Pertumbuhan Laba (Y)
HASIL DAN PEMBAHASAN
4.1 Gambaran Umum
4.2.2 Pengujian Asumsi Klasik .1 Uji Normalitas
Tabel 4.3
Hasil Uji Normalitas Data
One-Sample Kolmogorov-Smirnov Test
GP CR DAR TATO ROA
N 36 36 36 36 36
Normal Parametersa,b Mean 1,1201 3,0331 ,4336 ,9392 ,1512 Std. Deviation 2,13693 2,36591 ,16886 ,42791 ,11231 Most Extreme Differences Absolute ,172 ,228 ,155 ,140 ,123 Positive ,159 ,228 ,155 ,140 ,123 Negative -,172 -,150 -,152 -,077 -,093 Kolmogorov-Smirnov Z 1,035 1,368 ,929 ,841 ,738 Asymp. Sig. (2-tailed) ,235 ,057 ,354 ,479 ,647 a. Test distribution is Normal.
b. Calculated from data.
Uji normalitas bertujuan untuk mengetahui apakah distribusi sebuah data mengikuti atau mendekati distribusi normal, yaitu distribusi data dengan bentuk lonceng (bell shaped). Untuk mendekati normalitas data dapat juga dilakukan dengan uji kolmogrov-smirnov. Bila nilai signifikan <0,05 maka distribusi data tidak normal, sedangkan bila nilai signifikan >0,05 maka distribusi data normal. Ada dua cara untuk mendeteksi apakah residual berdistribusi normal atau tidak yaitu dengan uji analisis statistik dan analisis grafik.
Dari tabel 4.3 hasil uji normalitas data dapat diketahui bahwa data Pertumbuhan Laba (Y) nilai Asymp.sig (2-tailed) sebesar 0,235, data current ratio (X1) sebesar 0,057, debt to asset ratio (X2) sebesar 0,354, total turnover (X3)
57 sebesar 0,479, dan return on asset (X4) sebesar 0,647. Jadi dapat dinyatakan data berdistribusi dengan normal.
Gambar 4.1 Histogram
Dari gambar 4.1 dapat disimpulkan bahwa grafik histogram memberikan pola distribusi yang normal, tidak menceng ke kiri maupun menceng ke kanan. Dengan demikian dapat disimpulkan bahwa model regresi telah memenuhi asumsi normalitas.
Namun demikian hanya dengan melihat histogram hal ini dapat menyesatkan, khususnya untuk jumlah sampel yang kecil. Metode yang lebih handal adalah dengan melihat normal probability plot yang membandingkan distribusi kumulatif dari distribusi normal.
58 Gambar 4.2
Grafik Normal P-P Plot
Distribusi normal akan membentuk satu garis lurus diagonal, dan ploting data residual akan membandingkan dengan garis diagonal. Jika distribusi data residual normal, maka garis yang menggambarkan data sesungguhnya akan mengikuti garis diagonalnya. Hasil analisis dengan menggunakan normal probability plot dapat dilihat pada gambar 4.2, pada grafik normal probability plot terlihat bahwa data menyebar disekitar garis diagonal, maka dapat disimpulkan bahwa model regresi telah memenuhi asumsi normalitas.
4.2.2.2 Uji Multikolinearitas Tabel 4.4
Hasil Uji Multikolinearitas
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics B Std.
Error Beta Tolerance VIF 1 (Constant) -,263 3,004 -,088 ,931
CR -,217 ,253 -,241 -,858 ,398 ,321 3,113 DAR 3,452 4,173 ,273 ,827 ,415 ,232 4,302
59 TATO -1,146 1,144 -,229 -1,002 ,324 ,482 2,076 ROA 10,730 5,264 ,564 2,038 ,050 ,330 3,028 a. Dependent Variable: GP
Pengujian gejala multikolinearitas pada model persamaan regresi bertujuan untuk mengetahui ada tidaknya korelasi yang serius diantara variabel bebas yang digunakan dalam model. Salah satu alat pendeteksi gejala multikolinearitas adalah dengan menggunakan perhitungan Tolerance (TOL) dan Variance Inflation Factor (VIF).Uji multikolinearitas menggunakan kriteria Tolerance (TOL) dan variance inflation factor (VIF) dengan ketentuan bila TOL > 0,1 dan VIF <10 maka tidak terjadi multikolinearitas.
Dari tabel 4.4 hasil uji multikolinearitas data dapat diketahui bahwa hasil dari nilai VIF untuk variabel CR sebesar 3,113, DAR sebesar 4,302, TATO sebesar 2,076, dan ROA sebesar 3,028 maka nilai VIF kurang dari 10, sehingga dapat disimpulkan bahwa semua variabel yang ada bebas dari gejala multikolinearitas antara variabel bebas yang satu dengan variabel bebas lainnya. Dan sesuai dengan yang disyaratkan untuk lepas dari gejala multikolinearitas, seluruh variabel bebas yaitu CR mempunyai nilai TOL sebesar 0,321, DAR sebesar 0,232, TATO sebesar 0,482, dan ROA sebesar 0,330. Maka nilai TOL lebih besar dari 0,1. Jadi variabel bebas dalam penelitian ini dapat dikatakan telah bebas dari gejala multikolinearitas.
60 Heteroskedastisitas adalah keadaan dimana terjadinya ketidaksamaan varian dari residual pada model regresi. Model regresi yang baik mensyaratkan tidak adanya masalah heteroskedastisitas. Untuk mendeteksi ada tidaknya heteroskedastisitas menggunakan metode uji spearman’s rho dan metode uji scatterplots.
4.3.4.1 Metode uji Spearman’s rho
Yaitu dengan mengkorelasikan nilai residual hasil regresi dengan masing-masing variabel independen. Metode pengambilan keputusan pada uji heteroskedastisitas dengan Spearman’s rho yaitu jika nilai signifikan antara variabel independen dengan residual lebih dari 0,05 makan tidak terjadi masalah heteroskedastisitas, tetapi jika signifikansi kurang dari 0,05 maka terjadi masalah heteroskedastisitas.
Tabel 4.5 Uji Spearman’s rho
Correlations
Unstandardized
Residual CR DAR TATO ROA
S
pea
rm
an
's
r
ho
Unstandar dized Residual Correlation Coefficient 1,000 ,111 -,066 -,006 ,004 Sig. (2-tailed) . ,520 ,702 ,972 ,982 N 36 36 36 36 36 CR Correlation Coefficient ,111 1,000 -,838** ,004 ,423* Sig. (2-tailed) ,520 . ,000 ,981 ,010 N 36 36 36 36 36DAR Correlation Coefficient -,066 -,838** 1,000 -,161 -,581** Sig. (2-tailed) ,702 ,000 . ,349 ,000
N 36 36 36 36 36
TATO Correlation Coefficient -,006 ,004 -,161 1,000 ,552** Sig. (2-tailed) ,972 ,981 ,349 . ,000
61 ROA Correlation Coefficient ,004 ,423* -,581** ,552** 1,000
Sig. (2-tailed) ,982 ,010 ,000 ,000 .
N 36 36 36 36 36
**. Correlation is significant at the 0.01 level (2-tailed). *. Correlation is significant at the 0.05 level (2-tailed).
Dari tabel 4.5 hasil uji heteroskedastisitas dapat diketahui bahwa nilai signifikansi variabel CR sebesar 0.520, DAR sebesar 0,702, TATO sebesar 0,972, dan ROA sebesar 0,982. Karena nilai signifikansi lebih dari 0,05 maka dapat disimpulkan bahwa dalam model regresi tidak terjadi masalah heteroskedastisitas.
4.3.4.2 Metode uji Scatterplots
Metode pengambilan keputusan pada uji heteroskedastisitas dengan melihat scatterplots yaitu jika titik-titik menyebar dengan pola yang tidak jelas diatas dan dibawah angka 0 pada sumbu Y maka dapat disimpulkan bahwa tidak terjadi masalah heteroskedastisitas pada model regresi.
Gambar 4.3 Uji Scatterplots
62 Dari gambar 4.3 dapat disimpulkan bahwa titik-titik menyebar dengan pola yang tidak jelas diatas dan dibawah angka 0 pada sumbu Y maka dapat disimpulkan bahwa pada model regresi tidak terjadi masalah heteroskedastisitas.
4.2.2.4 Uji Autokorelasi
Tabel 4.6
Hasil Uji Autokorelasi
Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Change Statistics Durbin-Watson R Square Change F Change df1 df2 Sig. F Change 0 1 ,465a ,216 ,115 2,01000 ,216 2,140 4 31 ,099 1,910 a. Predictors: (Constant), ROA, CR, TATO, DAR
b. Dependent Variable: GP
Pengujian autokorelasi adalah keadaan dimana terjadinya korelasi dan residual untuk pengamatan satu dengan yang lainnya yang disusun menurut runtun waktu. Model regresi yang baik adalah yang mensyaratkan tidak adanya masalah autokorelasi dengan menggunakan uji Durbin-Watson (DW test).
Dari tabel 4.6 uji Durbin-Watson yaitu dengan membandingkan nilai Durbin-Watson dari hasil regresi dengan nilai Durbin-Watson tabel. Prosedur pengujiannya sebagai berikut :
a. Menentukan hipotesis nol dan hipotesis alternatif. H0
H
diterima = Tidak terjadi autokorelasi
0
b. Menentukan taraf signifikansi. Taraf signifikansi menggunakan 0,05. ditolak = Terjadi Autokorelasi
63 c. Menentukan nilai DW (Durbin-Watson)
Nilai DW didapat dari hasil regresi adalah 1,910
d. Menentukan nilai dL dan dU
Didapat dL = 1,2358 dan dU = 1,7245. Jadi dapat dihitung nilai 4-dU = 2,2755 dan 4-dL = 2,7642.
Jadi dapat disimpulkan bahwa nilai Durbin-Watson sebesar 1,910 terletak pada dU < DW < 4-dU (1,7245 < 1,910 < 2,2755) maka dapat disimpulkan bahwa Ho