BAB IV HASIL DAN PEMBAHASAN PENELITIAN
4.4 Analisis dan Hasil Penelitian
4.4.2 Uji Asumsi Klasik
Uji normalitas bertujuan untuk menguji apakah dalam model regresi , variabel penganggu atau residual distribusi normal. Uji normalitas dilakukan dengan dua cara yaitu analisis grafik dan statistik.
Analisis grafik dapat digunakan dengan dua alat, yaitu grafik histogram dan grafik P-P Plot. Data yang baik adalah data yang memiliki pola normal. Pada grafik histogram, data normal ditunjukkan oleh data yang tidak menceng ke kiri atau menceng ke kanan,
Pada grafik PP Plot, data yang normal apabila titik-titik datanya tidak menceng ke kiri atau ke kanan, melainkan di sekitar garis diagonal. Hasil uji normalitas dengan menggunakan grafik histogram dan normal probability adalah seperti ditampilkan berikut ini :
Histogram
Sumber : Data diolah peneliti, 2013
Pada grafik histogram terlihat bahwa variabel berdistribusi normal hal ini ditunjukkan oleh distribusi data tersebut tidak miring ke kiri atau ke kanan.
Gambar 4.2 Grafik P-Plot
Sumber : Data diolah peneliti, 2013
Hasil uji normalitas menggunakan scatter plot menunjukkan bahwa titik pada scatterplot mengikuti data di sepanjang garis diagonal. Hal ini berarti data berdistribusi normal.
Uji normalitas dengan grafik dapat menyesatkan kalau tidak dilihat dengan seksama, secara visual keliatan normal, padahal secara statistic bisa sebaliknya.. Sehingga perlu dilakukan uji normalitas dengan menggunakan statistik.
Uji data statistik dengan model Kolmogorov-Smirnov dilakukan untuk mengetahui apakah data sudah terdistribusi secara normal atau tidak. Ghozali (2005:115), memberikan pedoman pengambilan keputusan tentang data mendekati atau merupakan distribusi normal berdasarkan uji Kolmogorov-Smirnov yang dapat dilihat dari :
a) Nilai sig. atau signifikan atau probabilitas < 0,05, maka distribusi data tidak normal.
b) Nilai sig. atau signifikan atau probabilitas > 0,05, maka distribusi data normal.
Tabel 4.8
Uji Kolmogorov – Smirnov One-Sample Kolmogorov-Smirnov Test
Sumber : Data
diolah Peneliti, 2013
Berdasarkan uji statistik dengan model Kolmogorov – Smirnov seperti yang terdapat pada tabel 4.8 dapat disimpulkan bahwa data telah terdistribusi normal karena nilai Asymp.Sig (2-tailed) Kolmogorov-Smirnov 0,948 lebih besar dari 0,05.
b. Uji Heteroskedastisitas
Ghozali (2005) menyatakan uji heteroskedastisitas bertujuan menguji apakah dalam model regrei terjadi ketidaksamaan variance
Unstandardiz ed Residual N 32 Normal Parametersa,b Mean .0000000 Std. Deviation .00969418 Most Extreme Differences Absolute .092 Positive .092 Negative -.074 Kolmogorov-Smirnov Z .522
Asymp. Sig. (2-tailed) .948
a. Test distribution is Normal. b. Calculated from data.
dari residual atau pengamatan ke pengamatan lain. Jika variance dari residual satu pengamatan ke pengamatan lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik yang homoskesdatisitas.
Cara mendeteksi ada tidaknya gejala heteroskedastisitas adalah dengan melihat grafik scatterplot yang dihasilkan dari pengolahan data dengan SPSS. Menurut Ghozali (2005) pengambilan keputusan adalah dengan melihat pola tertentu, seperti titik-titik yang membentuk pola tertentu yang teratur (bergelombang, melebar kemudian menyempit), maka mengindikasikan telah terjadi heterokedastisitas dan jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heterokedastisitas.
Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi gejala heterokedastisitas atau tidak dengan cara mengamati penyebaran titik-titik pada grafik
Gambar 4.3 Scatterplot
Sumber : Data diolah oleh peneliti, 2013
Dari grafik scatterplot terlihat bahwa titik – titik menyebar secara acak dengan tidak ada pola tertentu yang tersebar baik diatas maupun di bawah angka 0 pada sumbu Y. Dengan demikian dapat disimpulkan terjadi homokedastisitas.
c. Uji Autokorelasi
Uji ini bertujuan untuk melihat apakah dalam suatu model linear ada korelasi antar kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1 (sebelumnya).
Ada beberapa cara yang dapat digunakan untuk mendeteksi masalah dalam autokorelasi diantaranya adalah dengan uji Durbin-Watson. Menurut Sunyoto (2009) pengambilan keputusan ada tidaknya autokorelasi adalah:
1) Angka D-W dibawah -2 berarti ada autokorelasi positif,
2) Angka D-W diantara -2 sampai +2 berarti tidak ada autokorelasi, 3) Angka D-W di atas +2 berarti ada autokorelasi negatif.
Tabel 4.9
Hasil Uji Durbin – Watson Model Summaryb
Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 1.000a 1.000 1.000 .01059 1.781 a. Predictors: (Constant), X5, X2, X3, X1, X4 b. Dependent Variable: Y
Tabel 4.9 menunjukkan hasil autokorelasi variabel penelitian. Berdasarkan hasil pengujian diperoleh bahwa tidak terjadi autokorelasi antar kesalahan pengganggu antar periode. Hal ini dilihat dari nilai Durbin-Watson (D-W) sebesar 1,781. Angka tersebut berada diantara -2 dan +2, artinya bahwa angka DW lebih besar dari -2 dan lebih kecil dari +2 (-2 < 1,687 < +2). Jadi dapat disimpulkan bahwa tidak ada autokorelasi positif maupun negatif.
1. Analisis regresi
Berdasarkan hasil uji asumsi klasik yang dilakukan, dapat disimpulkan bahwa model regresi yang dipakai dalam penelitian ini sudah memenuhi model yang Best Linear Estimator (BLUE)
dan layak untuk pengajuan hipotesis dengan menggunakan analisis berganda.Adapun hasil analisis regresi sebagai berikut
Tabel 4.10 Koefisien Regresi Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) -.013 .012 -1.160 .257 X1 .698 .028 .073 24.860 .000 X2 .839 .012 .188 72.795 .000 X3 3.082 .029 .348 104.860 .000 X4 .427 .003 .413 131.164 .000 X5 1.004 .005 .278 193.499 .000 a. Dependent Variable: Y
Berdasarkan Tabel 4.10 pada kolom Unstandardized Coefficients bagian B diperoleh model persamaan regresi linier sederhana yaitu:
Y = -0.13 + 0,698 �1 + 0,839 �2 + 3,082 �3 + 0,427 �4 + 1,004
�5+ e
Pada undstandardized coefficients, diperoleh α, β1, β2, β3, β4, β5
sebagai berikut :
a. Nilai B Constatnt (α) = -0,13
Nilai konstanta ini menunjukkan bahwa apabila tidak ada nilai variabel bebas yaitu perbandingan working capital to
total assets, retained earnings to total assets, Earning before interest and tax to total assets, market velue of equity to total liability, sales to total assets, maka perubahan nilai kesehatan yang dilihat dari nilai Y tetap sebesar -0,13.
b. Nilai �1 = 0,698 = hasil perbandingan working capital to total
assets
Koefisien regresi ini menunjukkan bahwa setiap kenaikan perbandingan working capital to total assets sebesar 1 satuan, maka perubahan perbandingan working capital to total assets (�1) yang dilihat dari nilai Y akan berkurang sebesar 0,698 dengan asumsi variabel lain dianggap tetap.
c. Nilai �2 = 0,839
Koefisien regresi ini menunjukkan bahwa setiap kenaikan perbandingan retained earnings to total assets sebesar 1 satuan, maka perubahan retained earnings to total assets (�2) yang dilihat dari nilai Y akan berkurang 0,839 dengan asumsi variabel lain dianggap tetap.
d. Nilai �3 = 3,082
Koefisien ini menunjukkan bahwa setiap kenaikan earnings before interest and tax to total asset sebesar 1 satuan, maka perubahan earnings before interest and tax to total asset
(�3) yang dilihat dari nilai Y akan berkurang 3,082 dengan asumsi variabel lain dianggap tetap.
e. Nilai �4 = 0,427
Koefisien ini menunjukkan bahwa setiap kenaikan perbandingan book value of equity to total liability sebesar 1 satuan, maka perubahan book value of equity to total liability (�4) yang dilihat dari nilai Y akan berkurang sebesar 0,427 dengan asumsi variabel lain yang dianggap tetap.
f. Nilai �5 = 1,004
Koefisien regresi ini menunjukkan bahwa setiap kenaikan perbandingan sales terhadap total assets sebesar 1 satuan, maka perubahan perbandingan sales terhadap total assets (�5) yang dilihat dari nilai Y akan berkurang sebesar 1,004 dengan asumsi variabel lain dianggap tetap.
4.5Pengujian Hipotesis
Dalam penelitian ini, peneliti meenggunakan analisis regresi berganda, dengan uji koefisien determinasi. Nilai yang digunakan untuk melihat koefisien determinasi yaitu Adjusted �2. Adjusted �2 untuk mengukur seberapa jauh
Berdasarkan hasil dari pengolahan data dengan menggunakan SPSS, diperoleh hasi sebagai berikut :
Tabel 4.11 Adjusted ��
Dari tabel di atas, dapat dilihat hasil analisis secara regresi menunjukkan R 1,000 menunjukkan bahwa korelasi atau hubungan antara kesehatan perusahaan dengan rasio model Z-Score metode Altman mempunyai hubungan sangat erat.
Nilai adjusted R square sebesar 1.000 mengindikasikan bahwa variasi dari kedua variabel independen mampu menjelaskan variabel dependen sebesar 100 %. Standar Error of Estimate (SEE) adalah 0.01059 yang mana makin besar SEE akan membuat model regresi kurang tepat dalam memprediksi variabel independen. Pengujian hipotesis dilakukan dengan menggunakan dua cara yaitu :
Model Summaryb Mod el R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 1.000a 1.000 1.000 .01059 1.781 a. Predictors: (Constant), X5, X2, X3, X1, X4 b. Dependent Variable: Y