BAB IV HASIL PENELITIAN DAN PEMBAHASAN
B. Hasil Uji Kualitas Data
Statistik deskriptif mempunyai tujuan untuk memberikan gambaran mengenai suatu data agar data yang tersaji menjadi mudah dipahami dan informatif bagi orang yang membacanya. Statistik deskriptif menjelaskan berbagai karakteristik data seperti nilai minimum, nilai maximum, nilai rata-rata dan standar deviasi. Statistik deskriptif variabel-variabel yang digunakan dalam penelitian ini disajikan sebagai berikut :
Tabel 4.3 Descriptive Statistics
N Minimum Maximum Mean Std. Deviation
DER 295 .10 10.15 .9662 .90990 ROA 295 .00 .72 .1094 .10340 CR 295 .21 11.74 2.3820 1.73581 GROWTH 295 .00 1185.78 6.3171 77.00539 SIZE 295 4.89 7.93 6.2306 .68155 Valid N (listwise) 295
Tabel 4.3 menunjukkan hasil bahwa variabel Debt to Equity Ratio
dengan sampel 295 mempunyai nilai minimum sebesar 0,10, nilai maksimum sebesar 10,15, dengan nilai rata-rata sebesar 0.9662 dan standar deviasi 0,90990. Variabel Return On Asset dengan sampel 295 mempunyai nilai minimum sebesar 0,00, nilai maksimum sebesar 0,72, dengan nilai rata-rata sebesar 0,1094 dan standar deviasi 0,10340. Variabel Current Ratio dengan sampel 295 mempunyai nilai minimum sebesar 0,21, nilai maksimum sebesar 11,74, dengan nilai rata-rata sebesar 2,3820 dan standar deviasi 1,73581. Variabel Growth dengan sampel 295 mempunyai nilai minimum sebesar 0,00, nilai maksimum sebesar 1185,78, dengan nilai rata-rata sebesar 6,3171 dan standar deviasi 77,00539. Variabel Size dengan sampel 295 mempunyai nilai minimum sebesar 4,89, nilai maksimum sebesar 7,93, dengan nilai rata-rata sebesar 6,2306 dan standar deviasi 0,68155.
2. Uji Asumsi Klasik
Uji kevalidan data dalam penelitian ini menggunakan uji asumsi klasik karena data yang digunakan adalah data sekunder dan menggunakan alat analisis regresi, jika model regresi terdapat penyimpangan klasik, maka sebaiknya dilakukan usaha-usaha tertentu untuk menyelesaikannya. Uji asumsi klasik digunakan agar model regresi pada penelitian ini signifikan dan representatif atau disebut Best Linier Unbiased Estimator (BLUE). Asumsi klasik yang digunakan yaitu :
a. Uji Normalitas
Uji normalitas digunakan untuk menguji apakah dalam sebuah model regresi, variabel independen dan variabel dependen atau keduanya mempunyai distribusi normal atau tidak, untuk mengidentifikasi normalitas dalam penelitian ini menggunakan metode uji one sample kolmogorov-smirnov (KS). Apabila nilai probabilitas signifikan > 0,05 maka residual berdistribusi normal. Hasil uji dengan metode K-S diperoleh sebagai berikut ini :
Tabel 4.4
Uji Normalitas Sebelum Logaritma Natural One-Sample Kolmogorov-Smirnov Test
Unstandardiz ed Residual N 233 Normal Parametersa Mean -.1284499 Std. Deviation .39040422 Most Extreme Differences Absolute .136 Positive .136 Negative -.094 Kolmogorov-Smirnov Z 2.080
Asymp. Sig. (2-tailed) .000
a. Test distribution is Normal. Sumber: Hasil olah data
Tabel 4.5
Hasil Uji Normalitas Setelah Logaritma Normal One-Sample Kolmogorov-Smirnov Test
Unstandardiz ed Residual
N 233
Normal Parametersa Mean .0000000
Std. Deviation .11194556 Most Extreme Differences Absolute .024 Positive .023 Negative -.024 Kolmogorov-Smirnov Z .371
Asymp. Sig. (2-tailed) .999
Sumber: Hasil olah data
Hasil perhitungan pertama pada tabel 4.4 menunjukkan bahwa total data 233 dan besar signifikansinya 0,000 lebih kecil dari 0,05. Hal ini berarti data residual tidak berdistribusi normal, sehingga dapat disimpulkan model regresi tidak memenuhi asumsi normalitas. Cara memenuhi uji asumsi klasik normalitas dalam penelitian ini menggunakan Logaritma natural L(n), karena data variabel yang digunakan mengalami GAP yang jauh signifikan di antara variabel.
Hasil perhitungan kedua pada tabel 4.5 menunjukkan bahwa total data 233 dan besar signifikansinya 0,999 lebih besar dari 0,05. Hal ini berarti data residul berdistribusi normal, sehingga dapat disimpulkan model regresi memenuhi asumsi normalitas.
b. Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam suatu model regresi linier ada korelasi antara residual (kesalahan pengganggu) pada periode t dengan residual pada periode t-1
(sebelumnya). Hasil uji autokorelasi dengan melihat besaran dari
Durbin-Watson (DW test). Nilai Durbin Watson yang berada diantara du dan 4-dU/dL < d < 4-dU, menunjukkan hasil bahwa tidak terkena gejala autokorelasi. Pertama dilakukan transformasi data dalam bentuk
log, ternyata hasilnya terkena gejala autokorelasi. Cara untuk mengobati adanya gejala autokorelasi menggunakan metode Theil Nagar adalah sebagai berikut:
Dimana:
N = banyaknya jumlah sampel d = Durbin-Watson
k = banyaknya jumlah variabel
Mencari nilai p dengan perhitungan sebagai berikut:
P=
233 2 1−0,9672 +42 2332 − 42P =
54289 1−0,4835 +16 54289− 16P=
28056 ,26 54273P=0,5169
1− �2 = 1−0,5169
= 1−0,267 = 0,733 =0,856
Setelah diketahui nilai dari persamaan diatas, maka data pertama dari sampel diturunkan terlebih dahulu menjadi data sampel kedua. Setelah diketahui hasil dari perhitungan sebesar 0,856 maka angka ini digunakan untuk menghitung data 1 dengan rumus y/x (0,856), untuk data kedua dan seterusnya menggunakan rumus y-(��−1(0,267)).
Tabel 4.6
Hasil Uji Autokorelasi Setelah Theil Negar
Uji Autokolerasi dU DW-test 4-Du Keterangan Durbin Watson 1.819 1.840 2.181 Tidak terdapat masalah
autokolerasi Sumber: Hasil olah data
Berdasarkan hasil pada tabel 4.6 menunjukkan bahwa data sebanyak 233 sampel dengan nilai DW sebesar 1,840, nilai dU pembanding sebesar 1,819. Nilai tabel dU < DW < 4 – dU = 1,819 < 1,840 < 2,181, sehingga bisa disimpulkan bahwa tidak terdapat gejala autokorelasi.
c. Uji Multikolinearitas
Uji multikolinearitas digunakan untuk mengetahui adanya korelasi antara variabel independen dalam sebuah model regresi berganda. Cara untuk mencegah adanya gejala multikolinearitas dapat dilihat
dari nilai Tolerance dan Variance Inflation Factor (VIF), jika nilai
tolerance > 0,1 dan nilai VIF < 10 maka tidak terdapat gejala multikolinearitas.
Berdasarkan uji asumsi klasik multikolinearitas diperoleh hasil sebagai berikut :
Tabel 4.7
Hasil Uji Multikolinearitas
Variabel independen
Collinearity
Statistics Keterangan Tolerance VIF
ROA 0.858 1.166 Tidak ada multikolinearitas Current Ratio 0.852 1.174 Tidak ada multikolinearitas Growth 0.955 1.047 Tidak ada multikolinearitas Size 0.922 1.085 Tidak ada multikolinearitas
Sumber: Hasil olah data
Berdasarkan tabel 4.7 menunjukkan bahwa nilai tolerance dari keempat variabel lebih besar dari 0,1 dan variabel independen tidak ada yang mempunyai nilai VIF yang lebih kecil dari 10. Hasil ini menunjukkan tidak terjadi gejala multikolinearitas dalam model regresi.
d. Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidakpastian varian dari residual satu pengamatan ke pengamatan lain. Cara yang digunakan dalam uji
heteroskedastisitas pada penelitian ini menggunakan uji Glejser yaitu dengan mengkorelasikan nilai absolute dari residual dengan masing-masing variabel independen, jika hasil pengujian diperoleh nilai signifikansi > 0,05 maka tidak terjadi heteroskedastisitas. Hasil uji heteroskedastisitas adalah sebagai berikut :
Tabel 4.8
Hasil Uji Heteroskedastisitas
Variabel Independen Nilai (Sig) Keterangan
ROA 0.487 Tidak terjadi heteroskedastisitas CR 0.103 Tidak terjadi heteroskedastisitas GROWTH 0.612 Tidak terjadi heteroskedastisitas SIZE 0.054 Tidak terjadi heteroskedastisitas Sumber: Hasil olah data
Hasil pada tabel 4.8 menggunakan hasil uji glejser menunjukkan bahwa variabel independen tidak berpengaruh signifikan secara statistik karena nilai (sig) lebih besar dari 0,05. Hal ini bahwa tidak ada gejala heteroskedastisitas.
Berdasarkan uji asumsi klasik dapat disimpulkan bahwa model regresi dalam penelitian ini telah memenuhi asumsi normalitas, tidak terjadi autokorelasi, tidak terjadi multikolinearitas, tidak terjadi heteroskedastisitas, sehingga model regresi dalam penelitian ini layak untuk digunakan.