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. Statistik deskriptif memberikan gambaran atau deskripsi suatu data yang dilihat dari nilai rata-rata (mean), standar deviasi, nilai maksimum, nilai minimum dari variabel independen dan dependen.
Tabel 4. 2 Statistik Deskriptif Descriptive Statistics
N Minimum Maximum Mean Std. Deviation
CR 32 .04 6.89 2.4166 1.86391 DER 32 .22 3.18 1.1039 .64323 TATO 32 .15 1.03 .5667 .27122 NPM 32 .01 .36 .1062 .07849 ROI 32 .00 .10 .0478 .02497 PL 32 -.91 6.78 .8658 1.93781 Valid N (listwise) 32
Sumber : Output SPSS, diolah penulis, 2010
Dari tabel 4.2 dapat dijelaskan beberapa hal seperti yang dijelaskan di bawah ini.
a. Variabel independen current ratio (CR) memiliki nilai minimun 0,04 yang dimiliki oleh PT Panin Insurance Tbk dan nilai maksimum 6,89 yang dimiliki oleh PT Asuransi Harta Aman Pratama Tbk. Rata-rata
current ratio (CR) sebesar 2,4166 dan standar deviasi 1,86391
dengan jumlah pengamatan sebanyak 32.
b. Variabel independen debt to equity ratio (DER) memiliki nilai minimun 0,22 yang dimiliki oleh PT Lippo General Insurance Tbk dan nilai maksimum 3,18 yang dimiliki oleh PT Asuransi Bina Dana
Arta Tbk. Rata-rata debt to equity ratio (DER) sebesar 1,1039 dan standar deviasi 0,64323 dengan jumlah pengamatan sebanyak 32. c. Variabel total assets turnover (TATO) memiliki nilai minimun 0,15
yang dimiliki oleh PT Panin Insurance Tbk dan nilai maksimum 1,03 yanng dimiliki oleh PT Maskapai Reasuransi Indonesia Tbk. Rata-rata total assets turnover (TATO) sebesar 0,5667 dan standar deviasi 0,27122 dengan jumlah pengamatan sebanyak 32.
d. Variabel net profit margin (NPM) memiliki nilai minimun 0,01 yang dimiliki oleh PT Asuransi Bina Dana Arta Tbk dan nilai maksimum 0,36 yang dimiliki oleh PT Panin Insurance Tbk. Rata-rata net profit
margin (NPM) sebesar 0,1062 dan standar deviasi 0,07849 dengan
jumlah pengamatan sebanyak 32.
e. Variabel return on investment (ROI) memiliki nilai minimun 0,00 yang dimiliki oleh PT Lippo General Insurance Tbk dan nilai maksimum 0,10 yang dimiliki oleh PT Asuransi Multi Artha Guna Tbk. Rata-rata return on investment (ROI) sebesar 0,0478 dan standar deviasi 0,02497 dengan jumlah pengamatan sebanyak 32. f. Variabel pertumbuhan laba (PL) memiliki nilai minimun -0,91 yang
dimiliki oleh PT Lippo General Insurance Tbk dan nilai maksimum 6,78 yang dimiliki oleh PT Lippo General Insurance Tbk juga. Rata-rata pertumbuhan laba (PL) sebesar 0,8658 dan standar deviasi 1,93781 dengan jumlah pengamatan sebanyak 32.
2. Pengujian Asumsi Klasik a. Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal. Model regresi yang baik adalah distribusi data normal atau mendekati normal. Seperti diketahui bahwa uji-t dan uji-F mengasumsikan bahwa nilai residual mengikuti distribusi normal. Kalau asumsi ini dilanggar maka uji statistik menjadi tidak valid untuk jumlah sampel kecil. Ada dua cara untuk mendeteksi apakah residual berdistribusi normal atau tidak yaitu dengan analisis grafik dan uji analisis statistik.
1) Analisis Grafik
Pada prinsipnya normalitas dapat dideteksi dengan melihat histogram dari residualnya atau dengan melihat penyebaran data (titik) pada sumbu diagonal dari grafik. Dasar pengambilan kesimpulan sebagaimana dikemukakan Ghozali (2005 : 112) :
c) Jika data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal atau grafik histogramnya menunjukkan pola distribusi normal, maka model regresi memenuhi asumsi normalitas.
d) Jika data menyebar jauh dari diagonal dan/atau tidak mengikuti arah garis diagonal atau grafik histogram tidak menunjukkan pola distribusi normal, maka model regresi tidak memenuhi asumsi normalitas.
Hasil analisis grafik dari data penelitian dapat dilihat pada gambar berikut.
Gambar 4. 1 Histogram
Sumber : Output SPSS, diolah penulis, 2010
Dengan melihat tampilan grafik gambar 4. 1 dapat disimpulkan bahwa grafik histogram memberikan pola distribusi yang normal, tidak menceng ke kiri maupun menceng ke kanan. Dengan demikian dapat disimpulkan bahwa model regresi telah memenuhi asumsi normalitas.
Namun demikian hanya dengan melihat histogram hal ini dapat menyesatkan, khususnya untuk jumlah sampel yang kecil. Metode yang lebih handal adalah dengan melihat normal probability plot yang membandingkan distribusi kumulatif dari distribusi normal. Distribusi normal akan membentuk satu garis lurus diagonal, dan ploting data residual akan membandingkan denagn garis diagonal. Jika distribusi data residual normal, maka garis yang menggambarkan data sesungguhnya akan mengikuti garis diagonalnya.
Hasil analisis dengan menggunakan normal probability plot dapat dilihat pada gambar dibawah ini.
Gambar 4. 2 Grafik Normal P-P Plot Sumber : Output SPSS, 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.
2) Analisis Statistik
Salah satu uji statistik yang dapat digunakan untuk menguji normalitas residual adalah uji statistik non-parametrik Kolmogorov-Smirnov (K-S). Uji K-S dilakukan dengan membuat hipotesis :
H0 : data residual berdistribusi normal Ha : data residua l tidak berdistribusi normal
Hasil analisis statistik data penelitian dengan menggunakan program SPSS versi 18 adalah sebagai berikut :
Tabel 4. 3 Hasil Uji Statistik
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 32
Normal Parametersa,b Mean .0000000
Std. Deviation 1.62528850
Most Extreme Differences Absolute .176
Positive .176
Negative -.120
Kolmogorov-Smirnov Z .996
Asymp. Sig. (2-tailed) .275
a. Test distribution is Normal. b. Calculated from data.
Sumber : Output SPSS, diolah penulis, 2010
Dari tabel 4. 3 diatas dapat dilihat besarnya nilai Kolmogorov-Smirnov adalah 0,996 dan signifikan pada 0,275. Hal ini berarti Ho diterima yang berarti data residual berdistribusi normal. Hasilnya konsisten dengan uji sebelumnya.
b. Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel independen. Model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel independen. Multikolinearitas dapat dilihat dari nilai tolerance dan lawannya dan dari
Variance Inflation Factor (VIF). Tolerance mengukur variabilitas
variabel independen yang terpilih yang tidak dijelaskan oleh variabel independen lainnya. Jadi, nilai tolerance yang rendah sama dengan nilai VIF tinggi. Nilai yang umum dipakai untuk menunjukkan adanya
multikolinearitas adalah nilai tolerance ≤ 0,10 atau sama dengan nilai
VIF ≥ 10.
Tabel 4. 4
Hasil Uji Multikolinearitas Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) .417 1.382 .302 .765 CR .535 .206 .514 2.599 .015 .691 1.447 DER .037 .542 .012 .068 .946 .836 1.196 TATO -4.877 2.389 -.683 -2.041 .051 .242 4.133 NPM -3.030 7.883 -.123 -.384 .704 .265 3.768 ROI 46.011 24.098 .593 1.909 .067 .281 3.564 a. Dependent Variable: PL
Sumber : Output SPSS, diolah penulis, 2010
Hasil perhitungan nilai tolerance menunjukkan tidak ada variabel independen yang memiliki nilai tolerance ≤ 0,10, dimana tolerance value
CR yaitu 0,691; DER senilai 0,836; TATO senilai 0,242; NPM senilai 0,265; ROI senilai 0,281, yang berarti tidak ada korelasi antar variabel independen. Hasil perhitungan VIF juga menunjukkan hal yang sama tidak ada satu pun variabel independen yang memiliki nilai VIF ≥ 10,
dimana VIF CR yaitu 1,447; DER senilai 1,196; TATO senilai 4,133; NPM senilai 3,768; ROI senilai 3,564. Jadi, dapat disimpulkan bahwa tidak ada multikolinearitas antar variabel independen dalam model regresi.
c. Uji Autokorelasi
Uji autokorelasi bertujuan untuk 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. Autokorelasi timbul karena residual (kesalahan pengganggu) tidak bebas dari satu observasi ke observasi lainnya. Ada beberapa cara yang dapat digunakan untuk mendeteksi masalah dalam autokorelasi diantaranya adalah dengan uji Durbin Watson (DW test). Hipotesis yang akan diuji adalah :
H0 = tidak ada autokorelasi Ha = ada autokorelasi
Pengambilan keputusan ada tidaknya autokorelasi : Tabel 4. 5
Kriteria Pengambilan Keputusan Uji Durbin-Watson
Sumber : Ghozali, 2009:100
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 .545a .297 .161 1.77470 1.430
a. Predictors: (Constant), ROI, CR, DER, NPM, TATO b. Dependent Variable: PL
Sumber : Output SPSS, diolah penulis, 2010
Nilai DW sebesar 1,430 kemudian dibandingkan dengan nilai tabel dengan menggunakan nilai signifikansi 5%, jumlah sampel 32 (n=32) dan jumlah variable independen 5 (k=5). Dari Durbin Watson test bound,
Hipotesis Nol Keputusan Jika
Tidak ada autokorelasi positif Tolak 0 < d < dl Tidak ada autokorelasi positif No Decision dl ≤ d ≤ du
Tidak ada korelasi negatif Tolak 4 − dl < d < 4
Tidak ada korelasi negatif No Decision 4 − du ≤ d ≤ 4 − dl
diperoleh nilai batas atas (du) sebesar 1,819 dan nilai batas bawah (dl) sebesar 1,109. Oleh karena nilai DW berada diantara batas bawah dan batas atas (dl ≤ d ≤ du), maka dapat disimpulkan bahwa tidak ada
autokorelasi positif.
d. Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk 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 homoskedastisitas dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik adalah yang homoskedastisitas atau tidak terjadi heteroskedastisitas.
Gambar 4. 3
Hasil Uji Heteroskedastisitas (Scatterplot) Sumber : Output SPSS, diolah penulis, 2010
Dari grafik scatterplots terlihat bahwa titik-titik menyebar secara acak serta tersebar baik diatas maupun dibawah angka 0 pada sumbu Y.
Hal ini dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi, sehingga model regresi layak dipakai untuk melihat pertumbuhan laba pada perusahaan asuransi yang terdaftar di BEI berdasarkan masukan variabel independen current ratio, debt to equity
ratio, total assets turnover, net profit margin, dan return on investment.