BAB III METODOLOGI PENELITIAN
F. Metode dan Teknik Analisis data
Metode analisis data yang digunakan adalah metode analisis statistik
dengan menggunakan software SPSS 16. Sebelum data dianalisis, maka untuk
keperluan analisis data tersebut terlebuh dahulu dilakukan uji asumsi klasik.
1. Pengujian Asumsi Klasik
Uji asumsi klasik yang dilakukan adalah uji normalitas data, uji
multikolonieritas, uji heteroskedastisitas dan uji autokorelasi.
a. Uji Normalitas
Uji normalitas data bertujuan untuk menguji apakah dalam model regresi,
variabel pengganggu atau residual memiliki distribusi normal. Kalau nilai
jumlah sampel kecil (Ghozali, 2005:110). Menurut Ghozali (2005:110), ”cara
untuk mendeteksi apakah residual berdistribusi normal atau tidak ada dua, yaitu
analisis grafik dan analisis statistik. Normalitas dapat dideteksi dengan melihat
penyebaran data (titik) pada sumbu diagonal dan grafik dengan melihat histogram
dari residualnya”. Dasar pengambilan keputusannya adalah:
1) jika data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal
atau grafik histogramnya menunjukkan pola berdistribusi normal, maka model
regresi memenuhi asumsi normalitas,
2) jika data menyebar jauh dari diagonal dan tidak mengikuti arah garis diagonal
atau grafik histogram tidak menunjukkan data berdistribusi normal, maka
model regresi tidak memenuhi asumsi normalitas.
”Uji statistik yang dapat digunakan untuk menguji normalitas residual adalah
uji statistik Kolmogorov-Smirnov (K-S)”, yang dijelaskan oleh Ghozali
(2005:115). Uji K-S dibuat dengan membuat hipotesis:
Ho : Data residual berdistribusi normal
Ha : Data residual tidak berdistribusi normal
Bila signifikansi >0,05 dengan α = 5% berarti distribusi data normal dan Ho diterima, sebaliknya bila nilai signifikan <0,05 berarti distribusi data tidak normal
b. Uji Multikolinieritas
Uji Multikolinieritas bertujuan untuk menguji apakah dalam model regresi
ditemukan korelasi antar variabel bebas. Pengujian ini dapat dilihat dari nilai VIF
dan korelasi di antara variablel bebas. Jika terjadi korelasi di antara variabel
bebas lebih besar dari 0,9 berarti terjadi masalah multikolinieritas. Model regresi
yang baik seharusnya tidak terjadi korelasi di antara variabel bebasnya (Ghozali,
2005: 91).
c. Uji Heteroskedastisitas
Uji ini memiliki tujuan untuk menguji apakah dalam model regresi terjadi
ketidaksamaan varians dari residual suatu pengamatan ke pengamatan yang lain.
Menurut Erlina (2007:108) “jika varians dari residual satu pengamatan ke
pengamatan lainnya tetap, maka disebut homoskedastisitas. Sebaliknya jika
varians berbeda, maka disebut heterokedasitas”. Ada tidaknya heteroskedastisitas
dapat dilakukan dengan melihat grafik Scaterplot antar nilai prediksi variabel
independen dengan nilai residualnya. Dasar analisis yang dapat digunakan untuk
menentukan heteroskedastisitas, antara lain:
1) jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu
yang teratur (bergelombang, melebar kemudian menyempit), maka
mengindikasikan telah terjadi heteroskedastisitas,
2) jika tidak ada pola yang jelas, seperti titik-titik menyebar di atas dan di bawah
angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas atau terjadi
d. Uji Autokorelasi
Uji ini bertujuan untuk melihat apakah dalam suatu model regresi linear
ada korelasi antar kesalahan pengganggu pada periode t dengan kesalahan pada
periode t-1 (sebelumnya). Model regresi yang baik adalah yang bebas dari
autokorelasi. Masalah autokorelasi umumnya terjadi pada regresi yang datanya
time series. Ada beberapa cara yang dapat digunakan untuk mendeteksi masalah dalam autokorelasi di antaranya adalah dengan Uji Durbin Watson pada buku
stastistik relevan. Namun, secara umum dapat diambil patokan sebagai berikut:
1. angka D-W di bawah –2 berarti ada autokorelasi positif,
2. angka D-W di antara -2 sampai +2, berarti tidak ada autokorelasi,
3. angka D-W di atas +2 berarti ada autokorelasi negatif.
2. Uji Hipotesis
Hipotesis diuji dengan menggunakan analisis regresi linear berganda,
dengan persamaan sebagai berikut:
Y = a + b1X1 + b2X2 + e
Dimana:
Y = Variable dependen (Pertumbuhan Laba = PL)
a = Konstanta
X1 = Variabel independen 1 (CAR)
X2 = Variabel independen 2 (DER)
b1, b 2, b 3 = Koefisien regresi CAR, DER
Hipotesis dalam penelitian ini menggunakan Uji F dan Uji t.
a. Uji F
Uji ini dilakukan untuk menilai pengaruh variabel independen secara
bersama-sama terhadap variabel dependen. Hipotesa yang akan diuji
adalah sebagai berikut :
H0 : b1=b2=0, artinya tidak semua variabel independen berpengaruh
simultan.
Ha : b1≠b2≠0, artinya semua variabel independen berpengaruh secara simultan.
Uji ini dilakukan dengan membandingkan signifikansi F-hitung dengan
F-tabel dengan ketentuan :
Jika Fhitung < Ftabel, maka H0 diterima
Jika Fhitung > Ftabel, maka H0 ditolak.
b. Uji t
Uji t (t-test) digunakan untuk menunjukkan seberapa jauh pengaruh satu
variabel independen terhadap variabel dependen secara parsial. Hipotesa
yang akan diuji adalah sebagai berikut :
H0 : b1=b2=0, artinya tidak semua variabel independen berpengaruh
parsial.
Ha : b1≠b2≠0, artinya semua variabel independen berpengaruh secara parsial.
Uji ini dilakukan dengan membandingkan t-hitung dengan t-tabel dengan
Jika thitung < ttabel, maka H0 diterima
BAB IV
HASIL DAN PEMBAHASAN
A. Data Penelitian
Metode analisis data yang digunakan dalam penelitian ini adalah metode
analisis statistik yang menggunakan persamaan regresi berganda. Analisis data
dimulai dengan mengolah data dengan menggunakan Microsoft excel, selanjutnya
dilakukan pengujian asumsi klasik dan pengujian menggunakan regresi berganda.
Pengujian asumsi klasik dan regresi berganda dilakukan dengan menggunakan
software SPSS versi 16. Prosedur dimulai dengan memasukkan variabel-variabel penelitian ke program SPSS tersebut dan menghasilkan output-output sesuai
metode analisis data yang telah ditentukan. Berdasarkan kriteria yang telah
ditetapkan, didapat 16 perusahaan yang memenuhi kriteria dan dijadikan sampel
Tabel 4.1
Sampel Perusahaan Perbankan
No Kode Nama Emiten
1 INPC Bank Artha Graha Internasional Tbk. 2 BBCA Bank Central Asia Tbk.
3 BDMN Bank Danamon Tbk.
4 BNII Bank Internasional Indonesia Tbk.
5 BKSW Bank Kesawan Tbk.
6 BMRI Bank Mandiri Tbk.
7 MAYA Bank Mayapada Internasional Tbk.
8 MEGA Bank Mega Tbk.
9 BBNI Bank Negara Indonesia Tbk.
10 NISP Bank OCBC NISP Tbk.
11 BBNP Bank Nusantara Parahyangan Tbk. 12 PNBN Bank Pan Indonesia Tbk.
13 BNLI Bank Permata Tbk.
14 BBRI Bank Rakyat Indonesia Tbk. 15 BSWD Bank Swadesi Tbk.
16 BVIC Bank Victoria International Tbk. Sumber : Data yang diolah penulis, 2011.
B. Analisis Hasil Penelitian 1. Analisis Statistik Deskriptif
Informasi yang dibutuhkan dalam penelitian ini merupakan data sekunder
yang diperoleh dari www.idx.co.id dan Indonesian Capital Market Directory
berupa data keuangan sampel perusahaan perbankan dari tahun 2006 sampai tahun
2008 yang dijabarkan dalam bentuk statistik.
Variabel dari penelitian ini terdiri dari Capital Adequacy Ratio dan Debt to
Equity Ratio sebagai variabel bebas (independent variable) dan Pertumbuhan Laba (Laba) sebagai variabel terikat (dependent variable). Statistik deskriptif dari
variabel tersebut dari sampel perusahaan perbankan selama periode 2006 sampai
dengan tahun 2008 disajikan dalam tabel 4.2 berikut.
Tabel 4.2
Statistik Deskriptif Variabel-Variabel
Descriptive Statistics
N Minimum Maximum Mean Std. Deviation
CAR 48 .0937 .3327 .177417 .0534702
DER 48 3.7520 19.0413 9.874269 3.1313976
PrtmbhnLaba 48 -.9478 2.3607 .218973 .5481315 Valid N (listwise) 48
Sumber : Diolah oleh penulis dengan SPSS, 2011.
Dari tabel 4.2 dijelaskan bahwa :
1. Variabel Capital Adequacy Ratio (CAR) memiliki nilai minimum 0,0937
dan nilai maksimum 0,3327. Nilai rata-rata CAR 0,177417 dengan standar
deviasi 0,0534702.
2. Variabel Debt to Equity Ratio (DER) memiliki nilai minimum 3,7520 dan
nilai maksimum 19,0413. Nilai rata-rata DER 9,874269 dengan standar
deviasi 3,1313976.
3. Variabel Pertumbuhan Laba (Laba) memiliki nilai minimum -0.9478 dan
nilai maksimum 2,3607. Nilai rata-rata Laba 0,218973 dengan standar
deviasi 0,5481315.
4. Observasi berjumlah 48
2. Uji Asumsi Klasik a. Uji Normalitas
Uji normalitas data bertujuan untuk mengetahui apakah dalam model
diketahui bahwa uji-t dan uji-F mengasumsikan bahwa residual mengikuti
distribusi normal.
Pengujian normalitas dalam penelitian ini menggunakan dua cara, yaitu
analisis grafik, yang terdiri dari histogram dan normal probability plot, serta
analisis statistik dengan menggunakan uji Kolmogorov-Smirnov (K-S).
Hasil uji grafik dalam penelitian ini menunjukkan distribusi residual yang
relatif normal, hal ini dapat ditunjukkan oleh grafik histogram yang tidak
menceng ke kiri atau ke kanan. Selain itu, normal probability plot menunjukkan
pola titik-titik yang menyebar mendekati dan searah garis diagonal grafik, hal ini
mengindikasikan data sudah relatif normal.
Gambar 4.1
Uji Normalitas dengan Histogram
Gambar 4.2
Uji Normalitas dengan Plot
Sumber : Diolah oleh penulis dengan SPSS, 2011.
Untuk memastikan lebih akuratnya prediksi asumsi normalitas, maka
selain uji grafik, dilakukan juga uji Kolmogorov-Smirnov. Uji ini mensyaratkan
nilai signifikansi residual lebih besar dari 0,005 agar suatu distribusi residual
Tabel 4.3 Uji Normalitas Data
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 48
Normal Parametersa Mean .0000000
Std. Deviation .62141428
Most Extreme Differences Absolute .191
Positive .191
Negative -.116
Kolmogorov-Smirnov Z 1.326
Asymp. Sig. (2-tailed) .059
a. Test distribution is Normal.
Sumber : Diolah oleh penulis dengan SPSS, 2011.
Dari tabel diatas, besarnya Kolmogorv-Smirnov (K-S) adalah 1,326 dan
signifikansi pada 0,059 sehingga dapat disimpulkan bahwa data dalam model
regresi telah terdistribusi secara normal, dimana nilai signifikansinya lebih dari
0,005 (p=0,059 > 0,005). Dengan demikian, secara keseluruhan dapat disimpulkan
bahwa nilai-nilai observasi data telah terdistribusi secara normal dan dapat
dilanjutkan dengan uji asumsi klasik lainnya.
b. Uji Multikolinieritas
Uji Multikolinearitas bertujuan untuk menguji apakah dalam suatu model
regresi ditemukan adanya korelasi di antara variabel bebas (independen). Model
regresi yang baik seharusnya tidak terjadi korelasi di antara variabel independen.
Akibat dari terjadinya korelasi antar variabel bebas ini adalah
koefisien-koefisien regresi menjadi tidak dapat ditaksir dan nilai standart error bagi setiap
koefisien menjadi tidak terhingga. Hasil uji multikolinearitas disajikan dalam
tabel 4.4 dan tabel 4.5.
Tabel 4.4
Uji Multikolinearitas (1)
Model CAR DER
1 Correlations CAR 1.000 .767
DER .767 1.000
Covariances CAR .002 .073
DER .073 5.605
a. Dependent Variable: Laba
Sumber : Diolah oleh penulis dengan SPSS, 2011.
Tabel 4.5 Uji Multikolinearitas (2) Coefficientsa Model Unstandardized Coefficients Standardized Coefficients T Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) .505 .774 .652 .518
CAR -.376 2.368 -.037 -.159 .875 .412 2.425
DER -.022 .040 -.127 -.549 .586 .412 2.425
a. Dependent Variable: Laba
Sumber : Diolah oleh penulis dengan SPSS, 2011.
Dari tabel 4.4 dapat dilihat bahwa hasil besaran korelasi antar variabel
bebas masih di bawah 95 %, maka dapat dikatakan bahwa tidak terjadi
Hasil perhitungan nilai tolerance pada tabel 4.5 menunjukkan tidak ada
variabel independen yang memiliki nilai tolerance kurang dari 0.10 yang berarti
tidak terjadi korelasi antar variabel independen yang nilainya lebih dari 95%.
Hasil perhitungan nilai Variance Inflation Factor (VIF) juga menunjukkan hal
yang sama, tidak ada variabel bebas yang memiliki nilai VIF lebih dari 10.
Berdasarkan tabel diatas dapat disimpulkan bahwa tidak ada multikolinieritas
antar variabel independen dalam model regresi.
c. Uji Heteroskedastisitas
Uji Heteroskedastisitas bertujuan untuk menguji apakah dalam model
regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke
pengamatan yang lain (Ghozali, 2005: 105). Untuk mendeteksi ada tidaknya
heteroskedastisitas, dapat dilihat dari grafik scatterplot antara nilai prediksi
variabel terikat yaitu ZPRED dengan residualnya SRESID. Jika ada pola tertentu
seperti titik-titik yang teratur, maka telah terjadi heteroskedastisitas. Sebaliknya
jika tidak ada pola yan gjelas serta titik-titik yang menyebar, maka tidak terjadi
heteroskedastisitas.
Hasil dari Uji Heteroskedastisitas dapat ditunjukkan dalam grafik
Gambar 4.3 Uji Heteroskedastisitas
Sumber: Hasil olah data statistik, 2010
Suatu regresi dikatakan terdeteksi heteroskedastisitas apabila diagram
pencar residual membentuk pola tertentu. Tampak pada pola output di atas,
diagram pencar residual tidak membentuk pola tertentu serta titik-titik menyebar
di atas dan di bawah angka 0 baik pada sumbu Y maupun sumbu X.
Kesimpulannya adalah bahwa regresi terbebas dari kasus heteroskedastisitas dan
d. Uji Autokorelasi
Ghozali (2005:95) menyatakan bahwa :
Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 (sebelumnya). Jika terjadi korelasi, maka dinamakan ada problem autokorelasi. Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lainnya. Masalah ini timbul karena residual (kesalahan pengganggu) tidak bebas dari satu observasi ke observasi lainnya. Hal ini sering ditemukan pada data runtut waktu (time series) karena “gangguan” pada seseorang individu/kelompok cenderung mempengaruhi “gangguan” pada individu/kelompok yang sama pada periode berikutnya.
Cara yang dapat digunakan untuk mendeteksi masalah autokorelasi adalah dengan menggunakan nilai uji Durbin Watson (D-W) dengan ketentuan sebagai berikut :
1) angka D-W dibawah -2 berarti ada autokorelasi positif,
2) angka D-W di antara -2 sampai +2, berarti tidak ada autokorelasi,
3) angka D-W di atas +2 berarti ada autokorelasi negatif.
Tabel 4.6
Hasil Uji Autokorelasi
Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .101a .010 -.034 .5572947 2.269
a. Predictors: (Constant), CAR, DER b. Dependent Variable: Laba
Sumber : Diolah oleh penulis dengan SPSS, 2011.
Tabel 4.7 memperlihatkan nilai statistik D-W sebesar 2,269. Angka ini
terletak di atas +2, dari pengamatan ini dapat disimpulkan bahwa tidak terjadi
3. Pengujian Hipotesis
Melalui hasil pengujian asumsi klasik disimpulkan bahwa bahwa model
regresi yang dipakai dalam penelitian ini telah memenuhi model estimasi yang
Best Linear Unbiased Estimator (BLUE) dan layak dilakukan analisis regresi. Untuk menguji hipotesis, peneliti menggunakan analisis regresi berganda.
Berdasarkan hasil pengolahan data dengan program SPSS 16, maka diperoleh
hasil sebagai berikut:
a. Persamaan Regresi
Dalam pengolahan data dengan menggunakan regresi linear, dilakukan
beberapa tahapan untuk mencari hubungan antara variabel independen dan
variabel dependen, melalui pengaruh CAR dan DER terhadap Laba. Hasil regresi
dapat dilihat pada tabel 4.8 berikut ini.
Tabel 4.7 Analisis Hasil Regresi
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients T Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) .505 .774 .652 .518
CAR -.376 2.368 -.037 -.159 .875 .412 2.425
DER -.022 .040 -.127 -.549 .586 .412 2.425
a. Dependent Variable: Laba
Berdasarkan tabel 4.7, didapat persamaan regresi sebagai beikut:
Y = 0,505 - 0,376 CAR – 0,022 DER + ε
Keterangan :
1) konstanta sebesar 0,505 menunjukkan bahwa apabila tidak ada variabel
independen (CAR = DER = 0) maka Pertumbuhan Laba sebesar 0,505.
2) b1 sebesar -0,376 menunjukkan bahwa setiap penambahan Capital
Adequacy Ratio sebesar 1% akan diikuti oleh penurunan Pertumbuhan Laba sebesar 0,376 dengan asumsi variabel lain tetap.
3) b2 sebesar -0.022 menunjukkan bahwa setiap penambahan Debt to Equity
Ratio sebesar 1% akan diikuti oleh penurunan Pertumbuhan Laba sebesar 0.022 dengan asumsi variabel lain tetap.
b. Analisis Koefisien Korelasi dan Koefisien Determinasi
Nilai koefisien korelasi (R) menunjukkan seberapa besar korelasi atau
hubungan antara variabel-variabel independen dengan variabel dependen.
Koefisien korelasi dikatakan kuat apabila nilai R berada di atas 0.5 dan
mendekati 1.
Koefisien determinasi (R square) menunjukkan seberapa besar variabel
independen menjelaskan variabel dependennya. Nilai R square adalah nol sampai
dengan satu. Apabila nilai R square semakin mendekati satu, maka
memprediksi variasi variabel dependen. Sebaliknya, semakin kecil nilai R square,
maka kemampuan variabel-variabel independen dalam menjelaskan variasi
variabel dependen semakin terbatas. Nilai R square memiliki kelemahan yaitu
nilai R square akan meningkat setiap ada penambahan satu variabel independen
meskipun variabel independen tersebut tidak berpengaruh signifikan terhadap
variabel dependen.
Tabel 4.8
Koefisien Korelasi dan Koefisien Determinasi
Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .101a .010 -.034 .5572947 2.269
a. Predictors: (Constant), CAR, DER b. Dependent Variable: Laba
Sumber : Diolah oleh penulis dengan SPSS, 2011.
Dari hasil pengolahan regresi berganda pada tabel 4.6, dapat diketahui
bahwa nilai R adalah 0,101 atau 10,1 %. Nilai R pada intinya mengukur seberapa
besar hubungan antara variabel independen dengan variabel dependen. Sedangkan
nilai R Square (R2= koefisien determinasi) mengukur seberapa jauh kemampuan
model dalam menerangkan variasi variabel independen. Nilai R Square (R2)
berada di antara 0 dan 1. Nilai R2yang kecil berarti kemampuan variabel
independen dalam menerangkan variasi variabel dependen sangat terbatas.
Nilai R-square dari output di atas adalah sebesar 0,010. ini berarti bahwa
variasi dari variabel independen yang terdiri dari Capital Adequacy Ratio dan
(Pertumbuhan Laba) sebesar 1 %. Selebihnya dijelaskan oleh variabel lain yang
tidak dimasukkan dalam model regresi.
c. Pengujian Hipotesis
Untuk mengetahui apakah variabel independen dalam model regresi
berpengaruh terhadap variabel dependen, maka dilakukan pengujian dengan
menggunakan uji t (t test) dan uji F (F test).
1) Uji t (t Test)
Uji t digunakan untuk menguji signifikansi konstanta dan setiap variabel
independennya. Berdasarkan hasil pengolahan SPSS versi 16, diperoleh hasil
sebagai berikut : Tabel 4.9 Hasil Uji t Coefficientsa Model Unstandardized Coefficients Standardized Coefficients T Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) .505 .774 .652 .518
CAR -.376 2.368 -.037 -.159 .875 .412 2.425
DER -.022 .040 -.127 -.549 .586 .412 2.425
a. Dependent Variable: Laba
Sumber : Diolah oleh penulis dengan SPSS, 2011.
a. Pengaruh Capital Adequacy Ratio (CAR) terhadap Pertumbuhan Laba
H0 : CAR = 0, artinya variabel Capital Adequacy Ratio (CAR) tidak
berpengaruh terhadap Pertumbuhan Laba (Laba).
Ha : CAR ≠ 0, artinya variabel Capital Adequacy Ratio (CAR) berpengaruh signifikan terhadap Pertumbuhan Laba (Laba).
Kriteria :
H0 diterima jika t hitung < t tabel untuk α = 5% atau signifikansi > 0,05 Ha diterima jika t hitung > t tabel untuk α = 5% atau signifikansi < 0,05
Nilai t hitung untuk variabel Capital Adequacy Ratio (CAR)
sebesar -0,159, dan t tabel untuk df = N-5 dan α = 5% diketahui sebesar 2,016692173. Dengan demikian, nilai t hitung lebih kecil dari nilai t tabel (-0,159
< 2,016692173). Dengan melihat nilai signifikansi CAR, hasil hipotesis
menunjukkan hasil dimana nilai signifikansi sebesar 0,875 lebih besar dari 0,05,
sehingga dapat disimpulkan bahwa Capital Adequacy Ratio secara individu
(parsial) tidak memiliki pengaruh yang signifikan terhadap Pertumbuhan Laba.
b. Pengaruh Debt to Equity Ratio (DER) terhadap Pertumbuhan Laba (Laba)
diuji dengan menggunakan hipotesis berikut:
H0 : DER = 0, artinya variabel Debt to Equity Ratio (DER) tidak
berpengaruh terhadap Pertumbuhan Laba (Laba).
Ha : DER ≠ 0, artinya variabel Debt to Equity Ratio (DER) berpengaruh signifikan terhadap Pertumbuhan Laba (Laba).
Kriteria:
H0 diterima jika t hitung < t tabel untuk α = 5% atau signifikansi > 0,05 Ha diterima jika t hitung > t tabel untuk α = 5% atau signifikansi < 0,05
Nilai t hitung untuk variabel Debt to Equity Ratio (DER) sebesar -0,549,
dan t tabel untuk df = N-5 dan α = 5% diketahui sebesar 2,016692173. Dengan demikian, nilai t hitung lebih kecil dari nilai t tabel (-0,549 < 2,016692173).
Dengan melihat nilai signifikansi DER, hasil hipotesis menunjukkan hasil dimana
nilai signifikansi sebesar 0,586 lebih besar dari 0,05, sehingga dapat disimpulkan
bahwa Debt to Equity Ratio secara individu (parsial) tidak memiliki pengaruh
yang signifikan terhadap Pertumbuhan Laba.
2) Uji F (F Test)
Untuk melihat pengaruh Capital Adequacy Ratio, Debt to Equity Ratio,
Operating Cost Ratio, dan Loan to Deposit Ratio terhadap Pertumbuhan Laba secara simultan dapat dihitung dengan menggunakan F test. Berdasarkan hasil
pengolahan data dengan program SPSS 16, maka diperoleh hasil sebagai berikut :
Tabel 4.10 Hasil Uji F
ANOVAb
Model Sum of Squares Df Mean Square F Sig.
1 Regression .145 2 .073 .234 .793a
Residual 13.976 45 .311
Total 14.121 47
a. Predictors: (Constant), CAR, DER b. Dependent Variable: Laba
Sumber: Diolah oleh penulis dengan SPSS, 2011.
Untuk memprediksi pengaruh dari variabel-variabel bebas terhadap
variabel terikat secara simultan, digunakan hipotesis sebagai berikut:
H0 : CAR = DER = 0, artinya variabel Capital Adequacy Ratio (CAR) dan
Debt to Equity Ratio (DER) secara bersama-sama (simultan) tidak memiliki pengaruh yang signifikan terhadap variabel Pertumbuhan Laba (Laba).
Ha : CAR = DER ≠ 0, artinya variabel Capital Adequacy Ratio (CAR) dan Debt to Equity Ratio (DER) secara bersama-sama (simultan) memiliki pengaruh yang signifikan terhadap variabel Pertumbuhan Laba (Laba).
Dengan kriteria:
H0 diterima jika f hitung < f tabel untuk α = 5%
Ha diterima jika f hitung > f tabel untuk α = 5%
Dari uji ANOVA atau F test, diperoleh F hitung sebesar 0,234 dengan
tingkat signifikansi 0,793, sedangkan F tabel sebesar 2,588836146 dengan
signifikansi 0,05. Berdasarkan hasil tersebut dapat disimpulkan bahwa Capital
Adequacy Ratio dan Debt to Equity Ratio tidak berpengaruh secara simultan dan signifikan terhadap Pertumbuhan Laba karena F hitung < F tabel (0,234 <
C. Pembahasan Hasil Penelitian
Manfaat rasio keuangan dalam memprediksi pertumbuhan laba dapat
diukur dengan signifikan atau tidaknya hubungan antara rasio keuangan dengan
pertumbuhan laba. Hasil pengolahan regresi berganda di atas menunjukkan nilai R
sebesar 0,101 atau 10,1%. Nilai R pada dasarnya menggambarkan seberapa besar
hubungan antara variabel independen dengan variabel dependen. Ini berarti
variabel dependen dalam penelitian ini, yaitu Capital Adequacy Ratio dan Debt to
Equity Ratio secara bersama-sama hanya memiliki hubungan sebesar 10,1 % dengan variabel dependen, yaitu Pertumbuhan Laba.
Pengolahan regresi berganda di atas juga menunjukkan nilai R square
sebesar 0,010 atau sebesar 1%. Berbeda dengan nilai R, R-square menunjukkan
seberapa jauh kemampuan variabel independent dalam menjelaskan variasi
variabel dependen. Nilai R-square berada di antara 0 sampai 1. Nilai R-square
yang mendekati 1 menunjukkan bahwa dalam model regresi, kemampuan variabel
independen dalam menjelaskan variasi variabel dependen semakin baik. Dalam
model regresi di atas, kemampuan variabel independent yaitu Capital Adequacy
Ratio dan Debt to Equity Ratio secara bersama-sama dalam menjelaskan variasi variabel dependen Pertumbuhan Laba sangat kecil, yaitu sebesar 1%. Sedangkan
sisanya sebesar 99% dijelaskan oleh variabel lain yang tidak diikutsertakan oleh
penulis dalam model regresi ini.
Penelitian ini menunjukkan hasil yang kurang sesuai dengan teori yang
telah diungkapkan sebelumnya karena hubungan antara variabel independen
faktor. Misalnya, jumlah sampel yang diambil terlalu sedikit atau data sampel
yang diambil, periodenya sangat singkat yaitu hanya dari tahun 2006 hingga 2008.
Hal lain yang mungkin turut mempengaruhi adalah jumlah variabel yang
diambil. Ada variabel-variabel lain yang dapat mempengaruhi besar-kecilnya
pertumbuhan laba. Seperti Besaran Perusahaan (SIZE) yang diukur dengan jumlah
nasabah. Semakin besar suatu perusahaan, biasanya pangsa pasar yang dapat
dijangkau juga semakin luas. Semakin besar SIZE, maka pendapatan semakin
meningkat sehingga memaksimalkan laba.
Uji hipotesis dalam penelitian ini menggunakan uji ANOVA dalam
melihat apakah kedua variabel independen secara simultan berpengaruh signifikan
terhadap variabel dependen. Hal ini dapat diketahui dengan membandingkan nilai