HASIL PENELITIAN DAN PEMBAHASAN
4.1. Analisis Statistik Deskriptif
Analisis statistik deskriptif digunakan untuk mengetahui deskripsi suatu data yang dilihat dari nilai maksimum, nilai minimum, nilai rata-rata (mean), dan nilai standar deviasi, dari variabel Pertumbuhan Laba, Pertumbuhan Aset, Current Ratio, Debt to Assets Ratio, Return On Assets, Net Profit Margin, dan Total Assets Turnover.
Tabel 4.1
Hasil Analisis Statistik Deskriptif
Sumber: diolah peneliti, 2018
Berdasarkan hasil statistik deskriptif yang ditampilkan di tabel 4.1, diketahui nilai Pertumbuhan Laba minimum adalah -0,94 dan nilai Pertumbuhan Laba maksimum 0,93, sementara rata-rata dan standar deviasi dari Pertumbuhan Laba adalah 0,386 dan 0,437601. Diketahui nilai Pertumbuhan aset minimum adalah -0,11 dan nilai Pertumbuhan Aset maksimum 2,13, sementara rata-rata dan standar deviasi dari Pertumbuhan Aset adalah 0,1787 dan 0,26403. Nilai Current Ratio (CR) minimum adalah 0,24 dan nilai Current Ratio (CR) maksimum 9,30,
sementara rata-rata dan standar deviasi dari Current Ratio (CR) adalah 2,1624 dan 1,55503. Nilai Debt to Assets Ratio (DAR) minimum adalah 0,13 dan nilai Debt to Assets Ratio (DAR) maksimum 0,67, sementara rata-rata dan standar deviasi dari Debt to Assets Ratio (DAR) adalah 0,4037 dan 0,14189. Nilai Return On Assets (ROA) minimum adalah 0,00 dan nilai Return On Assets (ROA) maksimum 0,36, sementara rata-rata dan standar deviasi dari Return On Assets (ROA) adalah 0,0759 dan 0,06187. Nilai Net Profit Margin (NPM) minimum adalah 0,02 dan nilai Net Profit Margin (NPM) maksimum 1,90, sementara rata-rata dan standar deviasi dari Net Profit Margin (NPM) adalah 0,3272 dan 0,27440. Nilai Total Assets Turnover (TAT) minimum adalah 0,04 dan nilai Total Assets Turnover (TAT) maksimum 0,52, sementara rata-rata dan standar deviasi dari Return On Assets (ROA) adalah 0,2345 dan 0,09262.
4.2. Pengujian Asumsi Klasik 4.2.1. Uji Normalitas
Uji normalitas bertujuan untuk mengetahui apakah variabel independen dan dependen yang digunakan dalam penelitian mempunyai distribusi normal atau tidak. Model regresi yang layak adalah model yang mempunyai distribusi normal atau mendekati normal. Penelitian ini menggunakan uji Kolmogorov-Smirnov sebagai uji normalitas terhadap residual. Dasar pengambilan keputusan adalah dengan melihat angka probabilitas sebagai berikut:
Jika sig atau p-value ≥ 0,05, maka asumsi normal terpenuhi.
Tabel 4.2
Uji Normalitas Pada Variabel Dependen Pertumbuhan Laba
Sumber: diolah peneliti, 2018
Berdasarkan Tabel 4.2, nilai probabilitas atau yang ditunjukkan oleh Asymp. Sig. (2-tailed) adalah sebesar 0,054, oleh karena nilai probabilitas 0,054 lebih besar dibandingkan tingkat signifikansi yaitu 0,05, maka berarti data terdistribusi normal karena asumsi normalitas terpenuhi.
Sumber: diolah peneliti, 2018
Gambar 4.1
Normal Probability Plot Pada Variabel Dependen Pertumbuhan Laba Berdasarkan gambar 4.1, dapat dilihat grafik normal probability plot yang menunjukkan bahwa titik-titik data menyebar di sekitar garis diagonal.
Hal ini menunjukkan bahwa data telah terdistribusi secara normal.
Tabel 4.3
Uji Normalitas Pada Variabel Dependen Pertumbuhan Aset
Sumber: diolah peneliti, 2018
Berdasarkan Tabel 4.3, nilai probabilitas atau yang ditunjukkan oleh Asymp. Sig. (2-tailed) adalah sebesar 0,066, oleh karena nilai probabilitas 0,066 lebih besar dibandingkan tingkat signifikansi yaitu 0,05, maka berarti data terdistribusi normal karena asumsi normalitas terpenuhi.
Sumber: diolah peneliti, 2018
Gambar 4.2.
Normal Probability Plot Pada Variabel Dependen Pertumbuhan Aset Berdasarkan gambar 4.2, dapat dilihat grafik normal probability plot yang menunjukkan bahwa titik-titik data menyebar di sekitar garis diagonal.
4.2.2. Uji Multikolinearitas
Uji multikolinearitas dilakukan untuk melihat ada tidaknya hubungan linear diantara variabel bebas dalam model regresi. Pengujian multikolinieritas data dalam penelitian ini menggunakan variance inflation factor dan nilai tolerance. Multikolinearitas terjadi jika VIF lebih dari 10 dan nilai tolerance lebih kecil dari 0,10. Model regresi linier berganda harus terbebas dari gejala multikolinearitas agar dapat digunakan dalam penelitian. Hasil pengujian multikolinearitas dijelaskan dalam tabel sebagai berikut:
Tabel 4.4
Uji Multikolinieritas Pada Variabel Dependen Pertumbuhan Laba
Sumber: diolah peneliti, 2018
Berdasarkan tabel 4.4 di atas berdasarkan uji multikolinearitas untuk variabel dependen Pertumbuhan Laba menunjukkan bahwa tidak terjadi multikolinieritas. Hal ini dilihat dari nilai tolerance untuk semua variabel dalam penelitian ini lebih besar dari 0,10 dan nilai VIF untuk semua variabel dalam penelitian ini memiliki nilai lebih kecil dari 10.
Tabel 4.5
Uji Multikolinieritas Pada Variabel Dependen Pertumbuhan Aset
Sumber: diolah peneliti, 2018
Berdasarkan tabel 4.5. di atas, uji multikolinearitas untuk variabel dependen Pertumbuhan Aset menunjukkan bahwa tidak terjadi multikolinieritas. Hal ini dilihat dari nilai tolerance untuk semua variabel dalam penelitian ini lebih besar dari 0,10 dan nilai VIF untuk semua variabel dalam penelitian ini memiliki nilai lebih kecil dari 10.
4.2.3. Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terdapat ketidaksamaan varians residual satu pengamatan ke pengamatan lainnya. Model regresi yang baik adalah yang tidak terjadi heteroskedastisitas. Ghozali (2016:134) mengemukakan bahwa “dasar analisis adalah jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur, maka mengindikasikan telah terjadi heteroskedastisitas, jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas”. Heteroskedastisitas dapat dideteksi dengan melihat penyebaran plot melalui gambar scatterplot sebagai berikut:
Sumber: diolah peneliti, 2018
Gambar 4.3
Grafik Scatterplot Pada Variabel Dependen Pertumbuhan Laba Berdasarkan gambar 4.3, tidak terdapat pola yang begitu jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.
Sumber: diolah peneliti, 2018
Gambar 4.4
Grafik Scatterplot Pada Variabel Dependen Pertumbuhan Aset
Berdasarkan gambar 4.4, tidak terdapat pola yang begitu jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.
4.2.4. 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) (Ghozali, 2016:107). Metode regresi yang baik apabila tidak terdapat autokorelasi.
Pengujian autokorelasi dilakukan dengan menggunakan uji Durbin-Watson.
Berikut hasil berdasarkan uji Durbin-Watson. Adapun uji yang dapat digunakan untuk mendeteksi adanya penyimpangan asumsi klasik ini adalah uji Durbin Watson (D-Watson) dengan ketentuan sebagai berikut:
1. Tidak ada autokorelasi positif jika 0 < DW < dl.
2. Tidak ada autokorelasi positif jika dl ≤ DW ≤ du.
3. Tidak ada autokorelasi negatif jika 4 - dl < DW < 4.
4. Tidak ada autokorelasi negatif jika 4-du≤ DW ≤ 4 – d.
5. Tidak ada autokorelasi positif dan negatif jika du < DW <4 – du Tabel 4.6
Uji Autokorelasi Pada Variabel Dependen Pertumbuhan Laba
Sumber: diolah peneliti, 2018
Berdasarkan tabel 4.6, nilai dari statistik Durbin-Watson adalah 1,878, berdasarkan tabel diatas nilai D-W 1,878, sedangkan hasil pengujian menurut tabel adalah sebagai berikut.
n = jumlah amatan = 116
k = jumlah variabel bebas = 5, tidak termasuk variabel terikat Tingkat signifikansi α = 0,05 diperoleh dl = 1,6084 dan du =1,7878, maka persamaaannya adalah
du < DW < 4-du = 1,6084 < 1,878 < 2,2122
Hasil yang diperoleh dapat disimpulkan bahwa tidak terjadi masalah autokorelasi positif atau negatif untuk variabel dependen Pertumbuhan Laba pada model regresi penelitian ini.
Tabel 4.7
Uji Autokorelasi Pada Variabel Dependen Pertumbuhan Aset
Sumber: diolah peneliti, 2018
Berdasarkan tabel 4.7, nilai dari statistik Durbin-Watson adalah 1,644, maka persamaannya adalah
du < DW < 4-du = 1,6084 < 1,644 < 2,2122
Hasil yang diperoleh dapat disimpulkan bahwa tidak terjadi masalah autokorelasi positif atau negatif untuk variabel dependen Pertumbuhan Aset pada model regresi penelitian ini.
4.3. Analisis Korelasi Kanonikal dan Uji Hipotesis
Setelah dilakukan pengujian asumsi klasik, persamaan korelasi kanonikal
pada penelitian kali ini dinyatakan dalam persamaan berikut:
Y1+Y2 = X1 + X2 + X3 + X4 + X5
Dimana:
Set Variabel Dependen Y1 = Pertumbuhan Laba Y2 = Pertumbuhan Aset Set Variabel Independen X1 = Current Ratio X2 = Debt to Assets Ratio X3 = Return On Assets X4 = Net Profit Margin X5 = Total Assets Turnover
Persamaan korelasi kanonikal yang telah memenuhi syarat asumsi klasik dan dapat dianalisis lebih lanjut untuk pengujian hipotesis melalui analisis korelasi kanonikal. Pengujian hipotesis melalui analisis korelasi kanonikal diawali dengan mengetik perintah SPSS berikut ini pada Syntax Editor:
MANNOVA Y1 Y2 WITH X1 X2 X3 X4 X5 /DISCRIM ALL ALPHA(1)
/PRINT = SIG (EIGEN DIM)
Berikut ini adalah hasil output SPSS pada analisis korelasi kanonikal disertai dengan pembahasannya sesuai dengan langkah-langkah analisis yang telah dijelaskan pada bab III sekaligus pengujian terhadap hipotesis penelitian.
1. Pembentukan Canonical Function (Fungsi Kanonikal)
Pembentukan fungsi kanonikal digunakan sebagai penetapan fungsi yang dapat dianalisis lebih lanjut untuk digunakan dalam interpretasi
terhadap hasil Canonical Variates. Persamaan (model) penelitian ini, terdapat dua variabel dependen dan lima variabel independen, maka akan terbentuk dua Fungsi Kanonikal di mana dari dua fungsi tersebut akan dilakukan dua uji, yakni uji bersama dan uji individu untuk penentuan fungsi yang dapat dianalisis lebih lanjut.
Langkah pertama dalam pembentukan Canonical Function (Fungsi Kanonikal) adalah Uji bersama dengan tiga uji, yakni uji Pillais, Hotellings dan Wilks yang digunakan untuk mengetahui apakah fungsi satu dan dua signifikan secara bersama-sama sekaligus untuk membuktikan apakah hipotesis penelitian ini diterima atau ditolak. Batas signifikansi yang digunakan dalam uji secara bersama-sama ini adalah ≤ 0.05 yang ditunjukkan pada kolom Significance of F. Hasil uji signifikansi secara bersama-sama akan disajikan pada Tabel 4.8 berikut ini:
Tabel 4.8
Uji Signifikansi Multivariat
Sumber: diolah peneliti, 2018
Berdasarkan Tabel 4.8, memperlihatkan hasil uji signifikansi multivariat secara bersama-sama dan menunjukkan keseluruhan nilai signifikan di bawah tingkat kepercayaan 5% (0.000 < 0,05 ), jadi dapat disimpulkan bahwa
persamaan korelasi kanonikal dalam penelitian ini signifikan, dan hipotesis penelitian diterima. Selanjutnya dilakukan Uji individu yang dapat dilihat pada tabel 4.9 berikut ini:
Tabel 4.9
Eigenvalues dan Korelasi Kanonikal
Sumber: diolah peneliti, 2018
Berdasarkan tabel 4.9, di mana penentuan fungsi yang dapat dianalisis lebih lanjut dilihat dari hasil kolom nilai Canonical Correlation dengan batas yang digunakan yaitu ≥0,5, dengan mengamati angka korelasi kanonikal (Canon Cor) untuk fungsi pertama adalah 0,82745 dan fungsi kedua adalah 0,32063.
Besaran nilai korelasi kanonikal yang nilainya melebihi 0,5 adalah fungsi pertama (0,82745 > 0,5 ) dan fungsi kedua (0,5 > 0,32063). Korelasi covariate variabel kanonikal fungsi pertama mampu menjelaskan 68,47% (0,82745 X 0,82745) variasi dalam variabel kanonikal dependen, sedangkan korelasi kanonikal fungsi kedua hanya mampu menjelaskan variasi 10,2%.
Berdasarkan dari kedua fungsi tersebut, fungsi pertama menunjukkan angka yang lebih besar sehingga fungsi yang digunakan untuk interpretasi hasil Canonical Variates adalah fungsi pertama (0,82745).
Penentuan fungsi kanonikal juga dapat ditentukan melalui analisis reduksi dimensi dengan melihat nilai pada kolom Significance of F dengan berbatas ≤ 0,05. Jika nilai Sig.of F berada di bawah batas tersebut maka bisa
dianalisis lebih lanjut untuk interpretasi Canonical Variates. Hasil analisis reduksi dimensi ditunjukkan pada tabel 4.10 berikut ini:
Tabel 4.10
Analisis Reduksi Dimensi
Sumber: diolah peneliti, 2018
Berdasarkan tabel 4.10, jika dilihat pada kolom Sig.of F yang menguji fungsi kanonikal, terlihat untuk fungsi pertama signifikan pada 0,000, sedangkan fungsi kedua signifikan pada 0,017. Besaran nilai signifikansi dari fungsi kanonikal yang berada di bawah 0,05 adalah fungsi pertama dan fungsi kedua. Namun dari kedua fungsi tersebut, fungsi pertama menunjukkan angka signifikan yang lebih kecil yaitu 0,000 sehingga fungsi kedua dapat diabaikan dalam proses analisis interpretasi Canonical Variates.
2. Interpretasi Canonical Variate
Canonical variate adalah kumpulan dari beberapa variabel yang membentuk sebuah variate. Dalam kasus ini, terdapat dua canonical variates, yaitu dependent canonical variates yang terdiri dari dua variabel dependen Y1, Y2, serta independent canonical variates yang terdiri dari lima variabel independen X1, X2, X3, X4 dan X5. Interpretasi Canonical Variates bertujuan untuk mengetahui apakah semua variabel independen dalam kanonikal variat tersebut berhubungan erat dengan dependen variat, yang
diukur dengan besaran korelasi masing-masing independen variabel dengan variatnya. Pada tahap sebelumnya telah terpilih fungsi pertama yang akan dianalisis lebih lanjut yang akan diperlihatkan dalam analisis Canonical Weight pada tabel 4.11 dan Canonical Loading pada tabel 4.12 berikut
a. Canonical Weight (Bobot Kanonikal)
Variabel yang memiliki angka weight relatif besar di atas 0,5 ( >0.5) dianggap memberikan kontribusi lebih pada variate dan sebaliknya. Hasil output SPSS bobot kanonikal akan disajikan pada Tabel 4.11 berikut ini:
Tabel 4.11
Variabel Dependen dalam Canonical Weight
Sumber: diolah peneliti, 2018
Berdasarkan tabel 4.11, dengan hanya memperhatikan fungsi pertama mengabaikan fungsi kedua, terlihat angka korelasi antara masing-masing variabel dengan variatenya. Untuk fungsi pertama pada tabel 4.11, terdapat satu angka korelasi yang berada di atas 0,5 yakni 0.87589 ( 0.87589 > 0,5) yaitu Y2, berarti variabel Pertumbuhan Aset tersebut memiliki hubungan yang kuat dengan variabel independen, sedangkan variabel Y1 Pertumbuhan Laba memiliki angka korelasi di bawah 0,5 yaitu ( 0.27136 < 0,5) yang berarti bahwa variabel Pertumbuhan Laba memiliki hubungan yang lemah dengan variabel independen.
Tabel 4.12
Variabel Independen dalam Canonical Weight
Sumber: diolah peneliti, 2018
Berdasarkan tabel 4.12, dengan hanya memperhatikan fungsi pertama mengabaikan fungsi kedua terlihat angka korelasi antara masing-masing variabel dengan variatenya. Fungsi pertama pada tabel 4.12 terdapat empat angka korelasi yang berada di atas 0,5 yakni 0,88528 (X2 DAR), -11,97972 (X3 ROA), 5,57844 (X4 NPM) dan 4,65169 (X5 TAT), berarti keempat variabel tersebut memiliki hubungan yang kuat dengan variabel dependen, sedangkan variabel (X1 CR) memiliki angka korelasi di bawah 0,5 yaitu -0.00715 yang berarti bahwa variabel tersebut memiliki hubungan yang lemah dengan variabel dependen.
b. Canonical Loading (Muatan Kanonikal)
Muatan kanonikal mengukur korelasi linear sederhana antara variabel awal (original) dalam variabel dependen atau independen dan set canonical variate. Metode ini juga menyatakan korelasi variabel terhadap variate di mana variabel bergabung dalam setiap fungsi kanonikal. Hasil output SPSS muatan kanonikal akan disajikan pada tabel 4.13 berikut ini:
Tabel 4.13
Variabel Dependen dalam Canonical Loading
Sumber: diolah peneliti, 2018
Berdasarkan tabel 4.13, dengan hanya memperhatikan fungsi pertama dan mengabaikan fungsi kedua, terlihat angka korelasi antara masing-masing variabel dengan variatnya. Untuk fungsi pertama variabel dependen pada tabel 4.13, seluruh variabel dependen menunjukkan angka canonical loading yang lebih besar dari 0,5, yakni 0,56467 (Pertumbuhan Laba), dan 0,96676 (Pertumbuhan Aset), berarti kedua variabel tersebut memiliki hubungan yang kuat dengan variabel independen.
Tabel 4.14
Variabel Independen dalam Canonical Loading
Sumber: diolah peneliti, 2018
Berdasarkan tabel 4.14, dengan hanya memperhatikan fungsi pertama dan mengabaikan fungsi kedua, terlihat angka korelasi antara
masing-independen pada tabel 4.14 terdapat dua variabel masing-independen menunjukkan angka canonical loading lebih dari 0,5, yakni 0,58757 (X3 ROA), 0,93256 (X4 NPM), berarti kedua variabel tersebut memiliki hubungan yang kuat dengan variabel dependen, dan tiga variabel lainnya memiliki hubungan yang lemah terhadap variabel dependen.
Berdasarkan analisis di atas, dapat dikatakan bahwa hipotesis penelitian mengenai adanya hubungan yang signifikan antara Current Ratio, Debt To Assets Ratio, Return On Assets, Net Profit Margin, dan Total Assets Turnover dengan Pertumbuhan Laba dan Pertumbuhan Aset perusahaan Real esatate dan Property dapat diterima.