BAB III METODE PENELITIAN
4.3. Teknik Analisis Dan Uji Hipotesis
Menurut Ghozali, (2002 : 74) Uji Normalitas merupakan suatu alat uji yang digunakan untuk menguji apakah dari variabel – variabel yang digunakan dalam model regresi mempunyai distribusi normal atau tidak. Untuk mengetahui apakah data tersebut berdistribusi normal, dapat diuji dengan metode Kolmogorov Smirnov
Dasar analisis yang digunakan yaitu nilai signifikansi atau nilai probabilitasnya (Asymp sig (2-tailed) > 5%, maka data tersebut berdistribusi normal (Sumarsono, 2004 :40)
Berdasarkan hasil Uji Normalitas dengan alat bantu komputer yang menggunakan Program SPSS. 16.0, dapat dilihat pada tabel 7, sebagai berikut:
Tabel 7: Hasil Uji Normalitas
Unstandardized Residual N 16 Mean .0000000 Normal Parametersa Std. Deviation 17.58150411 Absolute .146 Positive .099
Most Extreme Differences
Negative -.146
Kolmogorov-Smirnov Z .584
Asymp. Sig. (2-tailed) .885
Sumber : Lampiran 6
Berdasarkan pada tabel 7 menunjukkan bahwa nilai Asymp. Sig -
(2-tailed) lebih besar dari 0,05, dan sesuai dengan dasar pengambilan
keputusan, maka data tersebut berdistribusi normal
4.3.2. Uji Asumsi Klasik
Dalam suatu persamaan regresi harus bersifat BLUE (Best Linier
Unbiased Estimator), artinya dalam pengambilan keputusan melalui uji F
dan uji t tidak boleh bias (Sesuai dengan tujuan)
Berdasarkan hasil uji asumsi klasik dengan alat bantu komputer yang menggunakan Program SPSS. 16.0 For Windows. diperoleh hasil sebagai berikut
1. Autokorelasi
Uji Autokorelasi bertujuan untuk menentukan apakah dalam suatu model regresi linier ada korelasi antara kesalahan pengganggu
pada periode t dengan kesalahan pada periode t-1 (Ghozali, 2002 : 61). Alat uji yang digunakan untuk mengetahui ada tidaknya gejala autokorelasi adalah uji Durbin Watson.
Menurut Santoso (2001 : 218) deteksi adanya Autokolerasi adalah :
1. Angka D-W di bawah - 2, hal ini berarti ada Autokolerasi positif. 2. Angka D-W diantara -2 sampai +2, hal ini berarti tidak ada
Autokolerasi.
Berdasarkan dari hasil “Uji Autokorelasi” dengan alat bantu komputer yang menggunakan Program SPSS. 16.0. For Windows dapat diketahui bahwa besarnya nilai Durbin Watson atau DW tes yaitu sebesar 1,216 (Lampiran. 7), dan sesuai dengan dasar pengambilan keputusan, hal ini berarti bahwa dalam persamaan regresi tersebut tidak ada Autokolerasi
2. Multikolinieritas
Uji Multikolinieritas bertujuan untuk menguji apakah dalam persamaan regresi ditemukan adanya korelasi antar variabel bebas. (Ghozali, 2002 : 57). Alat uji yang digunakan untuk mengetahui ada tidaknya multikolinieritas dalam penelitian ini dengan melihat besarnya nilai Variance Inflation Factor (VIF).
Dasar analisis yang digunakan yaitu jika nilai VIF (Variance
Inflation Factor) < 10, maka hal ini berarti dalam persamaan regresi
tidak ditemukan adanya korelasi antar variabel bebas atau bebas Multikolinieritas (Ghozali, 2002 : 57-59)
Berdasarkan hasil Uji Multikolinieritas dengan alat bantu komputer yang menggunakan Program SPSS. 16.0., dapat dilihat pada tabel 8, sebagai berikut
Tabel 8 : Hasil Uji Multkolinieritas
Variabel VIF Keterangan
Cash Ratio (CR) (X1) 9,819 Bebas Multikolinieritas
Debt Ratio (DR) (X2) 1,324 Bebas Multikolinieritas
Total Assets Turnover (X3) 3,617 Bebas Multikolinieritas
Return On Assets (ROA) (X4) 7,303 Bebas Multikolinieritas
Sumber : Lampiran 7
Berdasarkan pada tabel 8 menunjukkan bahwa seluruh variabel bebas (X) yang digunakan dalam penelitian ini baik X1, X2, X3, dan X4,
mempunyai nilai VIF (Variance Inflation Factor) lebih kecil dari 10, dan sesuai dengan dasar pengambilan keputusan, maka hal ini berarti dalam persamaan regresi tidak ditemukan adanya korelasi antar variabel bebas atau bebas Multikolinieritas
3. Heteroskedastisitas
Uji Heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan lain (Ghozali, 2002: 69). Alat uji yang digunakan untuk mengetahui adanya heteroskedastisitas secara kuantitatif dalam suatu persamaan regresi dapat dilakukan dengan uji korelasi Rank Spearman.
Dasar analisis yang digunakan yaitu jika nilai Sig (2-tailed) > 0,05, maka maka hal ini berarti dalam model regresi tidak terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan lainnya atau bebas Heteroskedastisitas (Santoso, 2001 : 301)
Berdasarkan hasil Uji Heteroskedastisitas dengan alat bantu komputer yang menggunakan Program SPSS. 16.0., dapat dilihat pada tabel 9, sebagai berikut
Tabel 9 : Hasil Uji Heteroskedastisitas
Variabel Probabilitas
(Sig (2 – tailed) Keterangan
Cash Ratio (CR) (X1) 0,625 Bebas Heteroskedastisitas
Debt Ratio (DR) (X2) 0,606 Bebas Heteroskedastisitas
Total Assets Turnover (X3) 0,696 Bebas Heteroskedastisitas
Return On Assets (ROA) (X4) 0,672 Bebas Heteroskedastisitas
Sumber : Lampiran 8
Berdasarkan pada tabel 9 menunjukkan bahwa seluruh variabel bebas (X) yang digunakan dalam penelitian ini baik X1, X2,dan X3, mempunyai nilai Sig (2-tailed) lebih besar dari 0,05, dan sesuai dengan dasar pengambilan keputusan, hal ini berarti dalam model regresi tidak terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan lainnya atau bebas Heteroskedastisitas, sehingga data tersebut dapat digunakan dalam penelitian.
4.3.3. Teknik Analisis
Teknik analisis yang digunakan dalam penelitian ini adalah regresi linier berganda. Dalam suatu persamaan regresi harus bersifat BLUE (Best
Linier Unbiased Estimator), artinya dalam pengambilan keputusan melalui
uji F dan uji t tidak boleh bias (Sesuai dengan tujuan) Setelah dilakukan Uji Asumsi Klasik tersebut di atas, maka dapat disimpulkan bahwa model persamaan regresi linier dalam penelitian ini, bebas dari asumsi dasar (klasik) tersebut.
Berdasarkan hasil dari “olah data” dengan alat bantu komputer yang menggunakan program SPSS.16.0, dapat dilihat pada tabel 10, sebagai berikut:
Tabel 10 : Hasil Pendugaan Parameter Regresi Linier Berganda
Unstandardized Coefficients Model B Std. Error (Constant) 14,812 40,657 Cash Ratio (CR) (X1) -68,013 19,953 Debt Ratio (DR) (X2) 54,800 26,835
Total Assets Turnover (X3) -34,143 21,638
1
Return On Assets (ROA) (X4) 12,242 3,212
Sumber : Lampiran. 7
Berdasarkan pada tabel 10 dapat diperoleh model persamaan regresi sebagai berikut :
Y = 14,812 – 68,013 X1 + 54,800 X2 - 34,143 X3 + 12,242 X4
Dari model persamaan regresi linier tersebut di atas, dapat diinterprestasikan, sebagai berikut :
Konstanta (b0)
Nilai konstanta (b0) sebesar 14,812 menunjukkan bahwa apabila nilai variabel Cash Ratio (CR), Debt Ratio (DR), Total Assets Turnover dan
Return On Assets (ROA), konstan maka besarnya nilai variabel
Pertumbuhan laba yaitu sebesar 14,812 persen
Koefisien (b1) Untuk Variabel Cash Ratio (CR) (X1)
Besarnya nilai koefisien regresi (b1) sebesar -68,013, nilai (b1) yang negatif menunjukkan adanya hubungan yang berlawanan arah antara variabel Pertumbuhan laba (Y) dengan variabel Cash Ratio (CR) (X1) yang
artinya jika nilai variabel Cash Ratio (CR) (X1) naik sebesar satu kali, maka nilai Pertumbuhan laba (Y) akan turun sebesar 68,013 persen dengan asumsi variabel bebas lainnya konstan.
Koefisien (b2) Untuk Variabel Debt Ratio (DR) (X2)
Besarnya nilai koefisien regresi (b2) sebesar 54,800, nilai (b2) yang positif menunjukkan adanya hubungan yang searah antara variabel Pertumbuhan laba (Y) dengan variabel Debt Ratio (DR) (X2) yang artinya jika nilai variabel Debt Ratio (DR) (X2) naik sebesar satu kali, maka nilai Pertumbuhan laba (Y) akan naik sebesar 54,800 persen dengan asumsi variabel bebas lainnya konstan.
Koefisien (b3) Untuk Variabel Total Assets Turnover (X3)
Besarnya nilai koefisien regresi (b3) sebesar -34,143, nilai (b3) yang negatif menunjukkan adanya hubungan yang berlawanan arah antara variabel Pertumbuhan laba (Y) dengan variabel Total Assets Turnover (X3) yang artinya jika nilai variabel Total Assets Turnover (X3) naik sebesar satu kali, maka nilai Pertumbuhan laba (Y) akan turun sebesar 34,143 persen dengan asumsi variabel bebas lainnya konstan.
Koefisien (b4) Untuk Variabel Return On Assets (ROA) (X4)
Besarnya nilai koefisien regresi (b4) sebesar 12,242, nilai (b4) yang positif menunjukkan adanya hubungan yang searah antara variabel Pertumbuhan laba (Y) dengan variabel Return On Assets (ROA) (X4) yang artinya jika nilai variabel Return On Assets (ROA) (X4) naik sebesar satu persen, maka nilai Pertumbuhan laba (Y) akan naik sebesar 12,242 persen dengan asumsi variabel bebas lainnya konstan.
4.3.4. Uji Hipotesis
4.3.4.1. Uji Kesesuaian Model
Dari hasil uji kesesuaian model dengan menggunakan alat bantu komputer dengan program SPSS.16.0, For Windows mengenai analisis hubungan secara simultan, dapat dilihat pada tabel 11, sebagai berikut Tabel 11 : Hasil Analisis Variabel Bebas Terhadap Variabel Terikat
ANOVAb
Model Sum of Squares df Mean Square F Sig.
Regression 7.028,593 4 1.757,148 4,169 0,027 Residual 4.636,639 11 421,513
1
Total 11.665,232 15 Sumber ; Lampiran. 7
Berdasarkan pada tabel 11 menunjukkan bahwa besarnya nilai F hitungsebesar 4,169 dengan tingkat taraf signifikansi sebesar 0,027 (lebih kecil dari 0,05), sehingga Ho ditolak, dan H1 diterima yang berarti model regresi yang dihasilkan cocok guna melihat kemampuan rasio keuangan yang terdiri dari Rasio likuiditas, Rasio leverage, Rasio aktivitas, dan Rasio keuntungan dalam memprediksi pertumbuhan laba.
Dari hasil pengujian dengan menggunakan alat bantu komputer dengan program SPSS.16.0, For Windows juga diperoleh nilai R square dapat dilihat pada tabel 12, sebagai berikut:
Tabel. 12 : Koefisien Determinasi (R square / R2)
Model Summaryb
Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson
1 0,776 0,603 0,458 20,531 1,216
Sumber ; Lampiran. 7
Berdasarkan pada tabel 12 menunjukkan besarnya nilai koefisien Determinasi (R square) sebesar 0,603, hal ini menunjukkan bahwa
perubahan yang terjadi pada variabel Pertumbuhan laba (Y) sebesar 60,3% mampu dijelaskan oleh variabel Cash Raiio (CR), Debt Ratio (DR), Total Assets Turnover dan Return On Assets (ROA), sedangkan sisanya 39,7% dijelaskan oleh faktor lain yang tidak termasuk dalam model.
4.3.4.2. Uji Parsial
Dari hasil Uji Parsial dengan menggunakan alat bantu komputer dengan program SPSS.16.0, For Windows mengenai analisis hubungan secara parsial dapat dilihat pada tabel 13, sebagai berikut :
Tabel 13 : Hasil Analisis Variabel Bebas Terhadap Variabel Terikat
Variabel t hit Sig Keterangan
Cash Ratio (CR) (X1) -3,409 0,006 Berpengaruh
Debt Ratio (DR) (X2) 2,042 0,066 Tidak Berpengaruh
Total Assets Turnover (X3) -1,578 0,143 Tidak Berpengaruh
Return On Assets (ROA) (X4) 3,811 0,003 Berpengaruh
Sumber ; Lampiran. 7
Berdasarkan dari tabel 13 dapat diinterprestasikan, yaitu sebagai berikut : 1. Pengaruh Cash Ratio (CR) (X1) terhadap Pertumbuhan laba (Y)
Berdasarkan tabel 13 menunjukkan besarnya nilai t hitung sebesar -3,409, dengan tingkat signifikansi sebesar 0,006 (lebih kecil dari 0,05), maka Ho ditolak dan H1 diterima, yang berarti Cash Ratio (CR) (X1) secara parsial mempunyai kemampuan dalam memprediksi pertumbuhan laba di masa yang akan datang, sehingga hipotesis 1 yang menyatakan diduga bahwa Rasio Likuiditas mampu memprediksi pertumbuhan laba di masa yang akan datang pada perusahaan Farmasi yang terdaftar di Bursa Efek Indonesia, terbukti kebenarannya
2. Pengaruh Debt Ratio (DR) (X2) terhadap Pertumbuhan laba (Y) Berdasarkan tabel 13 menunjukkan besarnya nilai t hitung sebesar 2,042, dengan tingkat signifikansi sebesar 0,066 (lebih besar dari 0,05), maka H1 ditolak dan H0 diterima, yang berarti Debt Ratio
(DR) (X2) secara parsial tidak mempunyai kemampuan dalam
memprediksi pertumbuhan laba di masa yang akan datang, sehingga hipotesis 2 yang menyatakan diduga bahwa Rasio Leverage mampu memprediksi pertumbuhan laba di masa yang akan datang pada perusahaan Farmasi yang terdaftar di Bursa Efek Indonesia, tidak terbukti kebenarannya, hal ini disebabkan karena keadaan ekonomi yang tidak stabil, sehingga biaya operasional yang dikeluarkan perusahaan semakin besar, dan ini akan mengakibatkan laba yang akan diperoleh perusahaan mengalami penurunan.
3. Pengaruh Total Assets Turnover (X3) terhadap Pertumbuhan laba (Y)
Berdasarkan tabel 13 menunjukkan besarnya nilai t hitung sebesar -1,578, dengan tingkat signifikansi sebesar 0,143 (lebih besar dari 0,05), maka H1 ditolak dan H0 diterima, yang berarti Total Assets
Turnover (X3) secara parsial tidak mempunyai kemampuan dalam
memprediksi pertumbuhan laba di masa yang akan datang, sehingga hipotesis 3 yang menyatakan diduga bahwa Rasio Aktivitas mampu memprediksi pertumbuhan laba di masa yang akan datang pada perusahaan Farmasi yang terdaftar di Bursa Efek Indonesia, tidak
terbukti kebenarannya, hal ini disebabkan karena dampak dari krisis ekonomi yang masih dirasa cukup kuat, sehingga manajer kurang bisa mempergunakan aktiva yang ada sebaik mungkin dalam meningkatkan pendapatan perusahaan.
4. Pengaruh Return On Assets (ROA) (X4) terhadap Pertumbuhan laba (Y)
Berdasarkan tabel 13 menunjukkan besarnya nilai t hitung sebesar 3,811, dengan tingkat signifikansi sebesar 0,003 (lebih kecil dari 0,05), maka H0 ditolak dan H1 diterima, yang berarti Return On
Assets (ROA) (X4) secara parsial mempunyai kemampuan dalam
memprediksi pertumbuhan laba di masa yang akan datang, sehingga hipotesis 4 yang menyatakan diduga bahwa Rasio Keuntungan mampu memprediksi pertumbuhan laba di masa yang akan datang pada perusahaan Farmasi yang terdaftar di Bursa Efek Indonesia, terbukti kebenarannya
4.4. Pembahasan