sebesar 1 artinya dari 51 sampel ini nilai KAP 1 terbesar adalah 1. Nilai minimum sebesar 0,0073 artinya dari 51 sampel ini nilai KAP 1 terkecil adalah –O,0073. Nilai rata-rata (mean) sebesar 0,063092, hal ini menunjukkan bahwa sebagian besar perusahaan-perusahaan yang menjadi sampel mempunyai nilai KAP 1 yang positif. Standar deviasi sebesar 0,1919937 menunjukkan tidak ada sampel yang memiliki nilai KAP 1 yang bersifat ekstrim. Jumlah sampel yang diolah sebanyak 51 perusahaan.
d. Variabel GCG memiliki nilai maksimum sebesar 4 artinya dari 51 sampel ini nilai GCG terbesar adalah 4. Nilai minimum sebesar 2 artinya dari 51 sampel ini nilai GCG terkecil adalah 2. Nilai rata-rata (mean) sebesar 3,39, hal ini menunjukkan bahwa sebagian besar perusahaan-perusahaan yang
menjadi sampel mempunyai nilai GCG yang positif. Standar deviasi sebesar 0,603 menunjukkan tidak ada sampel yang memiliki nilai GCG yang bersifat ekstrim. Jumlah sampel yang diolah sebanyak 51 perusahaan. e. Variabel NIM memiliki nilai maksimum sebesar 0,1110 artinya dari 51
sampel ini nilai NIM terbesar adalah 0,1110. Nilai minimum sebesar 0,0238 artinya dari 51 sampel ini nilai NIM terkecil adalah 0,0238. Nilai rata-rata (mean) sebesar 0,58851 hal ini menunjukkan bahwa sebagian besar perusahaan-perusahaan yang menjadi sampel mempunyai nilai NIM yang positif. Standar deviasi sebesar 0,0201081 menunjukkan tidak ada sampel yang memiliki nilai NIM yang bersifat ekstrim. Jumlah sampel yang diolah sebanyak 51 perusahaan.
f. Variabel BOPO memiliki nilai maksimum sebesar 1 artinya dari 51 sampel ini nilai BOPO terbesar adalah 1. Nilai minimum sebesar 0,0626 artinya dari 51 sampel ini nilai BOPO terkecil adalah 0,0626. Nilai rata-rata (mean) sebesar 0,804035 hal ini menunjukkan bahwa sebagian besar perusahaan-perusahaan yang menjadi sampel mempunyai nilai BOPO yang positif. Standar deviasi sebesar 0,1625952 menunjukkan tidak ada sampel yang memiliki nilai BOPO yang bersifat ekstrim. Jumlah sampel yang diolah sebanyak 51 perusahaan.
g. Variabel LDR memiliki nilai maksimum sebesar 1,1300 artinya dari 51 sampel ini nilai LDR terbesar adalah 1,1300. Nilai minimum sebesar 0,4071 artinya dari 51 sampel ini nilai LDR terkecil adalah 0,4071. Nilai rata-rata (mean) sebesar 0,758788 hal ini menunjukkan bahwa sebagian
besar perusahaan-perusahaan yang menjadi sampel mempunyai nilai LDR yang positif. Standar deviasi sebesar 0,1898447 menunjukkan tidak ada sampel yang memiliki nilai LDRyang bersifat ekstrim. Jumlah sampel yang diolah sebanyak 51 perusahaan.
2. Uji Asumsi Klasik a. Uji Normalitas
Pengujian normalitas data dalam penelitian ini menggunakan uji statistik non parametrik Kolmogorov-Smirnov (K-S) dengan membuat hipotesis :
H0 : data residual berdistribusi normal Ha : data residual tidak berdistribusi normal
Apabila nilai signifikansinya lebih besar dari 0,05 maka H0 diterima, sedangkan jika signifikansinya lebih kecil dari 0,05 maka H0 ditolak.
Tabel 4.3 Uji Normalitas
One Sample Kolmogorov – Smirnov Test
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 51
Normal Parametersa Mean .0000000
Std. Deviation .33223803 Most Extreme Differences Absolute .117 Positive .072 Negative -.117 Kolmogorov-Smirnov Z .835
Asymp. Sig. (2-tailed) .489
a. Test distribution is Normal.
Sumber : Hasil olahan peneliti, 2011
Dari hasil pengolahan data tersebut, besarnya nilai Kolmogorov-Smirnov adalah 0,835 dan signifikan pada 0,489 maka disimpulkan data terdistribusi secara normal karena p = 0,489 > 0,05. Dengan demikian secara keseluruhan bahwa nilai observasi telah terdistribusi normal. Pada grafik histogram, dapat dilihat bahwa distribusi data tidak menceng (skewnes) ke kiri atau ke kanan.
Gambar 4.1 Histogram
Pada grafik normal plot, dapat dilihat titik – titik menyebar disekitar garis diagonal dan agak mendekati garis diagonal sehingga dapat disimpulkan data berdistribusi normal.
Gambar 4.2 Grafik Normal P-Plot b. Uji Multikolonieritas
Dalam penelitian ini, untuk mendeteksi ada tidaknya gajala multikolonieritas adalah dengan melihat besaran korelasi antara variabel independen dan besarnya tingkat kolonieritas yang masih dapat ditolerir, yaitu
Tolerance > 0,10 dan Variance Inflation Factor (VIF) < 10. Berikut disajikan
tabel hasil pengujian:
Tabel 4.4
Uji multikolonieritas untuk
FINANCIAL_DISTRESS=f (CAR, KAP1, GCG, NIM, BOPO, LDR) Coefficientsa Model Collinearity Statistics Tolerance VIF 1 (Constant) CAR .871 1.148 KAP1 .898 1.113 GCG .789 1.268 NIM .629 1.590 BOPO .594 1.685 LDR .625 1.600 a. Dependent Variabel: FINANCIAL_DISTRESS
Sumber : Hasil olahan peneliti, 2011
Hasil pengujian menunjukkan angka tolerance untuk CAR lebih besar dari 0,1 (0,871> 0,1), KAP1 lebih besar dari 0,1 (0,898 > 0,1), GCG lebih besar dari 0,1 (0,789 > 0,1), NIM lebih besar dari 0,1 (0,629> 0,1), BOPO lebih besar dari 0,1 (0,594 > 0,1), LDR lebih besar dari 0,1 (0,625> 0,1). Angka VIF untuk CAR lebih kecil dari 10 (1,148< 10), KAP1 lebih kecil dari 10 (1,113 <10 ), GCG lebih kecil dari 10 (1,268 < 10 ), NIM lebih kecil dari 10 (1,590 < 10), BOPO lebih kecil dari 10 (1,685 < 10 ), LDR lebih kecil dari 10 (1,600 < 10).
Berdasarkan hasil pengujian tersebut diperoleh kesimpulan tidak terdapat multikolonieritas. Hasil ini menunjukkan tidak ada hubungan antar variabel bebas (independen).
Tabel 4.5 Cofficient correlations
Sumber : Hasil olahan peneliti, 2011
Dari tabel di atas dapat dilihat tingkat korelasi antar variabel bebas, yaitu tingkat korelasi antar variabel bebas antara BOPO terhadap NIM menunjukkan angka 0,455 atau 45,5%, tingkat ini masih jauh dibawah 95 %. Tingkat korelasi antara NIM terhadap KAP1 menunjukkan angka -0,73 atau -73%. Tingkat korelasi antara GCG terhadap CAR menunjukkan angka 0,275 atau 27,5 %. Tingkat korelasi antara LDR terhadap BOPO menunjukkan angka 0,463 atau
-Coefficient Correlationsa
Model LDR GCG CAR KAP1 NIM BOPO
1 Correlations LDR 1.000 -.033 .143 .285 -.507 -.463 GCG -.033 1.000 .275 -.090 -.045 .339 CAR .143 .275 1.000 .058 -.204 .060 KAP1 .285 -.090 .058 1.000 -.073 -.187 NIM -.507 -.045 -.204 -.073 1.000 .455 BOPO -.463 .339 .060 -.187 .455 1.000 Covariances LDR .111 -.001 .045 .026 -.532 -.062 GCG -.001 .009 .024 -.002 -.013 .013 CAR .045 .024 .880 .015 -.600 .023 KAP1 .026 -.002 .015 .076 -.064 -.021 NIM -.532 -.013 -.600 -.064 9.864 .571 BOPO -.062 .013 .023 -.021 .571 .160
46,3 %. Berdasarkan hasil perhitungan tersebut dapat dibuktikan bahwa tidak terdapat korelasi antar variabel bebas atau tidak terdapat multikolonieritas.
c. Uji Heterokedastisitas
Untuk pengujian heteroskedastisitas, penulis menggunakan alat analisis grafik (Scatterplot). Pada analisis grafik Scatterplot, deteksi ada tidaknya heteroskedastisitas dapat dilakukan dengan melihat jika tidak ada pola tertentu pada grafik Scatterplot maka tidak terjadi heteroskedastisitas dengan kata lain homoskedastisitas. Hasil pengujian dapat ditunjukkan grafik scatterplot antara ZPRED dan SRESID sebagai berikut.Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka nol pada sumbu Y. Maka dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada persamaan regresi.
Gambar 4.3 Grafik Scatterplot
d. Uji Autokorelasi
Uji ini bertujuan untuk menganalisis apakah dalam model regresi linier ada korelasi antara kesalahan pengganggu pada periode t dengan tingkat kesalahan pada periode t-1. Autokorelasi muncul karena observasi yang berurutan sepanjang tahun yang berkaitan satu dengan yang lainnya, hal ini sering ditemukan pada time series. Metode yang digunakan penulis telah diungkapkan dalam bab tiga.
Hasil pengujian pada tabel memperlihatkan nilai statistik Durbin – Watson sebesar 1,671. Nilai ini akan dibandingkan dengan nilai tabel Durbin – Watson dengan nilai signifikan 5 %, jumlah sampel = 51, jumlah variabel independen 6 (k=6), maka di tabel Durbin – Watson akan didapat nilai dl = 1,300 dan du = 1,8201. Nilai DW sebesar 1,671 terletak diatas batas atas du lebih kecil dari 2,1799 (4 – 1,8201), maka diperoleh kesimpulan tidak ada autokorelasi.
Tabel 4.6 Hasil Uji Autokorelasi
Model Summaryb Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .656a .430 .353 .354 1.671
a. Predictors: (Constant), LDR, GCG, CAR, KAP1, NIM, BOPO b. Dependent Variable: FINANCIAL_DISTRESS
3. Pengujian Hipotesis
Hasil uji asumsi klasik memperlihatkan data observasi memenuhi asumsi normalitas sehingga dapat dianalisis lebih lanjut untuk pengujian hipotesis. Penulis menggunakan analisis regresi berganda untuk melakukan pengujian hipotesis dengan bantuan program SPSS 16.
a. Persamaan Regresi
Analisis Hasil Regresi Tabel 4.7 Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 2.060 .600 3.433 .001 CAR 1.536 .938 .200 1.638 .109 .871 1.148 KAP1 -.324 .275 -.141 -1.177 .245 .898 1.113 GCG .297 .094 .406 3.171 .003 .789 1.268 NIM 1.207 3.141 .512 3.568 .001 .629 1.590 BOPO .487 .400 .180 1.219 .229 .594 1.685 LDR -.834 .334 -.360 -2.500 .016 .625 1.600 a. Dependent Variable: FINANCIAL_DISTRESS
Sumber : Hasil olahan peneliti, 2011
Berdasarkan tabel di atas, di dapatlah persamaan regresi sebagai berikut : FINANCIAL_DISTRESS = 2,060 + 1,536 CAR – 0,324 KAP1 + 0,297 GCG
Keterangan :
1) Konstanta sebesar 2,060 menunjukkan bahwa apabila tidak ada variabel independen (CAR, KAP1, GCG, NIM, BOPO, LDR) maka gejala
financial distress sebesar 2,060.
2) β1 sebesar 1,536 menunjukkan bahwa setiap penambahan CAR sebesar
1% akan diikuti oleh penurunan gejala financial distress sebesar 153,6 % dengan asumsi variabel lain tetap.
3) β2 sebesar – 0,324menunjukkan bahwa setiap penambahan KAP1 sebesar
1% akan diikuti oleh penurunan gejala financial distress sebesar 32,4 % dengan asumsi variabel lain tetap.
4) β3 sebesar 0,297 menunjukkan bahwa setiap penambahan GCG sebesar
1% akan diikuti oleh kenaikan gejala financial distress sebesar 29,7 % dengan asumsi variabel lain tetap.
5) β4 sebesar 1,207menunjukkan bahwa setiap penambahan NIM sebesar 1%
akan diikuti oleh kenaikan gejala financial distress sebesar 120,7% dengan asumsi variabel lain tetap
6) β5 sebesar 0,487 menunjukkan bahwa setiap penambahan BOPO sebesar 1% akan diikuti oleh kenaikan gejala financial distress sebesar 48,7 % dengan asumsi variabel lain tetap.
7) β6 sebesar – 0,834 menunjukkan bahwa setiap penambahan LDR sebesar 1% akan diikuti oleh penurunan gejala financial distress sebesar 83,4% dengan asumsi variabel lain tetap
b. Analisis Koefisien Korelasi
Nilai koefisien korelasi (R) menunjukkan seberapa besar korelasi atau hubungan antara variabel-variabel independen dengan variabel dependen. Koefisien korelasi dikatakan kuat apabila nilai R berada di atas 0,5 dan mendekati 1. Koefisien determinasi (R square) menunjukkan seberapa besar variabel independen menjelaskan variabel dependennya. Nilai R square adalah nol sampai dengan satu. Apabila nilai R square semakin mendekati satu, maka variabel-variabel independen memberikan semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen. Sebaliknya, semakin kecil nilai R square, maka kemampuan variabel-variabel independen dalam menjelaskan variasi variabel dependen semakin terbatas.
Tabel 4.8 Model Summary Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .656a .430 .353 .354 1.671
a. Predictors: (Constant), LDR, GCG, CAR, KAP1, NIM, BOPO b. Dependent Variable: FINANCIAL_DISTRESS
Sumber : Hasil olahan peneliti, 2011
Pada tampilan ouput SPSS model summary , nilai koefisien korelasi (R) sebesar 0,430 yang berarti bahwa korelasi atau hubungan antara CAR, KAP1, GCG, NIM, BOPO, LDR (variabel independen) terhadap gejala financial
distress (variabel dependen) lemah. Koefisien korelasi dikatakan kuat apabila
koefisien determinasi adalah 0,430. Hal ini berarti 43 % variasi atau perubahan dalam variabel dependen dapat dijelaskan oleh variabel independen, sedangkan sisanya 64,7 % dijelaskan oleh faktor – faktor lain. Standar Error of Estimate
(SEE) adalah 0,354, semakin kecil nilai SEE maka akan membuat model
regresi semakin tepat dalam memprediksi variabel dependen. c. Pengujian secara Parsial
Uji – t digunakan untuk menguji signifikansi konstanta dan setiap variabel independennya. Hasil pengolahan dapat dilihat pada tabel 4.10.
Table 4.9 Hasil uji – t Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) 2.060 .600 3.433 .001 CAR 1.536 .938 .200 1.638 .109 KAP1 -.324 .275 -.141 -1.177 .245 GCG .297 .094 .406 3.171 .003 NIM 11.207 3.141 .512 3.568 .001 BOPO .487 .400 .180 1.219 .229 LDR -.834 .334 -.360 -2.500 .016
a. Dependent Variable: FINANCIAL_DISTRESS Sumber : Hasil olahan peneliti, 2011
Dari tabel hasil pengolahan SPSS dapat dilihat besarnya t hitung untuk variabel CAR sebesar 1,638 dengan nilai signifikan 0,109. Hasil uji tersebut dapat menunjukkan t hitung adalah lebih kecil dari t tabel 1,638< 1,68023 ). Dilihat signifikansinya, nilai signifikansi CAR adalah sebesar 0,109, lebih besar dari nilai signifikan sebesar 0,05. Hasil perhitungan baik melalui t hitung
maupun nilai signifikannya, menunjukkan CAR tidak mempunyai pengaruh yang signifikan terhadap variabel gejala financial distress. Nilai t tabel, dimana
level of significance (α) = 0,05 (5%) dan derajat kebebasan (df) = (n – k – 1) atau (51 – 6 – 1).
Nilai t hitung untuk variabel KAP1 adalah -1,177 dengan nilai signifikan 0,245. Hasil uji tersebut dapat menunjukkan t hitung adalah lebih kecil dari t tabel (-1,177 < 1,68023). Dilihat signifikansinya, nilai signifikansi KAP1 adalah sebesar 0,245 lebih besar dari nilai signifikan sebesar 0,05. Hasil perhitungan baik melalui t hitung maupun nilai signifikannya, menunjukkan KAP1 tidak mempunyai pengaruh yang signifikan terhadap variabel gejala
financial distress.
Nilai t hitung untuk variabel GCG adalah 3,171 dengan nilai signifikan 0,003. Hasil uji tersebut dapat menunjukkan t hitung adalah lebih besar dari t tabel (3,171> 1,68023). Dilihat signifikansinya, nilai signifikansi GCG adalah sebesar 0,003 lebih kecil dari nilai signifikan sebesar 0,05. Hasil perhitungan baik melalui t hitung maupun nilai signifikannya, menunjukkan GCG mempunyai pengaruh yang signifikan terhadap variabel gejala financial
distress.
Nilai t hitung untuk variable NIM adalah 3,568 dengan nilai signifikan 0,001. Hasil uji tersebut dapat menunjukkan t hitung adalah lebih besar dari t tabel (3,568 > 1,68023). Dilihat signifikansinya, nilai signifikansi NIM adalah sebesar 0,001 lebih kecil dari nilai signifikan sebesar 0,05. Hasil perhitungan baik melalui t hitung maupun nilai signifikannya, menunjukkan NIM
mempunyai pengaruh yang signifikan terhadap variabel gejala financial
distres.
Nilai t hitung untuk variabel BOPO adalah 1,219 dengan nilai signifikan 0,229. Hasil uji tersebut dapat menunjukkan t hitung adalah lebih kecil dari t tabel (1,219 < 1,68023). Dilihat signifikansinya, nilai signifikansi BOPO adalah sebesar 0,229 lebih besar dari nilai signifikan sebesar 0,05. Hasil perhitungan baik melalui t hitung maupun nilai signifikannya, menunjukkan BOPO tidak mempunyai pengaruh yang signifikan terhadap variabel gejala
financial distress.
Nilai t hitung untuk variable LDR adalah -2,500 dengan nilai signifikan 0,016. Hasil uji tersebut dapat menunjukkan t hitung adalah lebih kecil dari t tabel (-2,500< 1,68023). Dilihat signifikansinya, nilai signifikansi LDR adalah sebesar 0,016 lebih kecil dari nilai signifikan sebesar 0,05. Hasil perhitungan melalui t hitung menunjukkan LDR tidak mempunyai pengaruh yang signifikan terhadap variabel gejala financial distress, sementara nilai signifikansi menunjukkan LDR mempunyai pengaruh yang signifikan terhadap variabel gejala financial distress.
d. Pengujian secara Simultan
Uji – f digunakan untuk mengetahui apakah variabel independen secara bersama – sama atau simultan mempengaruhi variabel dependen. Hasil pengolahan dapat dilihat pada tabel 4.11.
Table 4.10 Hasil uji – f ANOVAb
Model
Sum of
Squares Df Mean Square F Sig.
1 Regression 4.167 6 .695 5.537 .000a
Residual 5.519 44 .125
Total 9.686 50
a. Predictors: (Constant), LDR, GCG, CAR, KAP1, NIM, BOPO
b. Dependent Variable: FINANCIAL_DISTRESS Sumber : Hasil olahan peneliti, 2011
Dari uji ANOVA pada tabel 4.10 diketahui Fhitung sebesar 5,537 dengan tingkat signifikansi lebih rendah dari tingkat kepercayaan (0,000 < 0,05). Kesimpulannya H0 ditolak, Ha diterima. Artinya secara bersama-sama (simultan), keenam variabel independen yaitu CAR, KAP1, GCG, NIM, BOPO, LDR mempengaruhi variabel dependen yaitu gejala financial distress.