HASIL PENELITIAN DAN PEMBAHASAN
4.2 Hasil Penelitian
4.2.1 Analisis Statistik Deskriptif
Statistik deskriptif memberikan gambaran umum atau deskripsi suatu data yang dijadikan sampel penelitian, dilihat dari nilai minimum, maksimum, rata-rata, dan standar deviasi. Statistik deskriptif dari variabel yang diteliti ditunjukkan dalam Tabel 4.1 di bawah ini.
Tabel 4.1
Statistik Deskriptif Penelitian Descriptive Statistics
N Minimum Maximum Mean Std. Deviation
MV/BVA 189 ,49291030 18,91567200 2,1579270788 2,49411611463 MV/BVE 189 -,29859690 47,24788000 3,0066731993 5,21771598548 E/P 189 ,008771930 2,895000000 ,11664990808 ,218035651712 CA/BVA 189 -,1410256500 ,6027713400 ,148004458452 ,1189345451093 CA/MVA 189 -,0454830800 ,5412251400 ,037582737435 ,0741566571142 DER 189 -2,76 8,99 1,0561 1,16800 ROA 189 ,14 49,23 10,0605 9,16963 PBV 189 -,30 167,56 3,6475 12,85382 Valid N (listwise) 189
sumber : hasil olah data SPSS, 2015
Tabel 4.1 merupakan output statistik deskriptif variabel penelitian dari tahun 2011 sampai 2013 dengan menggunakan software SPSS. Jumlah sampel keseluruhan adalah 189 sampel (63 perusahaan sektor industri manufaktur selama 3 tahun). Dari tabel dapat dijelaskan statistik deskriptif masing-masing variabel sebagai berikut :
a. MV/BVA sebagai proksi pertama variabel independen Investment Opportunity Set (IOS) memiliki nilai minimum sebesar 0,49291030 dan nilai maksimum sebesar 18,91567200, dengan nilai rata-rata sebesar
2,1579270788. Hal ini menunjukkan bahwa perusahaan yang menjadi sampel rata-rata memiliki peluang investasi sebesar 2,16% di atas nilai buku asetnya. Nilai standar deviasi sebesar 2,49411611463 yang berarti variasi data sangat besar, yaitu 115% dari rata-rata.
b. MV/BVE sebagai proksi kedua variabel independen Investment Opportunity Set (IOS) memiliki nilai minimum sebesar -0,29859690 dan nilai maksimum sebesar 47,24788000, dengan nilai rata-rata sebesar 3,0066731993. Hal ini menunjukkan bahwa perusahaan yang menjadi sampel rata-rata memiliki tingkat return saham sebesar 3,01% di atas nilai ekuitasnya. Nilai standar deviasi sebesar 5,21771598548 yang berarti variasi data sangat besar, yaitu 173% dari rata-rata.
c. E/P sebagai proksi ketiga variabel independen Investment Opportunity Set
(IOS) memiliki nilai minimum sebesar 0,008771930 dan nilai maksimum sebesar 2,895000000, dengan nilai rata-rata sebesar 0,11664990808. Hal ini menunjukkan bahwa perusahaan yang menjadi sampel rata-rata memiliki kemampuan menghasilkan keuntungan sebesar 0,12% dari
closing price sahamnya. Nilai standar deviasi sebesar 0,218035651712 yang berarti variasi data sangat besar, yaitu 183% dari rata-rata.
d. CA/BVA sebagai proksi keempat variabel independen Investment Opportunity Set (IOS) memiliki nilai minimum sebesar -0,1410256500 dan nilai maksimum sebesar 0,6027713400, dengan nilai rata-rata sebesar 0,148004458452. Hal ini menunjukkan bahwa perusahaan yang menjadi sampel rata-rata memiliki pertumbuhan investasi dalam aset sebesar
0,15%. Nilai standar deviasi sebesar 0,1189345451093 yang berarti variasi data sangat besar, yaitu 80% dari rata-rata.
e. CA/MVA sebagai proksi kelima variabel independen Investment Opportunity Set (IOS) memiliki nilai minimum sebesar -0,0454830800 dan nilai maksimum sebesar 0,5412251400, dengan nilai rata-rata sebesar 0,037582737435. Hal ini menunjukkan bahwa perusahaan yang menjadi sampel rata-rata memiliki nilai investasi produktif sebesar 0,04% dalam aset tetapnya. Nilai standar deviasi sebesar 0,0741566571142 yang berarti variasi data sangat besar, yaitu 175% dari rata-rata.
f. DER sebagai proksi variabel independen struktur modal memiliki nilai minimum sebesar -2,76 dan nilai maksimum sebesar 8,99, dengan nilai rata-rata 1,0561. Hal ini menunjukkan bahwa perusahaan yang menjadi sampel rata-rata memiliki sumber pendanaan yang berasal dari hutang 1,06% sebesar lebih besar dibandingkan dengan sumber pendanaan yang berasal dari modal sahamnya. Nilai standar deviasi sebesar 1,16800 yang berarti variasi data sangat besar, yaitu 111% dari rata-rata.
g. PBV sebagai proksi variabel dependen nilai perusahaan memiliki nilai minimum sebesar -0,30 dan nilai maksimum sebesar 167,56, dengan nilai rata-rata 3,6475. Hal ini menunjukkan bahwa perusahaan yang menjadi sampel rata-rata memiliki nilai pasar saham 3,65% di atas nilai bukunya. Nilai standar deviasi sebesar 12,85382 yang berarti variasi data sangat besar, yaitu 352% dari rata-rata.
h. ROA sebagai proksi variabel intervensi profitabilitas memiliki nilai minimum sebesar 0,14 dan nilai maksimum sebesar 49,23, dengan nilai rata-rata 10,0605. Hal ini menunjukkan bahwa perusahaan yang menjadi sampel rata-rata memiliki nilai imbal hasil 10,06% di atas nilai asetnya. Nilai standar deviasi sebesar 9,16963 yang berarti variasi data sangat besar, yaitu 91% dari rata-rata.
Secara keseluruhan, data yang digunakan dalam penelitian ini terlihat tidak baik, karena seluruh standar deviasi yang dimiliki kedelapan rasio tersebut berada diatas 50% dari nilai rata-ratanya. Hal ini berarti data yang ada tersebar jauh dari angka rata-rata yang dimiliki, untuk itu dalam pengujian berikutnya akan dibutuhkan transformasi masing-masing data, sehingga karakteristik data menjadi lebih baik untuk digunakan dalam penelitian.
4.2.2 Analisis Faktor
Dalam penelitian ini common factor analysis digunakan untuk memperoleh factor score yang merupakan nilai indeks umum dari proksi tunggal yang membentuk variabel Investment Opportunity Set (IOS). Nilai masing-masing rasio yang digunakan sebagai proksi Investment Opportunity Set (IOS) dihitung setiap tahun untuk setiap perusahaan sampel dan selanjutnya digunakan sebagai data input dalam proses analisis faktor. Uji kelayakan analisis faktor dalam penelitian ini dilihat dari besarnya nilai
Measure of Sampling Adequacy (MSA) dengan menggunakan software SPSS, seperti tersaji dalam Tabel 4.2 di bawah ini.
Tabel 4.2
Measure of Sampling Adequacy (1) KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy. ,489
Bartlett's Test of Sphericity Approx. Chi-Square 471,371
Df 10
Sig. ,000
sumber : hasil olah data SPSS, 2015
Tabel 4.2 merupakan output Kaiser-Meyer-Olkin dan Bartlett’s test yang menunjukkan besarnya nilai MSA adalah 0,489. Nilai MSA tersebut masih dibawah 0,50 yang berarti analisis faktor belum layak dilakukan, untuk itu perlu dikeluarkan proksi yang memiliki nilai korelasi terkecil berdasarkan
anti image matrices di bawah ini.
Tabel 4.3
Nilai Korelasi Proksi Investment Opportunity Set (IOS) Anti-image Matrices
MV/BVA MV/BVE E/P CA/BVA CA/MVA
Anti-image Covariance MV/BVA ,107 -,102 -,007 -,055 ,053
MV/BVE -,102 ,109 ,020 ,044 -,034
E/P -,007 ,020 ,969 -,098 ,029
CA/BVA -,055 ,044 -,098 ,736 -,361
CA/MVA ,053 -,034 ,029 -,361 ,730
Anti-image Correlation MV/BVA ,493a -,941 -,020 -,196 ,189
MV/BVE -,941 ,500a ,062 ,156 -,119
E/P -,020 ,062 ,687a -,116 ,035
CA/BVA -,196 ,156 -,116 ,423a -,492
CA/MVA ,189 -,119 ,035 -,492 ,488a
a. Measures of Sampling Adequacy(MSA)
sumber : hasil olah data SPSS, 2015
Tabel 4.3 menunjukkan nilai anti image correlation kelima proksi variabel Investment Opportunity Set (IOS). Proksi CA/BVA memiliki nilai korelasi sebesar 0,423 yang merupakan nilai korelasi terkecil dibandingkan
keempat proksi lainnya. Hal ini berarti dalam analisis berikutnya, untuk dapat memenuhi kelayakan analisis faktor, proksi CA/BVA harus dikeluarkan dari analisis. Setelah menentukan proksi yang harus dikeluarkan, maka dilakukan kembali uji kelayakan analisis faktor dengan melihat nilai MSA tanpa proksi CV/BVA seperti ditunjukkan dalam Tabel 4.4 di bawah ini.
Tabel 4.4
Measure of Sampling Adequacy (2) KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy. ,518
Bartlett's Test of Sphericity Approx. Chi-Square 415,367
Df 6
Sig. ,000
sumber : hasil olah data SPSS, 2015
Tabel 4.4 merupakan output pengujian kelayakan analisis faktor yang kedua kalinya, tanpa mengikutsertakan proksi CA/BVA. Data yang tersaji dalam tabel menunjukkan nilai MSA sebesar 0,518, nilai ini berada di atas 0,50, sehingga analisis faktor telah dianggap layak dilakukan terhadap empat proksi tunggal Investment Opportunity Set (IOS), yaitu MV/BVA, MV/BVE, E/P, dan CA/MVA. Begitu juga nilai Bartlett’s test dengan chi square 415,367 dan signifikan pada 0,000, maka dapat disimpulkan bahwa uji analisis faktor dapat dilanjutkan. Hasil analisis faktor dari keempat proksi tunggal Investment Opportunity Set (IOS) menghasilkan satu faktor yang dapat mewakili variabel Investment Opportunity Set (IOS), dilihat dari nilai
Tabel 4.5 Hasil Analisis Faktor
Total Variance Explained
Component Initial Eigenvalues Extraction Sums of Squared Loadings
Total % of Variance Cumulative % Total % of Variance Cumulative %
1 2,027 50,672 50,672 2,027 50,672 50,672
2 ,974 24,344 75,016
3 ,942 23,545 98,561
4 ,058 1,439 100,000
Extraction Method: Principal Component Analysis.
sumber : hasil olah data SPSS, 2015
Faktor yang terbentuk untuk mewakili variabel Investment Opportunity Set (IOS) mampu menjelaskan 50,672% variasi. Faktor inilah yang merupakan faktor umum Investment Opportunity Set (IOS), di mana nilai factor score yang diperoleh tersebut akan digunakan lebih lanjut dalam analisis regresi. Statistik deskriptif nilai factor score ditunjukkan pada Tabel 4.6 di bawah ini.
Tabel 4.6
Statistik Deskriptif Factor Score Descriptive Statistics
N Minimum Maximum Mean Std. Deviation
IOS 189 -1,73409 6,46310 ,0000000 1,00000000
Valid N (listwise) 189
sumber : hasil olah data SPSS, 2015
Nilai factor score diberi nama IOS agar dapat dikenali dengan mudah sebagai nilai yang mewakili variabel Investment Opportunity Set
(IOS). IOS memiliki nilai minimum sebesar -1,73409 dan nilai maksimum sebesar 6,46310, dengan nilai rata-rata sebesar 0,0000000. Hal ini menunjukkan bahwa perusahaan yang menjadi sampel rata-rata tidak memiliki peluang investasi atau memiliki peluang investasi yang sangat kecil.
Nilai standar deviasi sebesar 1,00000000 yang berarti variasi data sangat besar.
4.2.3 Uji Asumsi Klasik
Uji asumsi klasik adalah persyaratan statistik yang harus dipenuhi sebelum melakukan analisis regresi linear berganda. Uji asumsi klasik dalam penelitian ini dilakukan terhadap dua persamaan yang akan dianalisis, terdiri dari:
4.2.3.1 Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi variabel pengganggu atau residual memiliki distribusi normal (Gozhali, 2013:160). Terdapat dua cara untuk mendeteksi apakah residual berdistribusi normal, yaitu dengan melihat kurva histogram dan
normal probability plot, serta melihat hasil uji statistik non-parametric
Kolmogorov-Smirnov. Setelah dilakukan uji normalitas terhadap kedua persamaan, ternyata data dalam penelitian tidak berdistribusi secara normal, sehingga setiap variabel ditansformasikan ke bentuk logaritma natural (Ln) dengan tujuan untuk lebih menormalkan data. Hasil transformasi menyisakan 59 sampel data yang valid dan dapat digunakan dalam analisis statistik selanjutnya.
Sumber : hasil olah data SPSS, 2015 Gambar 4.1
Kurva Histogram Uji Normalitas Persamaan (2)
Gambar 4.1 di atas menunjukkan kurva histogram memberikan pola distribusi normal, yaitu tidak menceng (skewness) baik ke kiri maupun ke kanan, dan bentuknya seperti lonceng, yang menandakan bahwa data residual dalam persamaan (2) berdistribusi normal. Pola kurva histogram yang berdistribusi normal belum dapat dijadikan acuan bahwa data residual memang berdistribusi normal. Metode yang lebih handal adalah dengan melihat normal probability plot yang membandingkan distribusi kumulatif dari distribusi normal.
sumber : hasil olah data SPSS, 2015 Gambar 4.2
Normal Probability Plot Persamaan (2)
Gambar 4.2 memperlihatkan penyebaran data residual persamaan (2) disepanjang normal plot dan mengikuti arah plot, yang berarti data residual pada persamaan (2) terdistribusi secara normal. Meskipun hasil uji histogram dan normal probability plot telah menunjukkan bahwa data residual persamaan (2) berdistribusi normal, akan tetapi normalitas data residual sesungguhnya belum dapat dipastikan. Uji statistik non-parametric Kolmogorov-Smirnov seperti terlihat pada Tabel 4.7 di bawah ini, dipilih untuk melengkapi pengujian normalitas data residual pada persamaan (2), sehingga kepastian model regresi telah memenuhi asumsi normalitas dapat ditetapkan.
Tabel 4.7
Analisis Statistik Uji Normalitas Persamaan (2) One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 59
Normal Parametersa,b Mean .0000000
Std. Deviation .44210432 Most Extreme Differences Absolute .074 Positive .074 Negative -.049 Kolmogorov-Smirnov Z .571
Asymp. Sig. (2-tailed) .900
a. Test distribution is Normal. b. Calculated from data.
sumber : hasil olah data SPSS, 2015
Hasil uji statistik non-parametric Kolmogorov-Smirnov seperti ditampilkan dalam Tabel 4.7, menunjukkan besarnya nilai Kolmogorov-Smirnov adalah 0,571 dan nilai Asymp.Sig. (2-tailed) 0,900 dengan nilai signifikan yang ditetapkan 0,05 yang berarti data residual persamaan (2) terdistribusi secara normal. Hasil uji statistik
non-parametric Kolmogorov-Smirnov ini konsisten dengan hasil yang ditunjukkan melalui kurva histogram dan normal probability plot, sehingga dapat disimpulkan model regresi persamaan (2) memenuhi asumsi normalitas.
Uji normalitas juga dilakukan terhadap model regresi persamaan (4), dengan menggunakan 59 sampel data untuk setiap variabel. Kurva histogram uji normalitas data residual persamaan (4) terlihat dalam Gambar 4.3 di bawah ini.
sumber : hasil olah data SPSS, 2015 Gambar 4.3
Kurva Histogram Uji Normalitas Persamaan (4)
Gambar 4.3 di atas menunjukkan kurva histogram memberikan pola distribusi normal, yaitu tidak menceng (skewness) baik ke kiri maupun ke kanan, dan bentuknya seperti lonceng, yang menandakan bahwa data residual dalam persamaan (4) berdistribusi normal. Analisis normal probability plot juga dilakukan untuk mendukung hasil yang ditunjukkan kurva histogram seperti terlihat pada Gambar 4.4 di bawah ini.
sumber : hasil olah data SPSS, 2015 Gambar 4.4
Normal Probability Plot Persamaan (4)
Gambar 4.4 memperlihatkan penyebaran data residual persamaan (4) disepanjang normal plot dan mengikuti arah plot, yang berarti data residual pada persamaan (4) terdistribusi secara normal, meskipun pada gambar terlihat data tersebar sedikit jauh dari normal plot. Kepastian bahwa data residual persamaan (4) berdistribusi normal, dapat dilakukan dengan uji statistik non-parametric
Tabel 4.8
Analisis Statistik Uji Normalitas Persamaan (4) One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 59
Normal Parametersa,b Mean ,0000000
Std. Deviation ,32935508
Most Extreme Differences Absolute ,087
Positive ,087
Negative -,082
Kolmogorov-Smirnov Z ,670
Asymp. Sig. (2-tailed) ,761
a. Test distribution is Normal. b. Calculated from data.
sumber : hasil olah data SPSS, 2015
Hasil uji statistik non-parametric Kolmogorov-Smirnov seperti ditampilkan dalam Tabel 4.8, menunjukkan besarnya nilai Kolmogorov-Smirnov adalah 0,670 dan nilai Asymp.Sig. (2-tailed) 0,761 dengan nilai signifikan yang ditetapkan 0,05 yang berarti data residual persamaan (4) terdistribusi secara normal. Hasil uji statistik
non-parametric Kolmogorov-Smirnov ini konsisten dengan hasil yang ditunjukkan melalui kurva histogram dan normal probability plot, sehingga dapat disimpulkan model regresi persamaan (4) memenuhi asumsi normalitas.
4.2.3.2 Uji Multikolonieritas
Uji multikolonieritas bertujuan untuk menguji apakah dalam sebuah model regresi ditemukan adanya korelasi antara variabel independen. Jika terjadi korelasi, maka dikatakan terdapat masalah multikolonieritas. Uji multikolonieritas dilakukan dengan terlebih
dahulu mengamati matriks coefficient correlations seperti yang ditunjukkan pada Tabel 4.9 di bawah ini.
Tabel 4.9
Matriks Coefficient Correlations Persamaan (2) Coefficient Correlationsa
Model LN_DER LN_IOS
1 Correlations LN_DER 1,000 -,090
LN_IOS -,090 1,000
Covariances LN_DER ,007 ,000
LN_IOS ,000 ,002
a. Dependent Variable: LN_ROA
sumber : hasil olah data SPSS, 2015
Tabel 4.9 menunjukkan nilai korelasi antar variabel independen dalam persamaan (2) sebesar -0,090 atau 9% yang berarti tidak terjadi multikolonieritas dalam korelasi variabel independen persamaan (2). Multikolonieritas juga dapat dilihat dari nilai tolerance
dan Variance Inflation Factor (VIF) seperti ditunjukkan Tabel 4.10 di bawah ini.
Tabel 4.10
Nilai Tolerance dan VIF Persamaan (2) Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 2,850 ,080 35,704 ,000
LN_IOS ,166 ,042 ,467 3,961 ,000 ,992 1,008
LN_DER -,107 ,083 -,151 -1,284 ,204 ,992 1,008
a. Dependent Variable: LN_ROA
sumber : hasil olah data SPSS, 2015
Hasil perhitungan nilai tolerance dan VIF pada Tabel 4.10 di atas juga menunjukkan tidak ada variabel independen yang memiliki
nilai tolerance kurang dari 0,10 yang berarti tidak ada korelasi antar variabel independen persamaan (2). Hasil perhitungan nilai VIF juga menunjukkan hal yang sama, tidak ada satu variabel independen yang memiliki nilai VIF lebih dari 10, sehingga dapat disimpulkan model regresi persamaan (2) bebas dari masalah multikolonieritas.
Uji multikolonieritas juga dilakukan pada model regresi persamaan (4), dengan terlebih dahulu mengamati matriks coefficient correlations seperti yang ditunjukkan pada Tabel 4.11 di bawah ini.
Tabel 4.11
Matriks Coefficient Correlations Persamaan (4) Coefficient Correlationsa
Model LN_ROA LN_DER LN_IOS
1 Correlations LN_ROA 1,000 ,169 -,468 LN_DER ,169 1,000 -,158 LN_IOS -,468 -,158 1,000 Covariances LN_ROA ,010 ,001 -,002 LN_DER ,001 ,004 ,000 LN_IOS -,002 ,000 ,001 a. Dependent Variable: LN_PBV
sumber : hasil olah data SPSS, 2015
Tabel 4.11 menunjukkan hanya variabel IOS yang mempunyai korelasi cukup tinggi dengan variabel ROA dengan tingkat korelasi sebesar -0,468 atau sekitar 47%. Oleh karena korelasi ini masih jauh di bawah 95% maka dapat dikatakann tidak terjadi multikolonieritas dalam korelasi variabel independen persamaan (4). Multikolonieritas juga dapat dilihat dari nilai tolerance dan Variance Inflation Factor (VIF) seperti ditunjukkan Tabel 4.12 di bawah ini.
Tabel 4.12
Nilai Tolerance dan VIF Persamaan (4) Coefficientsa Model Unstandardized Coefficients Standardized Coefficients T Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) ,725 ,293 2,478 ,016
LN_IOS ,252 ,036 ,490 7,078 ,000 ,775 1,291
LN_DER ,512 ,063 ,501 8,063 ,000 ,964 1,038
LN_ROA ,536 ,100 ,370 5,332 ,000 ,772 1,296
a. Dependent Variable: LN_PBV
sumber : hasil olah data SPSS, 2015
Hasil perhitungan nilai tolerance dan VIF pada Tabel 4.12 di atas juga menunjukkan tidak ada variabel independen yang memiliki nilai tolerance kurang dari 0,10 yang berarti tidak ada korelasi antar variabel independen persamaan (4). Hasil perhitungan nilai VIF juga menunjukkan hal yang sama, tidak ada satu variabel independen yang memiliki nilai VIF lebih dari 10, sehingga dapat disimpulkan model regresi persamaan (4) bebas dari masalah multikolonieritas.
4.2.3.3 Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dari model regresi terjadi ketidaksamaan varian dari residual suatu pengamatan dengan pengamatan yang lain. Ada atau tidaknya heteroskedastisitas dalam model regresi persamaan (2) terlihat melalui
sumber : hasil olah data SPSS, 2015 Gambar 4.5
Scatterplot Persamaan (2)
Gambar 4.5 merupakan scatterplot model regresi persamaan (2) yang memperlihatkan 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 heteroskedastisitas pada model regresi persamaan (2). Uji heteroskedastisitas menggunakan scatterplot
juga dilakukan pada model regresi persamaan (4) seperti ditunjukkan Gambar 4.6 di bawah ini.
Sumber : hasil olah data SPSS, 2015 Gambar 4.6
Scatterplot Persamaan (4)
Gambar 4.6 merupakan scatterplot model regresi persamaan (4) yang memperlihatkan 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 heteroskedastisitas pada model regresi persamaan (4).
4.2.3.4 Uji Autokorelasi
Uji Autokorelasi bertujuan menguji apakah dalam suatu model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1 atau sebelumnya. Uji autokorelasi dilakukan menggunakan uji Durbin-Watson pada model regresi persamaan (2) seperti ditunjukkan Tabel 4.13 di bawah ini.
Tabel 4.13
Uji Durbin-Watson Persamaan (2) Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson dimension0 1 ,478a ,228 ,201 ,44993 1,734
a. Predictors: (Constant), LN_DER, LN_IOS b. Dependent Variable: LN_ROA
sumber : hasil olah data SPSS, 2015
Tabel 4.13 menunjukkan nilai Durbin-Watson sebesar 1,734, nilai ini akan dibandingkan dengan nilai tabel Durbin-Watson pada signifikansi 5%, jumlah sampel data 60 (n = 60), jumlah variabel independen 2 (k = 2), didapat nilai dl = 1,514 dan nilai du = 1,652. Oleh karena nilai Durbin-Watson 1,734 lebih besar dari batas atas (du) 1,652 dan terletak antara -2 sampai 2, maka dapat disimpulkan tidak terjadi autokorelasi pada model regresi persamaan (2). Uji autokorelasi dengan uji Durbin-Watson juga dilakukan pada model regresi persamaan (4) dan menghasilkan nilai Durbin-Watson seperti ditunjukkan Tabel 4.14 di bawah ini.
Tabel 4.14
Uji Durbin-Watson Persamaan (4) Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson dimension0 1 ,892a ,796 ,785 ,33822 1,731
a. Predictors: (Constant), LN_ROA, LN_DER, LN_IOS b. Dependent Variable: LN_PBV
Sumber : hasil olah data SPSS, 2015
Tabel 4.14 menunjukkan nilai Durbin-Watson sebesar 1,731, nilai ini akan dibandingkan dengan nilai tabel Durbin-Watson pada
signifikansi 5%, jumlah sampel data 60 (n = 60), jumlah variabel independen 3 (k = 3), didapat nilai dl = 1,480 dan nilai du = 1,689. Oleh karena nilai Durbin-Watson 1,731 lebih besar dari batas atas (du) 1,689 dan terletak antara -2 sampai 2, maka dapat disimpulkan tidak terjadi autokorelasi pada model regresi persamaan (4).
4.2.4 Uji Hipotesis
4.2.4.1 Analisis Regresi Linear Sederhana
Analisis regresi linear sederhana bertujuan menguji pengaruh parsial Investment Opportunity Set (IOS) dan struktur modal terhadap profitabilitas, serta pengaruh langsung dan parsial Investment Opportunity Set (IOS), struktur modal dan profitabilitas terhadap nilai perusahaan publik sektor industri manufaktur di Indonesia. Analisis regresi linear sederhana menggunakan uji-t dilakukan terhadap model regresi persamaan (1) dan model regresi persamaan (2) ditunjukkan Tabel 4.15 di bawah ini
Tabel 4.15 Uji-t Persamaan (1) Coefficientsa Model Unstandardized Coefficients Standardized Coefficients T Sig. B Std. Error Beta 1 (Constant) 2,252 ,073 30,741 ,000 LN_IOS ,340 ,038 ,663 8,873 ,000 LN_DER ,454 ,076 ,445 5,953 ,000 a. Dependent Variable: LN_PBV
Tabel 4.15 menunjukkan hasil uji-t model regresi persamaan (1) dengan menggunakan software SPSS, interpretasinya adalah sebagai berikut :
a. Variabel Investment Opportunity Set (IOS)
Nilai t-hitung IOS adalah 8,873 dan nilai t-tabel adalah 2,000 sehingga t-hitung > t-tabel (8,873 > 2,000). Hal ini berarti variabel
Investment opportunity Set (IOS) berpengaruh secara langsung positif dan signifikan (0,000 < 0,05) terhadap nilai perusahaan publik sektor industri manufaktur di Indonesia.
b. Variabel Struktur Modal (DER)
Nilai t-hitung DER adalah 5,953 dan nilai t-tabel adalah 2,000 sehingga t-hitung < t-tabel (5,953 < 2,000). Hal ini berarti variabel struktur modal berpengaruh secara langsung positif dan signifikan (0,000 < 0,05) terhadap nilai perusahaan publik sektor industri manufaktur di Indonesia.
Hasil output estimasi regresi persamaan (1) dalam Tabel 4.15 menghasilkan persamaan regresi linear sebagai berikut.
Y = 2,252 + 0,340X1 + 0,454X2 + ε Di mana :
Y = nilai perusahaan publik sektor industri manufaktur di Indonesia X1 = Investment opportunity Set (IOS)
X2 = struktur modal ε = error
Interpretasi :
a. Konstanta sebesar 2,252 menunjukkan bahwa apabila tidak ada variabel bebas (Investment Opportunity Set dan struktur modal) maka nilai perusahaan publik sektor industri manufaktur di Indonesia yang diproksikan dengan PBV adalah sebesar 2,252 kali. b. Koefisien regresi variabel Investment Opportunity Set (IOS) adalah
sebesar 0,340, yang berarti bahwa setiap kenaikan peluang investasi sebesar 1 kali akan meningkatkan nilai perusahaan publik sektor industri manufaktur di Indonesia sebesar 0,340 kali.
c. Koefisien regresi variabel struktur modal yang diproksikan dengan DER adalah sebesar 0,454, yang berarti bahwa setiap kenaikan hutang sebesar 1 kali akan meningkatkan nilai perusahaan publik sektor industri manufaktur di Indonesia sebesar 0,454 kali.
Persamaan yang dihasilkan melalui analisis regresi di atas bertujuan untuk mengatahui pengaruh masing-masing variabel independen terhadap variabel intervensi. Besarnya presentase kebenaran dari uji regresi dapat dilihat melalui koefisien determinasi
multiple R2 (koefisien determinan mengukur proporsi dari variasi yang dapat dijelaskan oleh variabel independen). Apabila nilai R2 suatu regresi (mendekati satu), maka semakin baik regresi tersebut dan semakin mendekati nol, maka variabel independen secara keseluruhan tidak bisa menjelaskan variabel dependen. Adjusted R Square ini digunakan untuk melihat berapa besar pengaruh faktor- faktor yang
ditimbulkan oleh variabel-variabel independen terhadap variabel