BAB IV. HASIL DAN PEMBAHASAN
2. Uji Asumsi Klasik
a. Uji Multikolinearitas
Dalam penelitian ini, untuk mendeteksi ada tidaknya gejala multikolineritas adalah dengan melihat besaran korelasi antar variabel independen dan besarnya tingkat koloneritas yang masih dapat ditolerir, yaitu: Tol > 0.10 dan Variance Inflation Factor (VIF) < 10. Berikut disajikan tabel hasil pengujian:
Tabel 4.7 Coefficientsa 18.297 4.881 3.749 .000 -.270 .159 -.581 -1.692 .097 .145 6.899 .057 .030 .698 1.878 .066 .124 8.072 .107 .443 .157 .242 .810 .041 24.618 -.072 .142 -.338 -.508 .614 .039 25.863 (Constant) DAR DER LDAR LDER Model 1 B Std. Error Unstandardized Coefficients Beta Standardized Coefficients
t Sig. Tolerance VIF
Collinearity Statistics
Dependent Variable: ROE a.
Sumber: Hasil Olahan Penulis dengan SPSS, 2010
Coefficient Correlationsa 1.000 -.521 .292 -.976 -.521 1.000 -.892 .548 .292 -.892 1.000 -.354 -.976 .548 -.354 1.000 .020 -.002 .007 -.061 -.002 .001 -.004 .007 .007 -.004 .025 -.025 -.061 .007 -.025 .197 LDER DER DAR LDAR LDER DER DAR LDAR Correlations Covariances Model 1
LDER DER DAR LDAR
Dependent Variable: ROE a.
Sumber: Hasil Olahan Penulis dengan SPSS, 2010
Melihat hasil besaran korelasi antar variabel independen tampak bahwa terdapat variabel yang mengalami multikolinearitas dimana dapat dilihat bahwa ada variabel yang memiliki angka korelasi > 95%
Hasil perhitungan nilai Tolerance juga menunjukkan bahwa tidak semua variabel independen memiliki nilai Tolerance >0.10 yaitu 0.041 dan 0.039 yang berarti ada korelasi antar variabel independen yang nilainya lebih dari 95%. Hasil perhitungan VIF juga menunjukkan hal yang sama dimana ada variabel independen memiliki nilai VIF >10 yaitu sebesar 24.618 dan 25.863 Jadi dapat disimpulkan bahwa terjadi multikolineritas antar variabel independen dalam model ini.
Perbaikan pada data penelitian ini untuk menghilangkan gejala multikolineritas adalah dengan mengeluarkan variabel yang memiliki nilai VIF yang tertinggi, yaitu variabel LDER dengan nilai VIF sebesar 25.863. Berikut disajikan tabel untuk melihat multikolineritas setelah variabel LDER dikeluarkan.
Tabel 4.9
Coefficients(a)
a Dependent Variable: ROE
Sumber: Hasil Olahan Penulis dengan SPSS, 2010
Tabel 4.10
Coefficient Correlations(a)
Model LDAR DER DAR
1 Correlations LDAR 1.000 .209 -.330 DER .209 1.000 -.906 DAR -.330 -.906 1.000 Covariances LDAR .009 .001 -.005 DER .001 .001 -.004 DAR -.005 -.004 .023
a Dependent Variable: ROE
Sumber: Hasil Olahan Penulis dengan SPSS, 2010
Melihat hasil besaran korelasi antar variabel independen tampak bahwa tidak ada variabel yang saling mempunyai korelasi diatas 95%. Oleh karena itu, maka dalam model ini dapat dikatakan tidak terjadi multikolineritas.
Hasil perhitungan nilai Tolerance juga menunjukkan tidak ada variabel independen yang memiliki nilai Tolerance kurang dari 0.10 yang berarti tidak ada korelasi antar variabel independen yang nilainya lebih dari 95%. Hasil perhitungan VIF juga menunjukkan hal yang sama dimana tidak ada satu variabel independen yang memiliki nilai VIF lebih dari 10. Jadi dapat disimpulkan bahwa tidak ada multikolineritas antar variabel independen dalam model regresi ini.
Model Unstandardized Coefficients
Standardized
Coefficients Collinearity Statistics
B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) 18.375 4.844 3.793 .000
DAR -.246 .151 -.530 -1.625 .110 .158 6.310
DER .049 .026 .599 1.904 .062 .170 5.878
b. Uji Autokorelasi
Uji Autokorelasi digunakan untuk menguji apakah dalam sebuah model regresi linier terdapat korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1 (sebelumnya). Untuk menguji Autokorelasi dapat dilihat dari nilai Durbin Waston (DW), yaitu jika nilai DW terletak antara du dan (4 – dU) atau du ≤ DW ≤ (4 – dU), berarti bebas dari Autokorelasi. Jika nilai DW lebih kecil dari dL atau DW lebih besar dari (4 – dL) berarti terdapat Autokorelasi. Nilai dL dan dU dapat dilihat pada tabel Durbin Waston, yaitu nilai dL ; dU = α ; n ; (k – 1). Keterangan : n adalah jumlah sampel, k adalah jumlah variabel, dan α adalah taraf signifikan. Nilai DW dapat dilihat pada tabel berikut.
Tabel 4.11 Model Summary(b) Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .326(a) .106 .055 7.85246965 2.124
a Predictors: (Constant), LDAR, DER, DAR b Dependent Variable: ROE
Sumber: Hasil Olahan Penulis dengan SPSS, 2010
Nilai tabel Durbin Watson pada α = 5%; n = 57; k – 1 = 4 adalah dL = 1,41 dan dU = 1,72. Hasil pengolahan data menunjukkan nilai Durbin Watson sebesar 2.124 dan nilai tersebut berada di antara dU dan (4 – dU) atau 2.124 lebih besar dari 1,72 dan 2.124 lebih kecil dari 2,28 maka dapat disimpulkan bahwa dalam model regresi linier tersebut tidak terdapat autokorelasi atau tidak terjadi korelasi di antara kesalahan penggangu.
c. Uji Heterokedastisitas
Dalam penelitian ini, untuk mendeteksi ada tidaknya gejala heterokedastisitas adalah dengan melihat plot grafik yang dihasilkan dari pengolahan data menggunakan program SPSS. Dasar pengambilan keputusannya adalah:
Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur (bergelombang, melebar kemudian menyempit), maka mengindikasikan telah terjadi heterokedastisitas.
Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heterokedastisitas.
Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi heterokedastisitas atau terjadi homokedastisitas dengan mengamati penyebaran titik-titik pada gambar.
Grafik 4.1
Scatterplot
Sumber: Hasil Olahan Penulis dengan SPSS, 2010
Dari grafik scatterplots terlihat bahwa titik-titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y. Hal ini dapat disimpulkan bahwa tidak terjadi heterokedastisitas pada model regresi ini sehingga model ini layak digunakan untuk memprediksi rentabilitas modal sendiri pada perusahaan perdagangan yang terdaftar di Bursa Efek Indonesia berdasarkan masukan variabel independen yaitu rasio total hutang terhadap aktiva, rasio total hutang terhadap ekuitas, rasio hutang jangka panjang terhadap aktiva dan rasio hutang jangka panjang terhadap ekuitas.
d.Uji Normalitas
Pengujian normalitas data dalam penelitian ini menggunakan uji statistik non parametrik Kolmogorov-Smirnov (K-S) dengan membuat hipotesis:
H0: Data residual berdistribusi normal Ha: Data residual tidak berdistribusi normal
Apabila nilai signifikansinya lebih besar atau sama dengan 0,05 maka H0 diterima, sedangkan jika nilai signifikansinya lebih kecil dari 0,05 maka H0
ditolak.
Tabel 4.12 Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardize d Residual
N 57
Normal Parameters(a,b) Mean .0000000
Std. Deviation 7.63924059 Most Extreme Differences Absolute .077 Positive .077 Negative -.046 Kolmogorov-Smirnov Z .579
Asymp. Sig. (2-tailed) .891
a Test distribution is Normal. b Calculated from data.
Sumber: Hasil Olahan Penulis dengan SPSS, 2010
Dari hasil pengolahan data tersebut, diperoleh bahwa nilai signifikansi Kolmogorov – Smirnov dari data residual dalam penelitian ini lebih besar dari 0,05 yaitu 0.891. Hal ini berarti H0 diterima yang berarti data residual berdistribusi normal. Untuk lebih jelas, berikut ini turut dilampirkan grafik histogram dan plot data yang terdistribusi normal.
Grafik 4.2 Histogram
Sumber: Hasil Olahan Penulis dengan SPSS, 2010
Grafik 4.3
Normal P-P Plot of Regression Standardized Residual
Sumber: Hasil Olahan Penulis dengan SPSS, 2010
Dengan cara membandingkan antara data observasi dengan distribusi yang mendekati distribusi normal, dari grafik di atas dapat disimpulkan bahwa distribusi data normal karena grafik histogram menunjukkan distribusi data mengikuti garis diagonal yang tidak menceng (skewness) ke kiri maupun ke kanan atau normal.
Demikian pula dengan hasil uji normalitas dengan menggunakan grafik plot. Pada grafik normal plot, terlihat titik-titik menyebar di sekitar garis diagonal serta penyebarannya agak mendekati dengan garis diagonal sehingga dapat disimpulkan bahwa data dalam model regresi terdistribusi secara normal.
