BAB IV ANALISIS HASIL PENELITIAN
B. Analisis Hasil Penelitian
2. Uji Asumsi Klasik
Uji normalitas data bertujuan untuk mengetahui apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal. Seperti 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
Sumber : Diolah oleh penulis dengan SPSS, 2009.
Gambar 4.2
Uji Normalitas dengan Plot
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 dianggap normal. Tabel 4.3 berikut menunjukkan hasil uji Kolmogorov-Smirnov.
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, 2009.
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. (Ghozali, 2005: 91).
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)
Coefficient Correlationsa
Model LDR OCR CAR DER
1 Correlations LDR 1.000 -.182 .205 .339 OCR -.182 1.000 -.323 -.531 CAR .205 -.323 1.000 .789 DER .339 -.531 .789 1.000 Covariances LDR .359 -.107 .363 .012 OCR -.107 .960 -.935 -.030 CAR .363 -.935 8.721 .135 DER .012 -.030 .135 .003
a. Dependent Variable: Laba
Tabel 4.5 Uji Multikolinearitas (2) Coefficientsa Model Unstandardized Coefficients Standardized Coefficients T Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 1.238 1.136 1.090 .282
CAR 1.712 2.953 .142 .580 .565 .360 2.776
DER .019 .058 .090 .319 .752 .271 3.689
OCR -1.234 .980 -.222 -1.259 .215 .694 1.442
LDR -.583 .599 -.152 -.972 .336 .874 1.144
a. Dependent Variable: Laba
Sumber : Diolah oleh penulis dengan SPSS, 2009.
Dari tabel 4.4 dapat dilihat bahwa hasil besaran korelasi antar variabel bebas masih di bawah 95 %, maka dapat dikatakan bahwa tidak terjadi multikolinearitas yang serius.
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
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
scatterplot antara ZPRED dan SRESID sebagai berikut:
Gambar 4.3 Uji Heteroskedastisitas
Sumber: Hasil olah data statistik, 2009
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 memenuhi persyaratan uji asumsi klasik tentang heteroskedastisitas.
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 .275a .076 -.010 .6496747 1.779
a. Predictors: (Constant), LDR, OCR, CAR, DER b. Dependent Variable: Laba
Sumber : Diolah oleh penulis dengan SPSS, 2009.
Tabel 4.7 memperlihatkan nilai statistik D-W sebesar 1,779. Angka ini terletak diantara -2 dan +2, dari pengamatan ini dapat disimpulkan bahwa tidak terjadi autokorelasi positif maupun autokorelasi negatif.
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, DER, OCR, dan LDR 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) 1.238 1.136 1.090 .282
CAR 1.712 2.953 .142 .580 .565 .360 2.776
DER .019 .058 .090 .319 .752 .271 3.689
OCR -1.234 .980 -.222 -1.259 .215 .694 1.442
LDR -.583 .599 -.152 -.972 .336 .874 1.144
a. Dependent Variable: Laba
Sumber : Diolah oleh penulis dengan SPSS, 2009.
Berdasarkan tabel 4.7, didapat persamaan regresi sebagai beikut:
Y = 1.238 + 1,712 CAR + 0.019 DER – 1.234 OCR – 0.583 LDR + ε Keterangan :
1) konstanta sebesar 1.238 menunjukkan bahwa apabila tidak ada variabel independen (CAR = DER = OCR = LDR = 0) maka Pertumbuhan Laba sebesar 1.238.
2) b1 sebesar 1,712 menunjukkan bahwa setiap penambahan Capital
Adequacy Ratio sebesar 1% akan diikuti oleh penambahan Pertumbuhan
Laba sebesar 1,712 dengan asumsi variabel lain tetap.
3) b2 sebesar 0.019 menunjukkan bahwa setiap penambahan Debt to Equity
Ratio sebesar 1% akan diikuti oleh penambahan Pertumbuhan Laba
4) b3 sebesar -1.234 menunjukkan bahwa setiap penambahan Operating Cost
Ratio sebesar 1% akan diikuti oleh penurunan Pertumbuhan Laba sebesar
1.234 dengan asumsi variabel lain tetap.
5) b4 sebesar -0.583 menunjukkan bahwa setiap penambahan Loan to Deposit
Ratio sebesar 1% akan diikuti oleh penurunan Pertumbuhan Laba sebesar
0.583 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 variabel-variabel independen memberikan semua informasi yang dibutuhkan untuk 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 .275a .076 -.010 .6496747 1.779
a. Predictors: (Constant), LDR, OCR, CAR, DER b. Dependent Variable: Laba
Sumber : Diolah oleh penulis dengan SPSS, 2009.
Dari hasil pengolahan regresi berganda pada tabel 4.6, dapat diketahui bahwa nilai R adalah 0,275 atau 27,5 %. 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 0,076. ini berarti bahwa variasi dari variabel independen yang terdiri dari Capital Adequacy Ratio, Debt to
Equity Ratio, Operation Cost Ratio dan Loan to Deposit Ratio hanya mampu
menjelaskan variasi variabel dependen (Pertumbuhan Laba) sebesar 7,6 %. 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) 1.238 1.136 1.090 .282
CAR 1.712 2.953 .142 .580 .565 .360 2.776
DER .019 .058 .090 .319 .752 .271 3.689
OCR -1.234 .980 -.222 -1.259 .215 .694 1.442
LDR -.583 .599 -.152 -.972 .336 .874 1.144
a. Dependent Variable: Laba
Sumber : Diolah oleh penulis dengan SPSS, 2009
a. Pengaruh Capital Adequacy Ratio (CAR) terhadap Pertumbuhan Laba (Laba) diuji dengan menggunakan hipotesis sebagai berikut:
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 0,580, 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 (0,580 < 2,016692173). Dengan melihat nilai signifikansi CAR, hasil hipotesis menunjukkan hasil dimana nilai signifikansi sebesar 0,565 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
Nilai t hitung untuk variabel Debt to Equity Ratio (DER) sebesar 0,319, 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 (0,319 < 2,016692173). Dengan melihat nilai signifikansi DER, hasil hipotesis menunjukkan hasil dimana nilai signifikansi sebesar 0,752 lebih besar dari 0,05, sehingga dapat disimpulkan bahwa Debt to Equity Ratio secara individu (parsial) tidak memiliki pengaruh yang signifikan terhadap Pertumbuhan Laba.
c. Pengaruh Operating Cost Ratio (OCR) terhadap Pertumbuhan Laba (Laba) diuji dengan menggunakan hipotesis sebagai berikut:
H0 : OCR = 0, artinya variabel Operating Cost Ratio (OCR) tidak berpengaruh terhadap Pertumbuhan Laba (Laba).
Ha : OCR ≠ 0, artinya variabel Operating Cost Ratio (OCR) 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 Operating Cost Ratio (OCR) sebesar -1,259, 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 (-1,259 < 2,016692173). Dengan melihat nilai signifikansi OCR, hasil hipotesis menunjukkan hasil dimana nilai signifikansi sebesar 0,215 lebih kecil dari 0,05, sehingga dapat disimpulkan bahwa Operating Cost Ratio secara individu (parsial) memiliki pengaruh yang signifikan terhadap Pertumbuhan Laba dengan arah pengaruh yang negatif.
e. Pengaruh Loan to Deposit Ratio (LDR) terhadap Pertumbuhan Laba (Laba) diuji dengan menggunakan hipotesis sebagai berikut:
H0 : LDR = 0, artinya variabel Loan to Deposit Ratio (LDR) tidak berpengaruh terhadap Pertumbuhan Laba (Laba).
Ha : LDR ≠ 0, artinya variabel Loan to Deposit Ratio (LDR) 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 Loan to Deposit Ratio (LDR) sebesar -0,972, 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 (-0,972 < 2,016692173). Dengan melihat nilai signifikansi LDR, hasil hipotesis menunjukkan hasil dimana nilai signifikansi sebesar 0,336 lebih kecil dari 0,05, sehingga dapat disimpulkan bahwa Loan to Deposit Ratio secara individu (parsial) memiliki pengaruh yang signifikan terhadap Pertumbuhan Laba dengan arah pengaruh yang negatif.
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 1.487 4 .372 .881 .484a
Residual 18.149 43 .422
Total 19.636 47
a. Predictors: (Constant), LDR, OCR, CAR, DER b. Dependent Variable: Laba
Sumber: Diolah oleh penulis dengan SPSS, 2009.
Untuk memprediksi pengaruh dari variabel-variabel bebas terhadap variabel terikat secara simultan, digunakan hipotesis sebagai berikut:
H0 : CAR = DER = OCR = LDR = 0, artinya variabel Capital Adequacy
Ratio (CAR), Debt to Equity Ratio (DER), Operating Cost Ratio (OCR)
dan Loan to Deposit Ratio (LDR) secara bersama-sama (simultan) tidak memiliki pengaruh yang signifikan terhadap variabel Pertumbuhan Laba (Laba).
Ha : CAR = DER = OCR = LDR ≠ 0, artinya variabel Capital Adequacy Ratio (CAR), Debt to Equity Ratio (DER), Operating Cost Ratio (OCR)
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 0,881 dengan tingkat signifikansi 0,484, sedangkan F tabel sebesar 2,588836146 dengan signifikansi 0,05. Berdasarkan hasil tersebut dapat disimpulkan bahwa Capital
Adequacy Ratio, Debt to Equity Ratio, Operating Cost Ratio, dan Loan to Deposit Ratio tidak berpengaruh secara simultan dan signifikan terhadap Pertumbuhan
Laba karena F hitung < F tabel (0,881 < 2,588836146) dan signifikansi penelitian lebih besar dari 0,05 (0,484 > 0,05).