BAB IV Hasil dan Pembahasan
B. Analisis Data Penelitian
1. Analisis Statistik Deskriptif
Statistik deskriptif adalah statistik yang digunakan untuk menganalisa data dengan cara mendeskripsikan atau menggambarkan data yang telah terkumpul (Sugiyono, 2004: 142). Statistik deskriptif memberikan penjelasan mengenai nilai minimum, nilai maksimum, nilai rata-rata (mean), dan nilai standar deviasi dari variabel-variabel independen dan variabel dependen.
Tabel 4.2 Statistik Deskriptif
Descriptive Statistics
N Minimum Maximum Mean Std. Deviation
CR 33 ,2905 8,0165 2,701581 1,8056834 DR 33 ,1391 ,7846 ,446803 ,1845831 TATO 33 ,0002 ,6000 ,242187 ,1499364 ROA 33 ,0001 3,5460 ,212079 ,6087317 ROE 33 ,0004 5,3128 ,352443 ,9097738 OPM 33 ,0354 ,5660 ,224991 ,1417037 PL 33 -,9985 6,1683 ,632383 1,6033776 Valid N (listwise) 33
Sumber: Data diolah penulis, 2010
Dari tabel 4.2 dapat dijelaskan beberapa hal seperti yang dijelaskan di bawah ini.
a. Variabel current ratio (CR) memiliki nilai minimun 0,2905 yang diperoleh PT Timah Tbk. dan nilai maksimum 8,0165 yang diperoleh PT Aneka Tambang Tbk. dengan rata-rata current ratio (CR) sebesar
2,701581 dan standar deviasi 1,8056834 dengan jumlah pengamatan sebanyak 33.
b. Variabel debt ratio (DR) memiliki nilai minimun 0,1391 yang diperoleh PT Central Corporindo Int’l Tbk. dan nilai maksimum 0,7846 yang diperoleh PT Bumi Resources Tbk. dengan rata-rata debt ratio (DR) sebesar 0,446803 dan standar deviasi 0,1845831 dengan jumlah pengamatan sebanyak 33.
c. Variabel total assets turnover (TATO) memiliki nilai minimun 0,0002 yang diperoleh PT Apexindo Pratama Duta Tbk. dan nilai maksimum 0,6000 yang diperoleh PT Radiant Utama Interinsco Tbk. dengan rata-rata total assets turnover (TATO) sebesar 0,242187 dan standar deviasi 0,1499364 dengan jumlah pengamatan sebanyak 33.
d. Variabel return on asset (ROA) memiliki nilai minimun 0,0001 yang diperoleh PT Bumi Resources Tbk. dan nilai maksimum 3,5460 yang diperoleh PT Timah Tbk. dengan rata-rata return on asset (ROA) sebesar 0,212079 dan standar deviasi 0,6087317 dengan jumlah pengamatan sebanyak 33.
e. Variabel return on equity (ROE) memiliki nilai minimun 0,0004 yang diperoleh PT Bumi Resources Tbk. dan nilai maksimum 5,3128 yang diperoleh PT Timah Tbk. dengan rata-rata return on equity (ROE) sebesar 0,352443 dan standar deviasi 0,9097738 dengan jumlah pengamatan sebanyak 33.
f. Variabel operating profit margin (OPM) memiliki nilai minimun 0,0354 yang diperoleh PT Central Corporindo Int’l Tbk. dan nilai maksimum 0,5660 yang diperoleh PT Aneka Tambang Tbk. dengan rata-rata
operating profit margin (OPM) sebesar 0,224991 dan standar deviasi
0,1417037 dengan jumlah pengamatan sebanyak 33.
g. Variabel pertumbuhan laba (PL) memiliki nilai minimun -0,9985 yang diperoleh PT Central Corporindo Int’l Tbk. dan nilai maksimum 6,1683 yang diperoleh PT Timah Tbk. dengan rata-rata pertumbuhan laba (PL) sebesar 0,632383 dan standar deviasi 1,6033776 dengan jumlah pengamatan sebanyak 33.
2. Pengujian Asumsi Klasik
Untuk menghasilkan suatu model regresi yang baik, analisis regresi memerlukan pengujian asumsi klasik sebelum melakukan pengujian hipotesis. Apabila terjadi penyimpangan dalam pengujian asumsi klasik perlu dilakukan perbaikan terlebih dahulu.
a. Uji Normalitas Data
Uji normalitas bertujuan untuk menguji apakah variabel residual berdistribusi normal. Pengujian normalitas data pada penelitian ini menggunakan analisis grafik dan analisis statistik. Analisis grafik untuk melihat normalitas data dilakukan dengan melihat grafik histogram dan kurva normal probability plot. Grafik histogram menunjukkan apakah data berdistribusi normal atau tidak. Data dikatakan normal jika bentuk
kurva memiliki kemiringan yang cenderung seimbang, baik pada sisi kiri maupun sisi kanan, atau tidak condong ke kiri maupun ke kanan, melainkan ke tengah dengan bentuk seperti lonceng (Lubis, 2007: 29).
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 Uji Normalitas
Grafik Histogram Sumber: Data diolah penulis, 2010
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. Beberapa cara mengatasi data outlier yaitu:
1) lakukan transformasi data ke bentuk lainnya, 2) lakukan trimming, yaitu membuang data outlier,
3) lakukan winsorizing, yaitu mengubah nilai data yang outlier ke suatu nilai tertentu.
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, OPM) menjadi Ln_Pertumbuhan Laba = f(Ln_CR, Ln_DR, Ln_TATO, Ln_ROA, Ln_ROE, Ln_OPM). 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 pada gambar 4.2 menunjukkan pola distribusi normal karena grafik tidak menceng kiri maupun menceng kanan. Dengan demikian dapat disimpulkan bahwa model regresi memenuhi asumsi normalitas.
Gambar 4.3 Grafik Normal P-Plot Sumber: Data diolah penulis, 2010
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 One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 33
Normal Parametersa,b Mean ,0000000
Std. Deviation 1,24110591
Most Extreme Differences Absolute ,135
Positive ,082
Negative -,135
Kolmogorov-Smirnov Z ,778
Asymp. Sig. (2-tailed) ,581
a. Test distribution is Normal.
Sumber: Data diolah penulis, 2010
Dari hasil pengolahan data pada tabel 4.3 diperoleh besarnya nilai
Kolomogorov-Smirnov adalah 0,778 dan signifikan pada 0,581. 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.
b. Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah terdapat korelasi antar variabel independen dalam model regresi. Jika pada model regresi terjadi multikolinearitas, maka koefisien regresi tidak dapat ditaksir dan nilai standard error menjadi tidak terhingga. 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) ,179 ,791 ,226 ,823 Ln_CR -,157 ,463 -,080 -,338 ,738 ,602 1,662 Ln_DR -,143 ,565 -,059 -,253 ,802 ,609 1,642 Ln_TATO ,369 ,363 ,245 1,018 ,318 ,579 1,726 Ln_ROA -,127 ,182 -,209 -,696 ,492 ,373 2,678 Ln_ROE ,156 ,237 ,228 ,659 ,516 ,282 3,543 Ln_OPM ,138 ,376 ,086 ,367 ,717 ,609 1,641 a. Dependent Variable: Ln_PL
Sumber: Data diolah penulis, 2010
Hasil pengujian data pada tabel 4.4 menunjukkan nilai tolerance variabel independen lebih dari 0,10. Hal ini dapat dilihat pada tolerance
value Ln_CR sebesar 0,602; Ln_DR sebesar 0,609; Ln_TATO sebesar
0,579; Ln_ROA sebesar 0,373; Ln_ROE sebesar 0,282; dan Ln_OPM sebesar 0,609. Selain itu nilai Variance Inflation Factor pada tabel 4.4 kurang dari 10. Hal ini dapat dilihat pada VIF Ln_CR sebesar 1,662; Ln_DR sebesar 1,642; Ln_TATO sebesar 1,726; Ln_ROA sebesar 2,678; Ln_ROE sebesar 3,543; dan Ln_OPM sebesar 1,641. Dengan demikian dapat disimpulkan bahwa dalam model regresi tidak terjadi multikolinearitas antar variabel independen.
c. Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk melihat apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Analisis pada gambar Scatterplot yang menyatakan model regresi linear berganda tidak terdapat heteroskedastisitas jika:
1) titik-titik data menyebar di atas dan di bawah atau di sekitar angka 0,
2) titik-titik data tidak mengumpul hanya di atas atau di bawah saja, 3) penyebaran titik-titik data tidak boleh membentuk pola
bergelombang melebar kemudian menyempit dan melebar kembali, 4) penyebaran titik-titik data sebaiknya tidak berpola.
Gambar 4.4
Hasil Uji Heteroskedastisitas Grafik Scatterplot Sumber: Data diolah penulis, 2010
Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara acak serta tidak membentuk pola tertentu atau tidak teratur. Hal ini dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi. Ada tidaknya heteroskedastitas juga dapat dilakukan dengan pendekatan statistik yakni dengan menggunakan uji glejser.
Tabel 4.5 Uji Glejser Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) -,078 ,412 -,190 ,851 Ln_CR -,279 ,241 -,246 -1,156 ,258 Ln_DR -,348 ,295 -,250 -1,181 ,248 Ln_TATO -,327 ,189 -,375 -1,730 ,096 Ln_ROA -,054 ,095 -,155 -,572 ,572 Ln_ROE ,013 ,123 ,033 ,105 ,917 Ln_OPM -,259 ,196 -,280 -1,325 ,197
a. Dependent Variable: absut
Sumber: Data diolah penulis, 2010
Hasil pengujian yang terlihat pada tabel 4.5 menunjukkan nilai signifikan keenam variabel independen lebih besar 0,05. Hal ini dapat dilihat pada nilai Ln_CR sebesar 0,258; Ln_DR sebesar 0,248; Ln_TATO sebesar 0,096; Ln_ROA sebesar 0,572; Ln_ROE sebesar 0,917; dan Ln_OPM sebesar 0,197. Dengan demikian dapat disimpulkan bahwa dalam model regresi tidak terjadi heteroskedastisitas antar variabel independen.
d. Uji Autokorelasi
Pengujian autokorelasi bertujuan untuk menguji apakah terdapat korelasi antara kesalahan pengganggu pada suatu periode dengan kesalahan pengganggu periode sebelumnya dalam model regresi. Jika terjadi autokorelasi dalam model regresi berarti koefisien korelasi yang diperoleh menjadi tidak akurat, sehingga model regresi yang baik adalah model regresi yang bebas dari autokorelasi. Cara yang dapat dilakukan untuk mendeteksi ada tidaknya autokorelasi adalah dengan melakukan pengujian Durbin Watson (DW). Dalam model regresi tidak terjadi autokorelasi apabila nilai du < dw < 4 – du.
Tabel 4.6 menyajikan hasil uji Durbin Watson dengan menggunakan program SPSS Versi 18.
Tabel 4.6
Hasil Uji Autokorelasi
Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 ,353a ,125 ,077 1,3768834 2,367
a. Predictors: (Constant), Ln_OPM, Ln_TATO, Ln_DR, Ln_ROA, Ln_CR, Ln_ROE b. Dependent Variable: Ln_PL
Sumber: Data diolah penulis, 2010
Hasil uji autokorelasi di atas menunjukkan nilai statistik Durbin
Watson (DW) sebesar 2,367. Nilai ini akan penulis bandingkan dengan
nilai tabel dengan menggunakan signifikansi 5%, jumlah pengamatan (n) sebanyak 33, dan jumlah variabel independen 6 (k=6). Maka berdasarkan tabel Durbin Watson didapat nilai batas atas (du) sebesar
1,8999 dan nilai batas bawah (dl) sebesar 1,0607. Oleh karena itu, nilai (dw) lebih besar dari 1,8999 dan lebih kecil dari 4 – 1,8999 atau dapat dinyatakan bahwa 1,8999 < 2,367 < 4 – 1,8999 (du < dw < 4 – du). Dengan demikian dapat disimpulkan tidak terdapat autokorelasi baik positif maupun negatif.