BAB IV ANALISIS HASIL PENELITIAN
B. Statistik Deskriptif
Statistik deskriptif memberikan penjelasan mengenai nilai minimum, nilai maksimum, nilai rata-rata (mean), dan standar deviasi dari variabel-variabel independen maupun dependen. Berikut ini ditampilkan gambaran data penelitian.
Tabel 4.4 Statistik Deskriptif
N Minimum Maximum Mean Std. Deviation
Ln_MVE 69 18.60 32.95 27.7074 1.72631 Ln_CR 69 -2.66 4.35 .1568 1.13862 Ln_DER 69 -3.91 1.84 -.5580 1.37722 Ln_TATO 69 -3.68 -.11 -1.8042 .81395 Ln_ROE 54 -6.08 3.78 -2.4976 1.55637 Valid N (listwise) 54
Sumber : Data diolah penulis, 2010
Tabel 4.4 menunjukkan bahwa semua variabel independen memiliki nilai minimum negatif, sedangkan variabel yang memiliki nilai maksimum negatif adalah variabel TATO. Nilai negatif yang ditunjukkan pada nilai rata-rata DER, TATO, dan ROE tidak menunjukkan bahwa rata-rata perusahaan mengalami kerugian. Hal ini dikarenakan transformasi data ke dalam bentuk logaritma natural sehingga setiap nilai negatif secara tidak langsung dihilangkan karena tidak dapat dilogaritma natural. Dari tabel diatas dapat disimpulkan bahwa:
1. Variabel Current Ratio (CR) perusahaan mempunyai nilai minimum -2.66, nilai maksimum 4.35, nilai rata-rata 0.1568, dan standar deviasi 1.13862 dengan jumlah pengamatan sebanyak 69.
2. Variabel Debt to Equity Ratio (DER) mempunyai nilai minimum -3.91, nilai maksimum 1.84, nilai rata-rata -0.5580, dan standar deviasi 1.37722 dengan jumlah pengamatan sebanyak 69.
3. Variabel Total Asset Turnover (TATO) mempunyai nilai minimum -3.68, nilai maksimum -0.11, nilai rata-rata -1.8042, dan standar deviasi 0.81395 dengan jumlah pengamatan sebanyak 69.
4. Variabel Return on Equity (ROE) mempunyai nilai minimum -6.08, nilai maksimum 3.78, nilai rata-rata -2.4976, dan standar deviasi 1.55637 dengan jumlah pengamatan sebanyak 54.
5. Variabel Market Value of Equity (MVE) mempunyai nilai minimum 18.60, nilai maksimum 32.95, nilai rata-rata 27.7074, dan standar deviasi 1.72631 dengan jumlah pengamatan sebanyak 69.
C. Pengujian Asumsi Klasik
Untuk menghasilkan suatu model regresi yang baik, analisis regresi memerlukan pengujian asumsi klasik sebelum melakukan pengujian hipotesis. Apabila terjadi penyimpangan dalam pengujian asumsi klasik perlu dilakukan perbaikan terlebih dahulu.
1. Uji Normalitas
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 atau 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.
Hasil uji grafik dalam penelitian ini menunjukkan distribusi residual yang tidak normal, yaitu bentuk normal probability plot yang menunjukkan titik-titik dalam plot terlihat menyebar jauh dari garis diagonal baik diatas maupun dibawah garis diagonal.
Gambar 4.1
Normal Probability Plot (1) Sumber : Hasil Olahan Data oleh Penulis, 2010
Selain uji grafik, dilakukan juga uji Kolmogorov-Smirnov (K-S) dengan membuat hipotesis.
H0 : Data residual berdistribusi normal HA : Data residual tidak berdistribusi normal
Apabila nilai signifikansi > 0,05 dengan α = 5%, berarti distribusi data normal dan H0 diterima, sebaliknya bila nilai signifikansi < 0,05 berarti distribusi data tidak normal dan HA diterima.
Tabel 4.5 Hasil Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 69
Normal Parametersa Mean .0008492
Std. Deviation 2.41106185E13
Most Extreme Differences Absolute .387
Positive .387
Negative -.358
Kolmogorov-Smirnov Z 3.214
Asymp. Sig. (2-tailed) .000
Sumber : Data diolah Penulis, 2010
Dari hasil pengolahan data pada tabel diperoleh besarnya nilai Kolmogorov-Smirnov adalah 3.214 dan signifikan pada 0.000. Nilai signifikansi lebih kecil dari 0,05, maka H0 ditolak yang berarti data residual berdistribusi tidak normal. Data yang tidak normal dapat disebabkan oleh adanya adanya data ourlier yaitu data yang memiliki nilai yang sangat menyimpang dari nilai data lainnya.
Cara untuk mengatasi data outlier menurut Erlina (2008:106) yaitu: 1. Lakukan transformasi data ke bentuk lainnya
2. Lakukan trimming, yaitu membuang data outlier
3. Lakukan winsorizing, yaitu mengubah nilai data yang outlier ke suatu nilai tertentu. Tindakan perbaikan yang dilakukan dalam penelitian ini menggunakan transformasi seluruh variabel penelitian dalam bentuk logaritma natural (Ln) dari MVE= f(CR, DER, TATO, ROE) menjadi Ln_MVE = f(Ln_CR, Ln_DER, Ln_TATO, Ln_ROE). Bentuk ini menyebabkan data yang bernilai negatif tidak dapat ditransformasi sehingga jumlah sampel yang valid menjadi 54 pengamatan.
Setelah dilakukan transformasi data maka hasil uji normalitas data dapat dilihat pada grafik normal probability plot dan Tabel Kolmogorov Smirnov sebagai berikut:
Gambar 4.2
Normal Probability Plot (2) Sumber : Hasil Olahan Data oleh Penulis, 2010
Tabel 4.6 Hasil Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 54
Normal Parametersa Mean .0000000
Std. Deviation 1.27290429
Most Extreme Differences Absolute .089
Positive .065
Negative -.089
Kolmogorov-Smirnov Z .653
Asymp. Sig. (2-tailed) .788
Dari hasil pengolahan data diperoleh besarnya nilai Kolmogorov-Smirnov adalah 0.653 dan signifikan pada 0.788. Nilai signifikasi ini lebih besar dari 0.05, maka H0 diterima yang berarti data residual berdistribusi normal. Setelah data berdistribusi normal dapat dilanjutkan dengan uji asumsi lainnya.
2. Uji Multikolonieritas
Pengujian multikolonieritas dilakukan untuk melihat apakah pada model regresi ditemukan adanya korelasi antar variabel independen. Model regresi yang baik seharusnya tidak terjadi multikolonieritas. Cara mendeteksinya adalah dengan melihat nilai Variance Inflation Factor (VIF) dan nilai tolerence. Menurut Ghozali (2005:92), ”suatu model regresi dinyatakan terjadi multikolinearitas apabila nilai tolerance < 0,10 dan VIF > 10”.
Tabel 4.7
Hasil Uji Multikolonieritas
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients T Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 27.340 .600 45.552 .000
Ln_CR .370 .178 .301 2.075 .043 .792 1.262
Ln_DER .226 .136 .229 1.664 .102 .878 1.139
Ln_TATO -.481 .261 -.254 -1.840 .072 .874 1.145
Ln_ROE .127 .124 .141 1.031 .308 .894 1.118
Dari data pada tabel dapat disimpulkan bahwa tidak terdapat multikolinearitas pada model karena semua nilai tolerance tidak kurang dari 0,10 dan semua nilai VIF tidak ada yang lebih besar dari 10.
3. Uji Heterokedastisitas
Pengujian heterokedastisitas bertujuan untuk menguji apakah terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan lain dalam model regresi. Model regresi yang baik adalah tidak terjadi heterokedastisitas atau homokedastisitas. Uji heterokedastisitas dapat dilihat dengan grafik scatterplot. Dalam model regresi dinyatakan telah terjadi heterokedastisitas apabila titik-titik yang ada membentuk pola tertentu yang teratur (bergelombang, melebar kemudian menyempit). Hasil pengujian dengan grafik dapat dilihat pada gambar dibawah ini.
Gambar 4.3
Hasil Uji Heteroskedastisitas (Scatterplot) Sumber : Hasil Olahan Data oleh Penulis, 2010
Dari grafik scatterplot di atas terlihat titik-titik menyebar secara acak serta tersebar baik diatas maupun di bawah angka 0 pada sumbu Y dan tidak membentuk suatu pola tertentu. Sehingga dapat disimpulkan bahwa tidak terjadi heterokedastisitas pada model regresi.
4. Uji Autokorelasi
Uji autokorelasi bertujuan menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 (sebelumnya) (Ghozali 2005:95). Autokorelasi sering ditemukan pada data time series karena “gangguan” pada data cenderung mempengaruhi “gangguan” data yang sama pada periode berikutnya. Model regresi yang baik adalah regresi yang terbebas dari autokorelasi.
Salah satu cara yang dapat digunakan untuk mendeteksi ada tidaknya autokorelasi dalam suatu model regresi adalah dengan melakukan uji Durbin-Watson (DW test). ). Dalam model regresi tidak terjadi autokorelasi apabila nilai du < dw < 4 – du. Berikut ini disajikan hasil uji Durbin-Watson untuk penelitian ini dengan menggunakan SPSS 16.
Tabel 4.8
Hasil Uji Autokorelasi
Sumber : Data diolah Penulis, 2010
Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .430a .185 .118 1.32384 2.070
Dari tabel diatas ditunjukkan bahwa nilai DW test yaitu sebesar 2.070. Nilai ini akan dibandingkan dengan nilai tabel dengan menggunakan signifikansi 5%, jumlah pengamatan (N) 54, dan jumlah variabel independen (k) 4, maka didapatkan nilai batas atas (du) sebesar 1.724 dan nilai batas bawah (dl) sebesar 1.414. Oleh karena itu, nilai (dw) lebih besar dari 1.724 dan lebih kecil dari 4 – 1.724 atau dapat dinyatakan bahwa 1.724 < 2.070 < 4 - 1.724 (du < dw < 4 – du). Dengan demikian dapat disimpulkan tidak terdapat autokorelasi baik positif maupun negatif.