Hasil Uji Asumsi Klasik a. Uji Normalitas

rata-rata likuiditas

2. Hasil Uji Asumsi Klasik a. Uji Normalitas

Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal. Dalam uji normalitas ini digunakan analisis grafik dan uji Kolomogorov-Smirnov untuk mendeteksi apakah residual berdistribusi normal atau tidak.

1) Analisa grafik dengan Normal Probability Plot (Normal P-P Plot). Uji normalitas data dengan menggunakan SPSS 19.0 menghasilkan grafik sebagai berikut:

Grafik 4.6 Hasil Uji Normalitas

Sumber : Hasil output dengan SPSS

Berdasarkan hasil olah data diatas, dapat dilihat bahwa titik-titik yang menyebar disekitar garis diagonal dan penyebaran titik-titik data searah dengan garis diagonal, hal ini menandakan bahwa model asumsi regresi memenuhi asumsi normalitas dan model regresi layak dipakai untuk menganalisis pengaruh variabel-variabel bebas (struktur aktiva, profitabilitas, ukuran perusahaan dan likuiditas) terhadap variabel terikat (struktur modal).

2) Uji Kolmogorov-Smirnov

Tabel 4.6

Uji Kolmogorov-Smirnov

One-Sample Kolmogorov-Smirnov Test

Unstandardized Residual

N 54

Normal Parameters^a,b Mean .0000000

Std. Deviation .36129115

Most Extreme Differences Absolute .197

Positive .197

Negative -.128

Kolmogorov-Smirnov Z 1.448

Asymp. Sig. (2-tailed) .336

a. Test distribution is Normal. b. Calculated from data.

Sumber : Hasil Output SPSS

Berdasarkan tabel di atas, maka dapat disimpulkan data dalam penelitian ini berdistribusi normal. Hal ini dapat dilihat dari nilai Sig. > derajat alpha atau 0,336 > 0,05.

b. Uji Multikoliniearitas

Uji multikoliniearitas diperlukan untuk memperoleh korelasi yang sebenarnya, yang tidak tidak dipengaruhi oleh variabel-variabel lain yang mungkin saja berpengaruh. Istilah dikontrol menunjukkan pada pengertian ditiadakannya pengaruhnya terhadap variabel-variabel yang dikorelasikan.

Tabel 4.7

Hasil Uji Multikoliniearitas Coefficients^a Model Collinearity Statistics Tolerance VIF 1 (Constant) Struktur_Aktiva .656 1.524 Profitabiitas .765 1.307 Ukuran_Perusahaan .813 1.231 Likuiditas .892 1.121

a. Dependent Variable: Struktur_Modal Sumber : Hasil output SPSS

Berdasarkan tabel diatas, dari hasil uji Variance Inflation Factor (VIF) pada hasil output SPSS tabel coefficients, masing-masing variabel independen memiliki nilai VIF struktur aktiva = 1,524; profitabilitas = 1,307; ukuran perusahaan = 1,231; dan likuiditas 1,121. Sedangkan nilai Tolerance variabel bebas struktur aktiva = 0,656; profitabilitas = 0,765; ukuran perusahaan = 0,813; dan likuiditas 0,892. Karena masing-masing variabel bebas memiliki nilai VIF < 10 dan nilai Tolerance > 0,01 maka dapat disimpulkan bahwa model regresi linier berganda tidak terdapat multikoliniearitas antara variabel terikat dengan variabel bebas sehingga dapat digunakan dalam penelitian.

c. Uji Heteroskedastisitas

Uji heteroskedastisitas pada penelitian ini menggunakan metode analisis grafik Scatterplot dan uji Rank-Spearman

Grafik 4.7

Hasil Uji Heteroskedastisitas dengan Scatterplot

Sumber : Hasil output SPSS

Berdasarkan grafik diatas, terlihat bahwa titik-titik sampel menyebar secara acak, namun adanya pengumpulan data yang terkesan membuat suatu pola tertentu. Hal tersebut akan diperkuat dengan metode Rank-Spearman.

Tabel 4.8

Hasil Uji Heteroskedastisitas dengan Rank-Spearman

Correlations

Res_1 X1 ^X2 ^X3 ^X4

Spearman's rho Res_1 Correlation Coefficient 1.000 -.012 -.119 -.135 -.116

Sig. (1-tailed) . .467 .195 .166 .201 N 54 54 54 54 54 X1 ^{Correlation Coefficient} ^-.012 ^{1.000 -.321}^**^-.316^** ^-.158 Sig. (1-tailed) .467 . .009 .010 .127 N 54 54 54 54 54 X2 ^{Correlation Coefficient} ^{-.119 -.321}^** ^1.000 ^.192 ^.458^** Sig. (1-tailed) .195 .009 . .082 .000 N 54 54 54 54 54 X3 ^{Correlation Coefficient} ^{-.135 -.316}^** ^.192 ^1.000 ^.065 Sig. (1-tailed) .166 .010 .082 . .321 N 54 54 54 54 54 X4 ^{Correlation Coefficient} ^-.116 ^-.158 ^.458^** ^.065 ^1.000 Sig. (1-tailed) .201 .127 .000 .321 . N 54 54 54 54 54

**. Correlation is significant at the 0.01 level (1-tailed). Sumber : Hasil output SPSS

Berdasarkan hasil tabel diatas, nilai Sig. struktur aktiva (X1^), profitabilitas (X2^{), ukuran perusahaan (X}3^{) dan likuiditas (X}4^{) > 0,05} dengan arah negatif, karena nilai Sig. > α (Sig. > 0,05) maka pada model ini tidak terdapat gejala heteroskedastisitas (Suliyanto, 2011:112).

d. Uji Autokorelasi

Uji otokorelasi bertujuan untuk mengetahui apakah ada korelasi antara anggota serangkaian data observasi yang diuraikan menurut waktu (time-series) atau ruang (cross section). Salah satu penyebab munculnya masalah autokorelasi adalah adanya kelembaman (inertia)

artinya kemungkinan besar akan mengandung saling ketergantungan (interdependence) pada data observasi periode sebelumnya dan periode sekarang.

Salah satu ukuran dalam menentukan ada tidaknya masalah otokorelasi adalah dengan uji Durbin-Watson (DW). Berikut adalah hasil uji otokorelasi dengan metode Durbin Watson (DW) pada tabel di bawah ini:

Tabel 4.9

Uji Durbin Watson (DW) Model Summary^b Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .662^a .439 .393 .375748 1.429

a. Predictors: (Constant), Likuiditas, Ukuran_Perusahaan, Profitabiitas, Struktur_Aktiva b. Dependent Variable: Struktur_Modal

Sumber : Data diolah

Berdasarkan pada tabel diatas nilai Durbin-Watson (DW) sebesar 1,429. Jika dibandingkan dengan tabel Durbin-Watson dengan jumlah observasi (n) = 54 dan jumlah variabel independen 4 (k = 4) diperoleh nilai tabel dl (lower) = 1,378 dan du (upper) = 1,721. Oleh karena itu nilai DW = 1,429 berada diantara dl = 1,494 dan du = 1,721, maka dapat disimpulkan terjadi autokorelasi positif.

Oleh karena adanya autokorelasi maka nilai standar error dan nilai t-statistik tidak dapat dipercaya sehingga diperlukan pengobatan. Pengobatan autokorelasi tergantung dari nilai ρ yang dapat diestimasi dengan beberapa cara seperti di bawah ini:

1. Nilai ρ diestimasi dengan Durbin-Watson d

2. Nilai ρ diestimasi dengan Theil-Nagar d

3. The Cohrane-Orcutt two-step Procedures Tabel 4.10

Pengobatan Uji Durbin Watson.1 (DW) Coefficients^a Model Unstandardized Coefficients Standardized Coefficients T Sig. B Std. Error Beta 1 (Constant) .005 .048 .114 .910 Ut_1 .274 .134 .276 2.049 .046

a. Dependent Variable: Unstandardized Residual Sumber : Data diolah

Berdasarkan hasil output SPSS diperoleh nilai ρ pada iterasi pertama sebesar 0,274 (yaitu koefisien variabel Ut_1).

Tabel 4.11

Pengobatan Uji Durbin Watson.2 (DW) Coefficients^a Model Unstandardized Coefficients Standardized Coefficients T Sig. B Std. Error Beta 1 (Constant) .445 .114 3.908 .000 struktur_aktiva_1 -1.515 .472 -.430 -3.207 .002 profitabilitas_1 -1.479 .448 -.409 -3.303 .002 ukuran_perusahaan_1 .029 .036 .100 .828 .412 likuiditas_1 -.214 .053 -.460 -4.009 .000

a. Dependent Variable: struktur_modal_1 Sumber : Data Diolah

Berdasarkan hasil output SPSS memberikan nilai β*2 sebesar -1,515, nilai β*3 sebesar -1,479, nilai β*4 sebesar 0,029 dan nilai β*5 sebesar -0,214 , sedangkan nilai β*1 = β1(1-ρ) = (0,005) * (1 - 0,274) = 0,00363.

Tabel 4.12

Pengobatan Uji Durbin Watson.3 (DW) Coefficients^a Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) .470 .138 3.400 .001 LagUt .572 .115 .573 4.987 .000 a. Dependent Variable: Ut

Sumber : Data diolah

Berdasarkan hasil output SPSS diperoleh nilai ρ = 0,572 pada iterasi kedua. Berdasarkan pada perhitungan di atas diperoleh nilai ρ menurut berbagai metode seperti terlihat pada tabel dibawah ini:

Tabel 4.13

Pengobatan Uji Durbin Watson.4 (DW)

Metode Nilai ρ

Durbin-Watson d 0,2855

Theil-Nagar d 0,2926

Cochrane-Orcutt Step 1 0,274 Cochrane-Orcutt Step 2 0,572 Sumber: Data diolah

Ketiga metode ternyata menghasilkan nilai ρ yang hampir sama. Untuk itu penulis memilih metode Durbin-Watson d untuk mentranformasikan persamaan regresi.

Tabel 4.14

Pengobatan Uji Durbin Watson.5 (DW) Model Summary^b Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .632^a .400 .350 .34546 1.880

a. Predictors: (Constant), likuiditas@, struktur_aktiva@, ukuran_perusahaan@, profitabilitas@

b. Dependent Variable: struktur_modal@ Sumber : Data diolah

Membandingkan hasil regresi persamaan asli sebelum ada transformasi dan hasil regresi setelah transformasi ternyata dapat dibandingkan . Pada persamaan asli nilai Durbin-Watson sebesar 1,429 dan terjadi autokorelasi positif, sedangkan pada tabel 4.14 menunjukkkan bahwa nilai Durbin-Watson sebesar 1,880 dengan nilai n = 54 dan k = 4 maka diperoleh:

Nilai dl = 1,414 dan 4 – dl = 2,586 Nilai du = 1,724 dan 4 – du = 2,276

Hasil perhitungan pada tabel 4.14 menunjukkan bahwa nilai DW -tes berada pada daerah antara du dan 4 - du, 1,724 < 1,880 < 2,276 maka dapat disimpulkan bahwa pada model regresi tidak terdapat gejala autokorelasi baik secara positif maupun negatif.

3. Pengujian Hipotesis

Dalam dokumen Pengaruh Struktur Aktiva, Profitabilitas, Ukuran Perusahaan dan Likuiditas Perusahaan Terhadap Struktur Modal (Studi Kasus Pada Perusahaan Makanan dan Minuman yang Terdaftar di Bursa Efek Indonesia Tahun 2007-2012) (Halaman 100-109)