BAB IV HASIL PENELITIAN DAN PEMBAHASAN
4.1 Hasil Penelitian
4.1.3 Analisis Data
4.1.3.1 Analisis Regresi Linier Berganda
Analisis statistik yang digunakan dalam penelitian ini yaitu regresi linier berganda. Analisis ini digunakan untuk mengetahui besarnya pengaruh variabel-variabel bebas terhadap variabel-variabel terikat. Besarnya pengaruh variabel-variabel independen dengan variabel dependen secara bersama-sama dapat dihitung melalui suatu persamaan regresi berganda.
Berdasarkan perhitungan melalui komputer dengan menggunakan program SPSS (For Windows Versi 13) diperoleh hasil regresi sebagai berikut:
60
Tabel 4.2
Hasil Analisis Regresi Berganda
Sumber: Output SPSS
Berdasarkan tabel 4.2 di atas, maka persamaan regresi yang terbentuk pada uji regresi ini adalah:
Y= – 0,113X1 + 0,734X2 + 0,066X3 + 0,049X4 + 0,015X5 + e
Persamaan regresi tersebut dapat dijelaskan sebagai berikut:
1. b1 = -0,113 artinya bahwa nilai size naik satu satuan maka nilai struktur modal akan mengalami penurunan sebesar -0,113 dengan syarat variabel lain dianggap konstan. Pengaruh yang ditimbulkan adalah negatif yang berarti bahwa semakin kecil ukuran perusahaan maka akan mencerminkan minimnya struktur modal perusahaan tersebut.
2. b2 = 0,734 artinya bahwa nilai profit naik satu satuan maka nilai struktur modal akan mengalami kenaikan sebesar 0,734 dengan syarat variabel lain dianggap konstan. Pengaruh yang ditimbulkan adalah positif yang berarti bahwa semakin besar profit perusahaan maka akan mencerminkan besarnya struktur modal perusahaan tersebut.
3. b3 = 0,066 artinya bahwa nilai struktur kepemilikan naik satu satuan maka nilai struktur modal akan mengalami kenaikan sebesar 0,066 dengan syarat
Coefficientsa -.494 1.158 -.427 .672 -.000000231 .000 -.113 -1.077 .287 .846 1.183 7.232 .972 .734 7.444 .000 .954 1.049 .010 .015 .066 .640 .526 .873 1.145 .052 .104 .049 .506 .615 .985 1.015 .086 .595 .015 .144 .886 .896 1.116 (Constant) Size Profit Struktur_Kepemilikan Risiko Bisnis pertumbuhan_assets Model 1 B Std. Error Unstandardized Coefficients Beta Standardized Coefficients
t Sig. Tolerance VIF Collinearity Statistics
Dependent Variable: struktur_modal a.
variabel lain dianggap konstan. Pengaruh yang ditimbulkan adalah positif yang berarti bahwa semakin besar struktur kepemilikan perusahaan maka akan mencerminkan besarnya struktur modal perusahaan tersebut.
4. b4 = 0,049 artinya bahwa risiko bisnis naik satu satuan maka nilai strukutur modal akan mengalami peningkatan sebesar 0,049 dengan syarat variabel lain dianggap konstan. Pengaruh yang ditimbulkan adalah positif yang berarti bahwa semakin besar meminimalisir risiko bisnis suatu perusahaan maka akan mencerminkan semakin besar kemampuan perusahaan tersebut menghindari risiko kerugian.
5. b5 = 0,015 artinya bahwa pertumbuhan assets naik satu satuan maka nilai struktur modal akan mengalami kenaikan sebesar 0,015 dengan syarat variabel lain dianggap konstan. Pengaruh yang ditimbulkan adalah positif yang berarti bahwa semakin besar pertumbuhan assets perusahaan maka akan mencerminkan tinggi struktur modal perusahaan tersebut.
4.1.3.2 Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel terikat dan variabel bebas keduanya mempunyai distribusi normal ataukah tidak. Model regresi yang baik adalah memiliki distribusi data normal atau mendekati normal. Untuk menguji apakah distribusi data normal atau tidak, salah satu cara termudah untuk melihat normalitas adalah melihat histrogram yang membandingkan antara data observasi dengan distribusi yang mendekati distribusi normal. Namun demikian dengan hanya melihat histogram hal ini bisa
62
menyesatkan khususnya untuk jumlah sampel yang kecil. Metode yang lebih handal adalah dengan melihat Normal Probability Plot yang membandingkan distribusi kumulatif dari data sesungguhnya dengan distribusi kumulatif dari distribusi normal.
Adapun berdasarkn perhitungan menggunakan software SPSS Versi 13 didapatkan hasil sebagai berikut:
Gambar 4.1 Uji Normalitas
Jika dilihat berdasarkan gambar 4.1, maka data dari semua data berdistribusi normal. Hal ini berdasarkan data yang mengikuti garis diagonal pada
scaterplot.
4.1.3.3 Uji Asumsi Klasik
1. Uji Multikolinieritas
Multikolinearitas berarti adanya hubungan linear yang “sempurna” atau pasti, diantara beberapa atau semua variabel yang menjelaskan dari model regresi.
1.0 0.8 0.6 0.4 0.2 0.0
Observed Cum Prob
1.0 0.8 0.6 0.4 0.2 0.0 E x p e c te d C u m P ro b
Dependent Variable: struktur_modal Normal P-P Plot of Regression Standardized Residual
Istilah multikolinearitas berkenaan dengan terdapatnya lebih dari satu hubungan linear pasti, dan istilah kolinearitas dengan derajatnya satu hubungan linear (Gujarati, 1999: 157).
Menurut Imam Ghozali (2001: 63) multikolinearitas dapat juga dilihat dari nilai Tolerance dan lawannya Variance Inflation Factor (VIF). Kedua ukuran ini menunjukkan setiap variabel bebas manakah yang dijelaskan oleh variabel bebas lainnya. Dalam pengertian sederhana setiap variabel bebas menjadi variabel terikat dan diregresi terhadap variabel bebas lainnya.
Tolerance mengukur variabilitas variabel bebas yang terpilih yang tidak
dapat dijelaskan oleh variabel bebas lainnya. Jadi nilai tolerance rendah sama dengan nilai VIF tinggi (VIF = 1/tolerance) dan menunjukkan adanya kolinearitas yang tinggi. Nilai cut off yang umum dipakai adalah nilai tolerance 0,10 atau sama dengan nilai VIF di atas 10. Setiap analisa harus menentukan tingkat kolinearitas yang masih dapat ditolerir.
Tabel 4.3
Pengujian Multikolinieritas
Variabel Tolerance VIF Keterangan
Size Profit Struktur Kepemillikan Risiko Bisnis Pertumbuhan Assets 0,846 0,954 0,873 0,985 0,996 1,183 1,049 1,145 1,015 1,116
Tidak ada Multikolinieritas Tidak ada Multikolinieritas Tidak ada Multikolinieritas Tidak ada Multikolinieritas Tidak ada Multikolinieritas Sumber: Olah data SPSS
Berdasarkan tabel 4.3 di atas maka dapat diketahui bahwa seluruh variabel tidak mengalami multikolinieritas.
64
2. Uji Autokorelasi
Autokorelasi merupakan korelasi antara anggota dalam data runtun waktu (time series). Menurut Imam Ghozali (2006:95) uji Autokorelasi bertujuan menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 (sebelumnya). Jika terjadi korelasi, maka dinamakan ada problem autokorelasi.
Menurut Saidi (2004:51) pengujian terhadap adanya fenomena autokorelasi dalam data yang dianalisis dapat dilakukan dengan menggunakan
Durbin-Watson Test, dengan kriteria sebagai berikut:
d < dl : Tolak Ho
d < du : Tidak menolak Ho
dl ≤ d ≤ du : Pengujian tidak meyakinkan d > 4 - dl : Tolak Ho
d > 4 - du : Tidak menolak Ho
4 - du ≤ d ≤ 4 - dl : Pengujian tidak meyakinkan
Saidi (2004:51), rumus yang digunakan untuk menghitung statistik
Durbin-Watson Test adalah sebagai berikut:
d = ∑µt² + ∑µt²-1 – 2 ∑µt² µt-1 ∑µt²
Keterangan:
d : Statistik Durbin–Watson
∑µt : Nilai Residual pada periode t ∑µt-1 : Nilai Residual pada periode t-1
Berdasarkan hasil perhitungan menggunakan software SPSS Versi 13, maka dapat diketahui hasil sebagai berikut:
Tabel 4.4 Uji Autokorelasi
Sumber: Output SPSS
Nilai Durbin Watson sebesar 1,914, nilai ini akan dibandingkan dengan nilai tabel dengan menggunaan nilai signifikansi 5%, jumlah sampel 17 (n), maka di tabel Durbin Watson akan didapatkan nilai sebesar 1,641. Oleh karena nilai
Durbin Watson 1,914 lebih besar dari batas atas (du) 1,641 dan kurang dari 4 -
211 , maka dapat disimpulkan bahwa tidak terjadi autokorelasi.
3. Uji Heterokedastisitas
Imam Ghozali (2001:77) juga berpendapat bahwa Uji heterokedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Jika variance dari residual satu pengamatan ke pengamatan lain tetap, maka disebut homokedastisitas dan jika berbeda disebut heterokedastisitas. Model regresi yang baik adalah yang homokedastisitas atau tidak terjadi heterokedastisitas.
Pengujian heteroskedastisitas adalah menguji apakah dalam sebuah regresi terjadi ketidaksamaan varians dari residual dari satu pengamatan ke pengamatan yang lain tetap, maka disebut homoskedastisitas. Dan jika varians
Model Summaryb .763a .582 .536 1.91404 1.914 Model 1 R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson Predictors: (Constant), pertumbuhan_assets, Profit, Risiko Bisnis,
Struktur_Kepemilikan, Size a.
Dependent Variable: struktur_modal b.
66
berbeda, disebut Heteroskedastisitas. Modal regresi yang baik adalah tidak terjadi heteroskedastisitas.
Tabel 4.5 Hasil Uji Glejser
Sumber: output SPSS
Tingkat sinifikansi untuk uji glejser adalah < 0,05 yang berarti terjadi heteroskedastisitas. Berdasarkan tabel 4.5 di atas dapat diketahui bahwa tingkat signifikansi untuk seluruh variabel di atas 0,05 (>0,05) berarti bahwa seluruh variabel tidak mengalami heterokedastisitas.
4.1.3.4 Koefisien Determinasi (R
2)
Imam Ghozali (2006:83), koefisien determinasi pada intinya mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel dependen. Nilai koefisien determinasi adalah diantara nol dan satu. Nilai determinasi yang kecil berarti kemampuan variabel-variabel independen dalam menjelaskan variasi variabel dependen amat terbatas. Nilai yang mendekati satu berarti variabel-variabel independen memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen. Pengujian ini dimaksudkan untuk mengetahui tingkat kepastian yang paling baik dalam analisis regresi yang
Coefficientsa 1.231 .504 2.442 .019 -1.1E-007 .000 -.120 -1.135 .262 .846 1.183 3.191 .423 .752 7.544 .387 .954 1.049 -.006 .006 -.100 -.961 .342 .873 1.145 .009 .045 .020 .200 .842 .985 1.015 -.034 .259 -.013 -.131 .896 .896 1.116 (Constant) size profit struktur kepemilikan risiko bisnis pertumbuhan assets Model 1 B Std. Error Unstandardized Coefficients Beta Standardized Coefficients
t Sig. Tolerance VIF Collinearity Statistics
Dependent Variable: abs a.
dinyatakan dengan koefisien determinasi majemuk (R²). R² = 1 berarti
independent variabel berpengaruh sempurna terhadap dependent variabel,
sebaliknya jika R² = 0 berarti independent variabel tidak berpengaruh terhadap
dependent variabel.
Berdasarkan hasil perhitungan menggunakan software SPSS Versi 13 didapatkan hasil sebagai berikut:
Tabel 4.6 Koefisien Determinasi
Sumber: Output SPSS
Berdasarkan tabel 4.6 di atas, didapatkan hasil nilai Adjust R Square sebesar 0,536 atau 53,6%, hal ini berarti variabel bebas yang terdiri dari size, profit, struktur kepemilikan, risiko bisnis dan pertumbuhan asset dapat menerangkan variabel terikat yaitu struktur modal sebesar 53,6% sedangkan sisanya sebesar 46,5% diterangkan oleh variabel yang tidak masuk di dalam penelitian ini.