VAIC = VACA + VAHU + STVA (13)
F. Teknik Analisis Data
1. Uji Asumsi Klasik
Sebelum dilakukan pengujian analisis regresi linier berganda terhadap hipotesis penelitian, maka terlebih dahulu perlu dilakukan suatu pengujian asumsi klasik atas data yang akan diolah sebagai berikut :
a. Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal. Seperti diketahui bahwa uji t dan 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 statistik. Untuk menguji apakah data berdistribusi normal atau tidak dilakukan uji statistik Kolmogorov-Smirnov Test.
Residual berdistribusi normal jika memiliki nilai signifikansi >0,05 (Imam Ghozali, 2011: 160-165).
b. Uji Multikolinieritas
Menurut Imam Ghozali (2011: 105-106) uji multikolinieritas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas (independen). Untuk menguji multikolinieritas dengan cara melihat nilai VIF masing-masing variabel independen, jika nilai VIF < 10, maka dapat disimpulkan data bebas dari gejala multikolinieritas. c. Uji Heteroskedastisitas
Uji heterokedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Ada beberapa cara yang dapat dilakukan untuk melakukan uji heteroskedastisitas, yaitu uji grafik plot, uji park, uji glejser, dan uji white. Pengujian pada penelitian ini menggunakan Grafik Plot antara nilai prediksi variabel dependen yaitu ZPRED dengan residualnya SRESID. Tidak terjadi heteroskedastisitas apabila tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y. (Imam Ghozali, 2011: 139-143).
Uji autokorelasi bertujuan menguji apakah dalam model regresi linier ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t -1 (sebelumnya). Jika terjadi korelasi, maka dinamakan ada problem autokorelasi (Imam Ghozali, 2011: 110).
Pada penelitian ini untuk menguji ada tidaknya gejala autokorelasi menggunakan uji Durbin-Watson (DW test).
Tabel 3. Pengambilan keputusan ada tidaknya autokorelasi
Hipotesis Nol Keputusan Jika
Tidak ada autokorelasi positif Tidak ada autokorelasi positif Tidak ada korelasi negatif Tidak ada korelasi negatif Tidak ada autokorelasi, positif atau negatif Tolak No Decision Tolak No Decision Tidak Ditolak 0 < d < dl dl ≤ d ≤ du 4 – dl < d < 4 4 –du ≤ d ≤ 4 – dl du < d < 4-du
Sumber: Imam Ghozali, 2011 2. Uji Hipotesis
Pengujian hipotesis pada penelitian ini menggunakan analisis regresi linier berganda. Analisis ini digunakan untuk mengetahui pengaruh beberapa variabel independen (X) terhadap variabel dependen (Y). Analisis linier berganda dilakukan dengan uji koefisien determinasi, uji t, dan uji F. Model regresi dalam penelitian ini sebagai berikut :
Y = α + β1.X1+ β2.X2 + β3.X3 ... (15) Keterangan :
Y = Return on Asset
α = Konstanta
β1, β2, β3 = Koefisien regresi variable Independen X1 = Value Added of Capital Employed (VACA) X2 = Value Added Human Capital (VAHU) X3 = Structural Capital Value Added (STVA) a. Uji koefisien determinasi (R2)
Koefisien determinasi (R2) pada intinya mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel dependen. Nilai koefisien determinasi adalah antara nol dan satu. Nilai R2 yang kecil berarti kemampuan variabel-variabel independen dalam menjelaskan variasi variabel dependen amat terbatas. Nilai yang mendekati satu berarti variabel-variabel independen memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen (Imam Ghozali, 2011: 97).
b. Uji Parsial (uji t)
Tujuan dari uji parsial adalah untuk mengetahui seberapa jauh pengaruh dari variabel independen (X) terhadap variabel dependen (Y) secara parsial. Pengujian hipotesis akan dilakukan dengan menggunakan tingkat signifikansi sebesar
0,05 (α =5%) atau tingkat keyakinan sebesar 0,95. Hipotesis dirumuskan sebagai berikut :
Ho : bi = 0
HA : bi ≠ 0
1) Pengaruh Value Added of Capital Employed (X1) terhadap Return on Asset (Y).
Ho1 : b1≤ 0, tidak terdapat pengaruh positif X1 terhadap Y
Ha1 : b1 > 0, terdapat pengaruh positif X1 terhadap Y
2) Pengaruh Value Added Human Capital (X2) terhadap Return on
Asset (Y).
Ho2 : b2≤ 0, tidak terdapat pengaruh positif X2 terhadap Y
Ha2 : b2 > 0, terdapat pengaruh positif X2 terhadap Y
3) Pengaruh Structural Capital Value Added (X3) terhadap Return on Asset (Y).
Ho3 : b3≤ 0, tidak terdapat pengaruh positif X3 terhadap Y
Ha3 : b3 > 0, tidak terdapat pengaruh positif X3 terhadap Y Ketentuan dalam pengujian ini adalah sebagai berikut : 1) Jika tingkat signifikansi ≤ 5%, Ho ditolak dan Ha diterima
2) Jika tingkat signifikansi ≥ 5%, Ho diterima dan Ha ditolak
c. Uji Simultan (Uji Statistik F)
Uji F pada dasarnya menunjukkan apakah semua variabel independen atau bebas yang dimasukkan dalam model mempunyai pengaruh secara bersama-sama terhadap variable dependen/terikat. Pada pengujian ini juga menggunakan tingkat signifikansi sebesar 5% atau 0,05. Prosedur Uji F ini adalah sebagai berikut :
1) Menentukan hipotesis nol maupun hipotesis alternatifnya : Ho : b1 = b2 = b3 = 0, berarti tidak ada pengaruh X1, X2, X3, terhadap Y
Ha : b1 ≠ b2 ≠ b3 ≠ 0, berarti ada pengaruh X1, X2, X3,
terhadap Y
2) Membuat keputusan uji F
Jika nilai F lebih besar dari pada 4 maka Ho ditolak pada derajat kepercayaan 5%, dengan kata lain hipotesis alternatif (Ha) diterima, yang menyatakan bahwa semua variabel independen secara serentak dan signifikan mempengaruhi variabel dependen.
57 A. Hasil Penelitian
Penelitian ini menggunakan data sekunder berupa laporan keuangan auditan yang diperoleh dari website resmi Bursa Efek Indonesia (BEI) yaitu www.idx.co.id. Populasi dalam penelitian ini merupakan seluruh perusahaan di bidang pertambangan yang terdaftar di BEI periode 2007-2012. Berdasarkan dengan kriteria yang telah ditetapkan pada bab sebelumnya maka diperoleh jumlah sampel sebesar 15 perusahaan. Berikut ini data pemilihan populasi dan sampel.
Tabel 4. Pemilihan Populasi dan Sampel
No Keterangan Jumlah
1 Perusahaan tambang yang terdaftar di Bursa Efek Indonesia (BEI)
39 2 Perusahaan yang tidak terdaftar di Bursa Efek Indonesia
(BEI) selama 6 tahun berturut-turut antara tahun 2007- 2012
(15)
3 Perusahaan yang tidak berganti jenis usaha pada saat periode penelitian sedang berlangsung.
(9)
Jumlah Sampel 15
Jumlah perusahaan tambang yang terdaftar di Bursa Efek Indonesia (BEI) berjumlah 39 perusahaan, namun tidak semua perusahaan sesuai dengan kriteria yang dibutuhkan dalam penelitian ini. Terdapat 15 perusahaan yang tidak terdaftar di Bursa Efek Indonesia saat periode penelitian yaitu tahun 2007-2012, dan sebanyak 9 perusahaan yang berganti jenis usaha pada
saat periode penelitian sedang berlangsung. Oleh karena itu, diperoleh sampel penelitian sebanyak 15 perusahaan dengan jumlah data penelitian sebanyak 90 (= 6 tahun x 15 perusahaan).
1. Uji Asumsi Klasik
Uji asumsi klasik digunakan sebagai syarat dalam menggunakan model regresi agar hasil regresi yang diperoleh merupakan estimasi yang tepat.
a. Uji Normalitas
Uji normalitas berguna untuk menguji apakah dalam model regresi, variabel dependen dan variabel independen memiliki distribusi normal atau tidak. Uji normalitas pada penelitian ini menggunakan distribusi pada grafik P-P plot. Berikut ini hasil uji normalitas menggunakan grafik P-P Plot menggunakan bantuan aplikasi SPSS versi 15:
Gambar 2. Grafik P-P plot Sumber: Data primer
Observed Cum Prob
1.0 0.8 0.6 0.4 0.2 0.0
Ex
pect
ed
C
um
P
rob
1.0 0.8 0.6 0.4 0.2 0.0Berdasarkan gambar 2 di atas, dapat dilihat bahwa data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal pada grafik histogram, hal ini menunjukkan bahwa pola distribusi normal. Jadi dapat disimpulkan bahwa berdasarkan grafik P-P plot, model regresi memenuhi asumsi normalitas.
b. Uji Multikolinieritas
Uji Multikolinieritas berguna untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel independen. Cara mengetahui ada tidaknya penyimpangan uji multikolinieritas adalah dengan melihat nilai Tolerance dan VIF masing-masing variabel independen, jika nilai Tolerance > 0.10 dan nilai VIF <10, maka data bebas dari gejala multikolinieritas.
Tabel 5. Hasil Uji Multikolinieritas
Sumber: Data primer
Melihat hasil pada tabel 5, hasil perhitungan nilai Tolerance tidak ada variabel independen yang memiliki nilai Tolerance kurang dari 0.10 dengan nilai Tolerance masing-masing variabel independen bernilai CEE sebesar 0.940, HCE sebesar 0.923, dan SCE sebesar
0.890. Sementara itu hasil perhitungan nilai Variance Inflation
Factor (VIF) juga menunjukkan hal serupa yaitu tidak adanya nilai
VIF dari variabel independen yang memiliki nilai VIF lebih dari 10 dengan nilai VIF masing-masing variabel independen bernilai CEE sebesar 1.064, HCE sebesar 1.084, dan SCE sebesar 1.123. Merujuk hasil perhitungan nilai Tolerance dan VIF dapat disimpulkan bahwa tidak ada multikolinieritas antar variabel independen dalam model regresi.
c. Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji dalam model regresi terjadi ketidaksamaan varians dari residual satu pengamatan ke pengamatan yang lain. Cara untuk mengetahui terjadi heteroskedastisitas atau tidak yaitu dengan melihat Grafik Plot antara nilai prediksi variabel dependen yaitu ZPRED dengan residualnya SRESID. Tidak terjadi heteroskedastisitas yaitu apabila tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y.
Gambar 3 Grafik Scatterplot Sumber: Data primer
Berdasarkan gambar 3 di atas terlihat bahwa tidak ada pola yang jelas serta titik-titik tersebut menyebar di atas dan di bawah angka 0 pada sumbu Y. Hal ini menunjukkan bahwa data dalam penelitian ini tidak terjadi heteroskedastisitas.
d. Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji dalam model regresi linear ada atau tidak korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 atau periode sebelumnya. Uji autokorelasi pada penelitian ini menggunakan uji Durbin Watson. Berikut hasil uji autokorelasi:
Regression Standardized Predicted Value
2 0 -2 -4 -6 -8 Regression St uden ti zed R esidual 4 3 2 1 0 -1 -2
Tabel 6. Hasil Uji Autokorelasi
Sumber: Data primer
Berdasarkan tabel 6 di atas nilai Durbin Watson sebesar 2.090, pembanding menggunakan nilai signifikansi 5%, jumlah sampel 90 (n), dan jumlah variabel independen 3 (k=3), maka di tabel
DurbinWatson akan didapat nilai du sebesar 1,73. Karena nilai DW
2,090 lebih besar dari batas atas (du) 1,73 dan kurang dari 4 - 1.73 (2.27), maka dapat disimpulkan bahwa tidak terdapat autokorelasi. 2. Data Diskriptif Variabel Penelitian
Berdasarkan data variabel yang telah diperoleh, penulis menjelaskan statistik deskriptifnya untuk memberikan gambaran awal mengenai variabel yang akan diteliti. Berikut ini adalah analisis deskriptif variabel-variabel penelitian yang diolah dengan SPSS 15 beserta penjelasannya.
Tabel 7. Hasil Diskriptif Variabel Penelitian
Berdasarkan tabel 7 di atas dapat dilihat bahwa nilai terendah untuk Capital Employed Efficiency (CEE) adalah sebesar 0,04. Nilai tertinggi sebesar 2,21. Rata-rata CEE adalah sebesar 0,7894. Artinya, data dari variabel CEE memusat atau pada umumnya terletak pada 0,7894. Standar deviasi sebesar 0,42742 berarti jika terjadi penyimpangan rata rata, penyimpangan tersebut tidak lebih dari 0,42742 atau -0,42742.
Nilai terendah untuk Human Capital Efficiency (HCE) adalah sebesar 0,47. Nilai tertinggi sebesar 294,94. Rata-rata CEE adalah sebesar 17,6311. Artinya, data dari variabel CEE memusat atau pada umumnya terletak pada 17,6311. Standar deviasi sebesar 37,96922 berarti jika terjadi penyimpangan rata rata, penyimpangan tersebut tidak lebih dari 37,96922 atau -37,96922.
Nilai terendah untuk Structural Capital Efficiency (SCE) adalah sebesar -1,13. Nilai tertinggi sebesar 1,00. Rata-rata CEE adalah sebesar 0,7984. Artinya, data dari variabel CEE memusat atau pada umumnya terletak pada 0,7984. Standar deviasi sebesar 0,28071 berarti jika terjadi penyimpangan rata rata, penyimpangan tersebut tidak lebih dari 0,28071 atau -0,28071.
Nilai terendah untuk Return On Asset (ROA) adalah sebesar -0,44. Nilai tertinggi sebesar 0,62. Rata-rata CEE adalah sebesar 0,1016. Artinya, data dari variabel CEE memusat atau pada umumnya terletak pada 0,1016. Standar deviasi sebesar 0,14331 berarti jika terjadi
penyimpangan rata rata, penyimpangan tersebut tidak lebih dari 0,14331 atau -0,14331.
