HASIL DAN PEMBAHASAN
4.2 Analisis Hasil Penelitian
4.2.1 Analisis Statistik Deskriptif
Informasi yang dibutuhkan dalam penelitian ini merupakan data sekunder yang diperoleh dari www.idx.co.id berupa data keuangan sampel perusahaan perbankan dari tahun 2011 sampai 2013 yang dijabarkan dalam bentuk statistik. Variabel penelitian ini terdiri dari ROA, Leverage, Total Asset Turnover sebagai variabel bebes
(independent variable), Nilai Perusahaan sebagai variabel terikat
(dependent variable) , dan Kepemilikan Manajerial sebagai variabel
pemoderasi (Moderating variable). Statistik deskriptif dari variabel tersebut dari sampel perusahaan perbankan selama periode 2011 sampai 2013 dalam tabel berikut.
Tabel 4.1
Statistik Deskriptif variabel- variabel selama tahun 2011-2013
Descriptive Statistics
N Range Minimum Maximum Mean Std. Deviation Variance
ROA 45 4.18 .52 4.70 2.3607 1.04758 1.097 Leverage 45 .36 .81 1.17 .8911 .05153 .003 TAT 45 .30 .00 .30 .0658 .09176 .008 KM 45 .56 .00 .56 .0953 .17852 .032 NP 45 4.55 .00 4.55 1.8222 1.40562 1.976 Valid N (listwise) 45 Sumber : Hasil SPSS 16
Berikut ini perincian data deskriptif yang telah diolah:
a. Variabel Y sebagai Nilai perisahaan (NP) memiliki nilai terendah 0% dan nilai tertinggi 4,55% .Dengan rata-rata 1,82% dan standar deviasinya 1,40% dari varian. Nilai range 4,55% yang menunjukan selisih antara nilai maksimum dan minimum dan nilai variance 1,97% yang menunjukkan seberapa jauh nilai varian dari mean. Serta jumlah pengamatan sebanyak 45.
b. Variabel X1 sebagai Return On Asset (ROA) memiliki nilai terendah 0,52% dan nilai tinggi 4,70%. Dengan nilai rata-rata sebesar 2,36% dan standar deviasinya 1,04%. Nilai range 4,18% yang menunjukan selisih antara nilai maksimum dan minimum dan nilai variance 1,04% yang menunjukkan seberapa jauh nilai varian dari mean. Serta jumlah pengamatan sebanyak 45.
c. Variabel X2 sebagai Leverage memiliki nilai minimum 0,81% dan nilai maksimum 1,17%. Dengan nilai rata-rata sebesar 0,89% dan standar deviasinya 0,05%. Nilai range 0,35% yang menunjukan selisih antara nilai maksimum dan minimum dan nilai variance 0,003% yang menunjukkan seberapa jauh nilai varian dari mean.Serta jumlah pengamatan sebanyak 45.
d. Variabel X3 sebagai Total Asset Turnover (TAT) memiliki nilai minimum 0% dan nilai maksimum 0,30%. Dengan nilai rata-rata sebesar 0,06% dan standar deviasinya 0,09%. Nilai range 0,30% yang menunjukan selisih antara nilai maksimum dan minimum dan nilai variance 0,008% yang
menunjukkan seberapa jauh nilai varian dari mean. Serta jumlah pengamatan sebanyak 45.
e. Variabel Z sebagai Kepemilikan Manajerial memiliki nilai minimum 0% dan nilai maksimum 0,56% dengan nilai rata-rata sebesar 0,09% dan standar deviasinya 0,17%. Nilai range 0,56% yang menunjukan selisih antara nilai maksimum dan minimum dan nilai variance 0,032% yang menunjukkan seberapa jauh nilai varian dari mean. Serta jumlah pengamatan sebanyak 45.
4.3 Uji Asumsi Klasik
4.3.1 Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam mode regresi, variabel terikat dan variabel bebas keduanya mempunyai distribusi normal atau tidak (Ghozali, 2005). Pengujian normalitas terhadap data dilakukan dengan melihat Histogram, Normal Probability Plot dan uji Kolmogorov – Smirnov.
Gambar 4.1 Grafik Histrogram
Grafik histrogram pada gambar 4.1 diatas dapat menunjukkan bahwa distribusi data memiliki kurva berbentuk lonceng dimana distribusi data tidak melenceng ke kiri maupun ke kanan. Hal ini menunjukkan bahwa data telah terdistribusi secara normal. Hal ini juga didukung dengan hasil uji normalitas dengan menggunakan grafik P-Plot.
Gambar 4.2
Grafik Normal P-Plot
Gambar 4.2 menunjukan bahwa grafik memberikan pola distribusi normal, dikarenakan terlihat titik- titik menyebar mendekati dari garis diagonal. Sehingga model regresi layak untuk dipakai dalam penelitian ini.
Hasil ini diperkuat dengan menggunakan uji normalitas
H0 : data residual berdistribusi normal
H1 : data residual tidak berdistribusi normal
Berdasarkan pengolahan data dengan menggunakan SPSS, diperoleh hasil perhitungan Kolmogorov- Smilenov model regresi sebagai berikut:
Tabel 4.2
One- Sample Kolmogrov- Smirnov Test One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual N Mean Std. Deviation Absolute Positive Negative 45 Normal Parametersa .0000000 1.23528776
Most Extreme Differences .127
.127 -.090
Kolmogorov-Smirnov Z .855
Asymp. Sig. (2-tailed) .458
a. Test distribution is Normal.
Sumber : Hasil SPSS 16
Dari tabel 4.2 diketahui nilai Kolmogorov-Smirnov sebesar 0,855 dan Asymp sig.(2-tailed) sebesar 0,458 signifikan lebih besar dari 0,05 (nilai signifikan > 0,05) atau 0,458 > 0,05. Hal ini berarti H0 diterima, atau dengan kata lain data residual berdistribusi nolrmal. Dapat disimpulkan dari ketiga uji normalitas tersebut yaitu, Histogram Normal Probability
Plot dan uji Kolmogorov – Smirnov semua menyatakan data tersebut
4.3.2 Uji Multikolinieritas
Pengujian multikolinieritas dilakukan untuk memenuhi salah satu asumsi penting dalam model regresi berganda, yaitu variabel- variabel independen dalam model regresi tersebut tidak berkorelasi secara sempurna. Uji multikolinieritas pada penelitian ini dilakukan dengan melihat angka tolerance dan nilai VIF dari masing- masing variabel independen yang diuji. Hasil pengujian dapat dilihat pada tabel berikut:
Tabel 4.3 Uji Multikolinieritas Coefficientsa Model Unstandardized Coefficients Standardized Coefficients T Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
(Constant) ROA Leverage TAT KM 4.254 3.754 1.133 .264 .277 .211 .206 1.310 .198 .780 1.282 -2.805 4.083 -.103 -.687 .496 .862 1.160 -6.540 2.368 -.427 -2.761 .009 .808 1.238 -1.622 1.195 -.206 -1.358 .182 .838 1.193 a. Dependent Variable: NP Sumber : Hasil SPSS 16
Batas yang digunakan anka tolerance adalah 0,01 dan batas untuk nilai VIF adalah 10. Dari hasil pengujian yang dilakukan terlihat bahwa tidak ada nilai tolerance yang kurang dari 0,01 dan tidak ada angka VIF
yang lebih dari 10, maka dapat disimpulkan bahwa tidak terjadi multikoninearitas antar variabel bebes dalam model regresi.
4.3.3 Uji Autokorelasi
Uji ini bertujuan menguji apakah dalam model regresi linear ada korelasi antar kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 (sebelumnya). Autokorelasi terjadi karena observasi yang berurutan terjadi dengan yang lainnya. Untuk mengetahui adanya autokorelasi dilakukan dengan uji statistik Box Pierce dan Ljung Box digunakan melihat adanya autokorelasi dengan lag lebih dari dua.
Tabel 4.4 Uji Autokorelasi
Autocorrelations
Series:Unstandardized Residual
Lag Autocorrelation Std. Errora
Box-Ljung Statistic Value df Sig.b 1 .000 .144 .000 1 .999 2 -.125 .143 .773 2 .679 3 -.055 .141 .927 3 .819 4 .054 .139 1.079 4 .898 5 -.101 .138 1.622 5 .899 6 .005 .136 1.623 6 .951 7 -.305 .134 6.792 7 .451 8 -.196 .132 8.980 8 .344 9 .082 .130 9.372 9 .404 10 -.115 .129 10.178 10 .425 11 .177 .127 12.135 11 .354 12 .033 .125 12.205 12 .429 13 -.124 .123 13.222 13 .431 14 -.013 .121 13.232 14 .508 15 .606 .119 39.144 15 .001 16 -.012 .117 39.156 16 .001
a. The underlying process assumed is independence (white noise). b. Based on the asymptotic chi-square approximation.
Hasil statistik Ljung Box menjelaskan bahwa empat belas lag (14) ternyata tidak signifikan dan dua lag (2) signifikan. Dari hasil tersebut tidak ada autokorelasi, dikarenakan hasil uji Ljung Box menjelaskan jika jumlah lag yang signifikan lebih dari dua maka terjadi autokorelasi, dari hasil diatas tidak lebih dari dua lag yang singnifikan maka tidak terjadi autokorelasi.