BAB IV HASIL PENELITIAN DAN PEMBAHASAN
4.2 Analisis Hasil Penelitian
4.2.1 Analisis Statistik Deskriptif
Analisis statistik deskriptif adalah cara analisis dengan
menggambarkan kumpulan data atau hasil pengamatan sebagaimana
adanya, tanpa adanya generalisasi pada kesimpulannya. Dalam statistik
deskriptif ini akan dijelaskan mengenai nilai minimum, nilai maksimum,
independen dan variabel dependen. Informasinya seperti yang ditunjukkan
oleh tabel berikut ini:
Tabel 4.1
Descriptive Statistics
N Minimum Maximum Mean Std. Deviation
Metode Arus Biaya Persediaan Nilai Persediaan Profit Margin 48 48 48 .00 2.13 -.09 1.00 4.12 .35 .7500 3.8611 .0848 .43759 .75671 .09901 Nilai Perusahaan 48 .05 12.66 2.0128 2.48116 Valid N (listwise) 48
Sumber: Output SPSS, diolah penulis 2013
Dari tabel 4.1 di atas, dapat dijelaskan bahwa:
1. Variabel metode arus biaya persediaan (X1) memiliki nilai
minimum sebesar 0.00 dan nilai maksimum sebesar 1.00. Nilai
rata-rata dari metode arus biaya persediaan sebesar 0.7500
dengan standar deviasi sebesar 0.43759. Jumlah data yang
digunakan adalah sebanyak 48.
2. Variabel nilai persediaan (X2) memiliki nilai minimum sebesar
2.13 dan nilai maksimum sebesar 4.12. Nilai rata-rata dari nilai
persediaan sebesar 3.8611 dengan standar deviasi sebesar
0.75671. Jumlah data yang digunakan adalah sebanyak 48.
adalah 0.0848 dengan standar deviasi sebesar 0.09901. Jumlah
data yang digunakan adalah sebanya 48.
4. Variabel nilai perusahaan (Y) memiliki nilai minimum 0.05 dan
nilai maksimum 12.66. Nilai rata-rata dari nilai perusahaan
adalah 2.0128 dengan standar deviasi 2.48116. Jumlah data
yang digunakan adalah sebanyak 48.
4.2.2 Pengujian Asumsi Klasik
Uji asumsi klasik adalah persyaratan statistik yang harus dipenuhi
pada analisis regresi linear berganda yang berbasis ordinary least square
(OLS) untuk mengetahui apakah hasil estimasi regresi yang dilakukan
tidak terdapat gejala heteroskedastisitas, multikolinearitas, dan
autokorelasi. Model regresi akan dapat dijadikan alat estimasi yang tidak
bias jika telah memenuhi persyaratan BLUE (best linear unbiased
estimator) yakni tidak terdapat heteroskedastisitas, tidak terdapat multikolinearitaas, dan tidak terdapat autokorelasi (Sudrajat, 1988:164).
4.2.2.1Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam
model regresi, variabel pengganggu atau residual memiliki
distribusi normal atau tidak, karena model regresi yang baik adalah
model dengan distribusi data normal atau mendekati normal. Untuk
dilakukan dengan dua cara, yaitu yang pertama dengan analisis
statistik melalui uji Kolmogorov-Smirnov, dengan hipotesis
sebagai berikut:
H0: data residual berdistribusi normal
Ha: data residual tidak berdistribusi normal
Dengan kritreria nilai signifikansi lebih besar dari 0.05 maka H0
diterima dan Ha ditolak, sebaliknya jika nilai signifikansi lebih
kecil dari 0.05 maka H0 ditolak dan Ha diterima. Dan cara yang
kedua adalah dengan analisis grafik. Berikut ini adalah tabel hasil
uji Kolmogorov-Smirnov:
Tabel 4.2
Hasil Uji Normalitas Sebelum Transformasi Data
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 48
Normal Parametersa,,b Mean .0000000
Std. Deviation 1.84551296
Most Extreme Differences Absolute .251
Positive .251
Negative -.165
Kolmogorov-Smirnov Z 1.738
Asymp. Sig. (2-tailed) .005
a. Test distribution is Normal. b. Calculated from data.
Dari tabel 4.2 tersebut, dapat dilihat besarnya nilai
Kolmogorov-Smirnov adalah 1.738 dengan nilai signifikansi
sebesar 0.005. Dari hasil ini dapat diketahui bahwa nilai Asymp.
Sig. (2-tailed) yaitu sebesar 0.005 lebih kecil dari 0.05. Dengan demikian H0 ditolak dan Ha diterima, atau dengan kata lain, data
residual tidak berdistribusi normal. Data yang tidak terdistribusi
secara normal, dapat ditransformasikan agar menjadi normal
(Ghozali, 2005). Oleh karena itu, untuk mengubah data ini menjadi
normal, maka penulis menggunakan metode transformasi data.
Salah satu cara yang dapat dilakukan adalah dengan mengubah data
ke dalam bentuk logaritma natural (LN). Setelah melakukan
transformasi, penulis melakukan pengujian ulang untuk melihat
apakah data residual dalam penelitian ini sudah terdistribusi dengan
normal atau tidak. Maka berikut ini disajikan hasil pengujian
Tabel 4.3
Hasil Uji Normalitas Setelah Transformasi Data
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 45
Normal Parametersa,,b Mean .0000000
Std. Deviation .38007497
Most Extreme Differences Absolute .098
Positive .089
Negative -.098
Kolmogorov-Smirnov Z .657
Asymp. Sig. (2-tailed) .782
a. Test distribution is Normal. b. Calculated from data.
Sumber: Output SPSS, diolah penulis 2013
Dari tabel 4.3 tersebut, dapat dilihat bahwa besarnya nilai
Kolmogorov-Smirnov setelah dilakukan transformasi data ke dalam
logaritma natural (LN) adalah sebesar 0.657 dengan nilai Asymp.
Sig. (2-tailed) sebesar 0.782 lebih besar dari 0.05. dengan demikian, dapat disimpulkan H0 diterima dan Ha ditolak, dengan
kata lain data residual telah terdistribusi dengan normal.
Selanjutnya, untuk mengetahui apakah data residual telah
terdistribusi dengan normal dengan cara yang kedua, yaitu dengan
analisis grafik, yaitu grafik histogram dan grafik normal probability
plot:
Gambar 4.1 Pengujian Normalitas 2
Dari gambar 4.1 dapat dilihat bahwa setelah data
ditransformasi ke dalam logaritma natural, garis yang membentuk
grafik histogram tidak melenceng ke kiri dan ke kanan. Grafik
histogram berbentuk lonceng, ini menunjukkan bahwa data telah
Gambar 4.2 Pengujian Normalitas 3
Gambar 4.2 menunjukkan grafik normal priority plot
dimana titik-titik data menyebar di sekitar garis diagonal dan
mengikuti arah garis diagonal. Ini berarti data telah terdistribusi
4.2.2.2Uji Multikolinearitas
Untuk melihat ada atau tidaknya gejala multikolinearitas
adalah dengan cara melihat besaran korelasi antarvariabel
independen dan besarnya tingkat kolinearitas yang masih dapat
ditolerir. Batasan atau nilai cut off yang umum dipakai untuk
menunjukkan adanya multikolinearitas adalah nilai tolerance > 0,1
dan untuk nilai VIF < 10. Berikut ini tabel yang menyajikan hasil
uji multikolinearitas: Tabel 4.4 Pengujian Multikolinearitas Coefficientsa Model Unstandardized Coefficients Std. Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Toleran
ce VIF 1 Constant .022 .181 .122 .904 SQRT Metode Arus Biaya Persediaan .048 .147 .031 .329 .744 .923 1.083 SQRT Nilai Persediaan 7.880 .000 .504 5.359 .000 .922 1.085 SQRT Profit Margin 3.137 .406 .700 7.724 .000 .982 1.019
a. Dependent Variable: SQRT Nilai Perusahaan
Sumber: Output SPSS, diolah oleh penulis 2013
Berdasarkan data dari tabel 4.4 tersebut dapat diketahui
lebih besar dari 0.1, yaitu untuk variabel metode arus biaya sebesar
0.923, nilai persediaan 0.922, dan profit margin 0.982. Nilai VIF
untuk masing-masing variabel independen diketahui kurang dari
10, yaitu untuk variabel metode arus biaya 1.083, nilai persediaan
1.085, dan profit margin 1.019. Dengan demikian dapat
disimpulkan bahwa pada penelitian ini tidak terjadi
multikolinearitas.
4.2.2.3Uji Heteroskedastisitas
Untuk mengetahui apakah dalam penelitian ini terjadi
heteroskesdastisitas, dapat dilihat dengan menggunakan grafik
scatterplot, dimana dasar pengambilan keputusannya adalah
sebagai berikut:
Jika titik-titik membentuk pola tertentu yang teratur, misalnya bergelombang, melebar kemudian menyempit. Ini
mengindikasikan telah terjadi heteroskedastisitas.
Jika titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.
Gambar 4.3
Pengujian Heteroskedastisitas
Dari grafik tersebut dapat dilihat bahwa titik-titik menyebar
tanpa adanya pola yang teratur. Titik-titik tersebut juga menyebar
di atas dan di bawah sumbu Y. Maka dapat disimpulkan bahwa
tidak terjadi heteroskedastisitas pada model regresi, sehingga
model regresi ini layak dipakai untuk memprediksi variabel nilai
perusahaan berdasarkan masukan variabel independen metode arus
titik-titik yang menyebar menjauh dikarenakan adanya data observasi
yang sangat berbeda dengan data observasi yang lain.
4.2.2.4Uji Autokorelasi
Model regresi yang baik adalah model yang terbebas dari
autokorelasi. Untuk menentukan ada atau tidaknya autokorelasi
pada model regresi yang telah dibuat adalah dengan melakukan uji
Durbin-Watson. Berikut ini tabel yang menunjukkan hasi uji
Durbin-Watson: Tabel 4.5 Pengujian Autokorelasi Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .818a .670 .646 .39373 1.928
Sumber: Output SPSS, diolah penulis 2013
Dari tabel 4.5 tersebut dapat dilihat bahwa nilai statistik uji
Durbin-Watson sebesar 1.928 (berada di antara -2 sampai dengan
+2) atau dapat dikatakan mendekati 2. Dengan demikian dapat
disimpulkan bahwa tidak terjadi autokorelasi antarvariabel
4.2.3 Pengujian Hipotesis
Dari hasil pengujian asumsi klasik dapat disimpulkan bahwa model
regresi yang dipakai dalam peneliatian ini telah memenuhi model estimasi
Best Linier Unbiased Estimased (BLUE) sehingga layak dilakukan analisis regresi. Untuk mengetahui seberapa baik model regresi yang digunakan
dalam penelitian, dapat dilihat melalui tabel Goodness of Fit. Koefisien
korelasi (R Square) menunjukkan seberapa besar korelasi atau hubungan
antara variabel-variabel independen dengan variabel dependen. Nilai R
Square (R2) berada di antara 0 dan 1. Semakin tinggi nilai R Square maka
akan semakin baik model regresi. Nilai R Square yang kecil menunjukkan
kemampuan variabel independen dalam menerangkan variasi variabel
dependen sangat terbatas atau sebaliknya. Sedangkan angka koefisisen
korelasi (Adjusted R Square) menunjukkan seberapa besar variasi variabel
dependen dapat dijelaskan oleh variasi yang terjadi pada variabel
independen. Berikut ini disajikan tabel Goodness of Fit:
Tabel 4.6 Goodness of Fit Model Summary Model R R Square Adjusted R Square Std. Error of the Estimate 1 .818a .670 .646 .39373
a. Predictors: (Constant), Metode Arus Biaya Persediaan, Nilai Persediaan, Profit Margin
R Square pada model regresi adalah sebesar 0.670 yang berarti
bahwa 67 % variabel dependen (nilai perusahaan yang diproksi ke Market
to Book Value of Asset Ratio—MTBVAR) dapat dijelaskan oleh ketiga variabel independen (metode arus biaya persediaan, nilai persediaan, dan
profit margin). Sedangkan sebesar 33% sisanya dapat dijelaskan oleh
faktor-faktor lain yang tidak diteliti dalam penelitian ini. Adjusted R
Square pada model regresi ini adalah sebesar 0.646 yang berarti 64.6%
variasi variabel dependen (MTBVAR) dapat dijelakan oleh variasi yang
terjadi pada ketiga variabel independen (metode arus biaya persediaan,
nilai persediaan, dan profit margin).
4.2.3.1 Uji Signifikansi Simultan (Uji F)
Pengujian ini dilakukan untuk mengetahui apakah semua
variabel independen mempunyai pengaruh secara bersama-sama
terhadap variabel dependen. Dengan menggunakan tingkat
signifikansi (α) sebesar 5%, apabila nilai sig. F > 0.05 maka H0
diterima. Artinya variabel independen tidak mempunyai pengaruh
secara bersama-sama (simultan) terhadap variabel dependen.
Sebaliknya, apabila nilai sig. F < 0.05, maka Ha diterima, artinya
variabel independen mempunyai pengaruh secara simultan terhadap
Tabel 4.7 Hasil Uji F ANOVAb Model Sum of Squares df Mean Square F Sig. 1Regression 12.896 3 4.299 27.728 .000a Residual 6.356 41 .155 Total 19.252 44
a. Predictors: (Constant), SQRT Metode Arus Biaya Persediaan, SQRT Profit Margin, SQRT Nilai Persediaan
b. Dependent Variable: SQRT Nilai Perusahaan Sumber: Output SPSS, diolah penulis 2013
Pada tabel 4.7 dapat dilihat bahwa nilai Fhitung adalah
sebesar 27.728, sedangkan nilai Ftabel yang diperoleh adalah
sebesar 2.60552. Dengan demikian Fhitung (27.728) > Ftabel
(2.60552). Nilai sig. F yang diperoleh adalah sebesar 0.000
sedangkan nilai α adalah sebesar 0.05. Dengan demikian, nilai dari sig. F (0.000) < α (0.05). Sehingga dapat disimpulkan bahwa H0
ditolak dan Ha diterima. Yang artinya variabel independen (metode
arus biaya persediaan, nilai persediaan, dan profit margin) secara
bersama-sama mempunyai pengaruh yang signifikan terhadap
4.2.3.2 Uji Signifikansi Parameter Individual (Uji t)
Uji t (uji secara parsial) dilakukan untuk menguji apakah
setiap variabel independen secara parsial atau terpisah mempunyai
pengaruh yang signifikan terhadap variabel dependen. Untuk
mengetahui apakah terdapat pengaruh yang signifikan secara
parsial antara variabel independen (metode arus biaya persediaan,
nilai persediaan, dan profit margin) terhadap variabel dependen
(nilai perusahaan—MTBVAR) adalah dengan membandingkan nilai thitung dengan nilai ttabel pada tingkat signifikansi 5% (α = 0.05). Dalam uji t, suatu variabel independen memiliki pengaruh
secara signifikan terhadap variabel dependen jika thitung > ttabel atau –ttabel > -thitung. Pengaruh secara parsial juga dapat diketahui dengan cara membandingkan nilai probabilitas signifikansi pada tabel hasil
penelitian dimana α = 5%. Suatu variabel independen berpengaruh secara signifikan jika nilai sig. tabel < 0.05 (α = 5%).
Tabel 4.8 Hasil Uji t Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta (Constant) .022 .181 .122 .904 SQRT Metode Arus Biaya Persediaan .048 .147 .031 .329 .744 SQRT Nilai Persediaan 7.880 .000 .504 5.359 .000 SQRT Profit Margin 3.137 .406 .700 7.724 .000
Berdasarkan tabel 4.8 dapat disimpulkan bahwa:
1. Metode Arus Biaya Persediaan
Metode arus biaya persediaan secara parsial tidak berpengaruh
signifikan terhadap nilai perusahaan barang konsumsi selama
periode 2009-2011. Hal ini ditunjukkan oleh:
thitung = 0.329 < ttabel = 2.015
sig. tabel = 0.744 > α = 0.05
2. Nilai Persediaan
Nilai persediaan secara parsial berpengaruh positif dan
signifikan terhadap nilai perusahaan barang konsumsi selama
periode 2009-2011. Hal ini ditunjukkan oleh:
thitung = 5.389 > ttabel = 2.015
sig. tabel = 0.000 < α = 0.05
3. Profit Margin
Profit margin secara parsial berpengaruh positif dan signifikan terhadap nilai perusahaan pada perusahaan barang konsumsi
selama periode 2009-2011. Hal ini ditunjukkan oleh:
thitung = 7.724 > ttabel = 2.015
4.2.3.3 Analisis Persamaan Regresi
Model analisis regresi berganda hubungan antara variabel
independen dengan variabel dependen dapat diformulasikan dalam
persamaan sebagai berikut:
Dari hasil persamaan regresi berganda tersebut,
masing-masing variabel independen dapat diinterpretasikan pengaruhnya
terhadap nilai perusahaan (MTBVAR) sebagai berikut:
1. Konstanta (a) sebesar 0.22 menyatakan bahwa jika variabel
independen dianggap konstan, maka MTBVAR adalah sebesar
0.22.
2. Koefisien metode arus biaya persediaan (b1) sebesar 0.48. Hal
ini menunjukkan apabila terjadi peningkatan variabel metode
arus biaya persediaan sebesar 1%, maka akan meningkatkan
MTBVAR sebesar 0.48, dengan asumsi variabel lainnya
dianggap konstan atau sama dengan nol.
3. Koefisien nilai persediaan (b2) sebesar 7.880. Hal ini
menunjukkan apabaila terjadi peningkatan variabel nilai
persediaan sebesar 1%, maka akan meningkatkan MTBVAR
sebesar 7.880, dengan asumsi variabel lainnya dianggap
4. Koefisien profit margin (b3) sebesar 3.137. Hal ini
menunjukkan apabila terjadi peningkatan variabel profit margin
sebesar 1%, maka akan meningkatkan MTBVAR sebesar
3.137, dengan asumsi variabel lainnya dianggap konstan atau
sama dengan nol.