ANALISIS HASIL PENELITIAN
4.2 Analisis Hasil Penelitian
4.2.2 Uji Asumsi Klasik
Dari tabel 4.2 diatas, dapat dijelaskan statistik masing-masing variabel penelitian, yaitu :
1. Variabel Dependen (Y), Market Capitalization, memiliki nilai minimum 248000, nilai maksimum 216720000, nilai median 14863000.00, sedangkan nilai rata-rata (mean) 48196235.96, dan standar deviasi 5.930E7, dengan jumlah sampel sebanyak 89.
2. Variabel Independen (X), Working Capital Turnover, memiliki nilai minimum negatif 77.25, nilai maksimum 29.62, nilai median 2.6600, sedangkan nilai rata-rata (mean) 1.3592, dan standar deviasi 13.33757, dengan jumlah sampel sebanyak 89.
3. Variabel Independen (X), Economic Value Added, memiliki nilai minimum negatif 369872, nilai maksimum 15105269, nilai median 204476.00, sedangkan nilai rata-rata (mean) 1466552.69, dan standar deviasi 2994244.000, dengan jumlah sampel sebanyak 89.
4. Variabel Independen (X), Market Value Added, memiliki nilai minimum negatif 6777267, nilai maksimum 692624662, nilai median 20410800.00, sedangkan nilai rata-rata (mean) 54093944.90, dan standar deviasi 1.072E8, dengan jumlah sampel sebanyak 89.
4.2.2 Uji Asumsi Klasik
Uji asumsi klasik ialah pengujian asumsi-asumsi statistik yang harus dipenuhi pada analisis regresi yang berbasis Ordinary Least Square (OLS). Model regresi yang diperoleh dengan model ini menghasilkan estimator linear tidak bias yang terbaik (Best Linear Unbias Estimator / BLUE).
45 4.2.2.1 Uji Normalitas
Sebelum menggunakan statistik parametis, telah digunakan pengujian normalitas data dengan uji statistik non parametis kolmogorov-Smirnov (K-S), dengan ketentuan sebagai berikut :
4.2.3.1 Apabila nilai signifikansinya lebih besar dari 0,05 maka data berdistribusi normal.
4.2.3.2 Jika nilai signifikansinya lebih kecil daripada 0,05 maka data tidak berdistribusi normal.
Bila data tidak berdistribusi normal, maka teknik statistik parametis tidak dapat digunakan untuk alat analisis. Suatu data membentuk distribusi normal bila jumlah data diatas dan dibawah rata-rata adalah sama, demikian juga simpangan bakunya.
Tabel 4.3
Uji Kolmogorov-Smirnov Sebelum Ditransformasi One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 89
Normal Parametersa,b Mean .0000000 Std. Deviation 3.57260448E7 Most Extreme Differences Absolute .194
Positive .194 Negative -.163 Kolmogorov-Smirnov Z 1.832 Asymp. Sig. (2-tailed) .002
Dari hasil pengujian diatas, besarnya nilai K-S adalah 1.832 dan signifikan pada 0.002 maka dapat bahwa disimpulkan data tidak berdistribusi normal.Untuk itu perlu dilakukan transformasi
46 data menjadi bentuk Logaritma natural (Ln) agar data berdistribusi normal. Setelah dilakukan transformasi, dilakukan pengujian ulang dengan hasil sebagai berikut :
Tabel 4.4
Uji Kolmogorov-Smirnov Setelah Ditransformasi One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 89
Normal Parametersa,b Mean .0000000 Std. Deviation .83219267 Most Extreme Differences Absolute .088
Positive .088 Negative -.073 Kolmogorov-Smirnov Z .832 Asymp. Sig. (2-tailed) .493
a. Test distribution is Normal. b. Calculated from data.
Berdasarkan hasil penguian K-S diatas, K-S yang diperoleh adalah 0,832 dan signifikan pada 0,493 sehingga dapat disimpulkan bahwa data terdistribusi normal dimana p > 0,005 (p= 0,493 >0,005). Dengan demikian secara keseluruhan bahwa nilai observasi telah terdistribusi normal.
Pada grafik histogram, dapat dilihat bahwa data tidak menceng (skewnes) ke kiri atau ke kanan . Pada grafik normal p-plot juga akan terlihat titik-titik menyebar dan mendekati sekitar garis diagonal, yang artinya data berdistribusi normal.
47 Gambar 4.1
Uji Normalitas Dengan Analisis Grafik Histogram
Gambar 4.2 Grafik Normal P-Plot
48 4.2.2.2 Uji Multikolinearitas
Dalam penelitian ini, untuk mendeteksi ada tidaknya gajala multikolonieritas adalah dengan melihat besaran korelasi anatara variabel independen dan besarnya tingkat kolonieritas yang masih dapat ditolerir, yaitu Tolerance > 0,10 dan Variance Inflation Factor (VIF) < 10. Berikut disajikan tabel hasil pengujian:
Tabel 4.5
Hasil Uji Multikolinearitas Coefficientsa
Model Collinearity Statistics
Tolerance VIF
1 Ln_WCT .827 1.210
Ln_EVA .474 2.110
Ln_MVA .436 2.295
a. Dependent Variable: Ln_MC
Hasil pengujian menunjukkan angka tolerance untuk LN_WCT lebih besar dari 0,1 (0,827> 0,1), LN_EVA lebih besar dari 0,1 (0,474 > 0,1), LN_MVA lebih besar dari 0,1 (0,436 > 0,1). Angka VIF untuk LN_WCT lebih kecil dari 10 (1,210< 10), LN_EVA lebih kecil dari 10 (2,110 <10 ), LN_MVA lebih kecil dari 10 (2,295 < 10 ). Berdasarkan hasil pengujian tersebut diperoleh kesimpulan tidak terdapat multikolonieritas.Hasil ini menunjukkan tidak ada hubungan antar variabel bebas (independen).
49 Tabel 4.6
Coefficient Correlations Coefficient Correlationsa
Model Ln_MVA Ln_WCT Ln_EVA
1 Correlations Ln_MVA 1.000 .285 -.688 Ln_WCT .285 1.000 .024 Ln_EVA -.688 .024 1.000 Covariances Ln_MVA .003 .001 -.002 Ln_WCT .001 .005 .000 Ln_EVA -.002 .000 .004 a. Dependent Variable: Ln_MC
Dari tabel di atas dapat dilihat tingkat korelasi antar variabel bebas, yaitu : tingkat korelasi antar variabel bebas antara LN_MVA terhadap LN_WCT menunjukkan angka 0,285 atau -28,5%, tingkat ini masih jauh dibawah 95 %. Tingkat korelasi antara LN_MVA terhadap LN_EVA menunjukkan angka -0,688 atau -68,8 %. Tingkat korelasi antara LN_EVA terhadap LN_WCT menunjukkan angka 0,24 atau 24 %. Berdasarkan hasil perhitungan tersebut dapat dibuktikan bahwa tidak terdapat korelasi antar variabel bebas atau tidak terdapat multikolonieritas.
4.2.2.3 Uji Heteroskedasitas
Uji Heteroskedasitas bertujuan untuk menguj apakah dalam model regresi terjadi ketidaksamaan varians dari residual satu pengamatan ke pengamatan lain. Heteroskedastisitas terjadi apabila variabel gangguan tidak mempunyai variansyang sama untuk semua observasi. Salah satu uji untuk mengetahui heteroskedastisitas ini
50 adalah dengan melihat penyebaran dari varians residual pada diagram pancar (scatterplot).
Cara untuk mendeteksi ada tidaknya heteroskedastisitas adalah dengan melihat grafik Plot antara nilai prediksi variabel terikat (ZPRED) dengan residualnya (SRESID).Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur (bergelombang, melebar kemudian menyempit), maka mengindikasikan telah terjadi heteroskedastisitas, jika tidak ada pola yang jelas, serta titik-titik menyebar diatas dan dibawah angka nol pada sumbu Y maka tidak terjadi heteroskedastisitas.
Gambar 4.3 Grafik Scatterplot
51 Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara acak dan tidak membentuk suatu pola tertentu serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y, sehingga dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi, sehingga model regresi layak dipakai untuk memprediksi MC berdasarkan masukan variabel WCT, EVA, dan MVA. Adanya titik-titik yang menyebar menjauh dari titik-titik yang lain dikarenakan adanya data observasi yang sangat berbeda dengan data observasi yang lain .
4.2.2.4 Uji Autokorelasi
Autokorelasi merupakan korelasi anatara anggota/ observasi yang disusun menurut urutan waktu.Uji ini bertujuan untuk menganalisis apakah dalam model regresi linier ada korelasi antara kesalahan pengganggu pada periode t dengan tingkat kesalahan pada periode t-1. Data obeservasi yang menggunakan data time series harus diuji apakah data tersebut menggandung autokorelasi atau tidak. Tabel 4.7 Uji Durbin-Watson Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .908a .824 .815 .74721 1.688
a. Predictors: (Constant), Ln_WCT, Ln_MVA, Ln_EVA b. Dependent Variable: Ln_MC
52 Hasil penggujian pada tabel memperlihatkan nilai statistik DW sebesar 1.688. Nilai ini akan dibandingkan dengan nilai tabel DW dengan nilai signifikansinya 5%, jumlah sampel 89 dan jumlah variabel independen 3 (k=3),maka akan diperoleh nilai dL ditabel sebesar 1,6095 dan dU 1,7012. Nilai DW sebesar 1.688 terletak diantara dL dan dU, sehingga tidak menghasilkan kesimpulan yang pasti.Maka dari itu dilakukan Uji Runs Test untuk memperoleh kesimpulan yang lebih jelas.
Tabel 4.8 Uji Runs Test
Runs Test
Unstandardized Residual
Test Valuea .06797 Cases < Test Value 44 Cases >= Test Value 44 Total Cases 88 Number of Runs 37 Z -1.715 Asymp. Sig. (2-tailed) .086
a. Median
Berdasarkan hasil pengujian Runs Test diatas, diperoleh signifikansi pada 0,086 , sehingga dapat disimpulkan bahwa data tidak memiliki autokorelasi, dimana p > 0,005 (p= 0,086 >0,005). Dengan demikian, secara keseluruhan dapat diyakini bahwa nilai observasi cukup random, sehingga tidak terdapat masalah autokorelasi.
53 4.2.3 Pengujian Hipotesis
Hasil uji asumsi klasik memperlihatkan data observasi tidak memenuhi asumsi normalitas, kemudian dilakukan transformasi ke dalam bentuk logaritma natural (LN).Sehingga persamaan yang baru memenuhi asumsi klasik dan dapat dianalisis lebih lanjut untuk pengujian hipotesis. Penulis menggunakan analisis regresi berganda untuk melakukan pengujian hipotesis dengan bantuan program SPSS 18.
4.2.3.1 Persamaan Regresi Tabel 4.9 Analisis Hasil Regresi
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) 5.522 .734 7.524 .000 Ln_WCT .060 .073 .046 .816 .417 Ln_EVA .381 .064 .445 5.980 .000 Ln_MVA .383 .057 .522 6.719 .000 a. Dependent Variable: Ln_MC
Berdasarkan tabel di atas, diketahui bahwa :
1. Konstanta sebesar 5,522 menunjukkan bahwa apabila tidak ada variabel independen (WCT, EVA, MVA) maka Market Cap bernilai sebesar 5,522.
2. β1 sebesar 0,060 menunjukkan bahwa setiap penambahan Working
Capital Turnover sebesar 1% akan diikuti oleh kenaikan Market Cap sebesar 6,0 % dengan asumsi variabel lain tetap.
54
3. β2 sebesar 0,381 menunjukkan bahwa setiap penambahan Economic
Value Addedsebesar 1% akan diikuti oleh kenaikan Market Cap sebesar 38,1 % dengan asumsi variabel lain tetap.
4. β3 sebesar 0,383 menunjukkan bahwa setiap penambahan Market
Value Added sebesar 1% akan diikuti oleh kenaikan Market Cap sebesar 38,3 % dengan asumsi variabel lain tetap.
4.2.3.2 Analisis 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.
Tabel 4.10 Model Summary Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Change Statistics R Square Change F Change df1 df2 Sig. F Change dimension0 1 .881a .777 .769 .84675 .777 98.543 3 85 .000
55 Pada tampilan ouput SPSS model summary , nilai koefisien korelasi (R) sebesar 0,777 yang berarti bahwa korelasi atau hubungan antara WCT,EVA, dan MVA (variabel independen) terhadap Market Cap (variabel dependen) kuat. Koefisien korelasi dikatakan kuat apabila nilai R berada diatas 0,5 dan mendekati 1. Angka adjusted R Square atau koefisien determinasi adalah 0,769. Hal ini berarti 76,9% variasi atau perubahan dalam variabel dependen dapat dijelaskan oleh variabel independen, sedangkan sisanya 23,1 % dijelaskan oleh faktor - faktor lain. StandarError of Estimate (SEE) adalah 0,84675, semakin kecil nilai SEE maka akan membuat model regresi semakin tepat dalam memprediksi variabel dependen.
4.2.3.3 Pengujian Secara Simultan
Uji Signifikan Simultan atau yang dikenal dengan Uji F digunakan untuk melihat pengaruh variabel independen secara simultan terhadap variabel dependen. Berdasarkan hasil pengolahan data denagn program SPSS versi 18.0 maka diperoleh hasil sebagai berikut:
Tabel 4.11 Hasil Uji-F
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 211.963 3 70.654 98.543 .000a
Residual 60.944 85 .717
Total 272.907 88
56 Dari hasil analisis regresi dapat diketahui bahwa secara bersama-sama variabel independen memiliki pengaruh yang signifikan terhadap variabel dependen. Hal ini dapat dibuktikan dari nilai F hitung sebesar 98,543 dengan nilai signifikansi (sig) sebesar 0,00. Hasil uji tersebut menunjukkan bahwa F hitung lebih besar dari F tabel (98,543 > 2,71). Dilihat signifikansinya, nilai signifikansi adalah sebesar 0,000, lebih kecil dari nilai signifikan sebesar 0,05. Hasil perhitungan baik melalui F hitung maupun nilai signifikannya, menunjukkan bahwa model regresi dapat digunakan untuk memprediksi Market Cap, atau dapat dikatakan bahwa WCT, EVA, dan MVA secara bersama-sama berpengaruh terhadap Market Cap.
4.2.3.4 Pengujian Secara Parsial
Uji - t digunakan untuk menguji signifikansi konstanta dan setiap variabel independennya.Hasil pengolahan dapat dilihat pada tabel 4.13. Tabel 4.12 Hasil Uji-t Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) 5.522 .734 7.524 .000 Ln_WCT .060 .073 .046 .816 .417 Ln_EVA .381 .064 .445 5.980 .000 Ln_MVA .383 .057 .522 6.719 .000 a. Dependent Variable: Ln_MC
57 Dari tabel hasil pengolahan SPSS dapat dilihat besarnya t hitung untuk variabel WCT sebesar 0,816 dengan nilai signifikan 0,417. Hasil uji tersebut dapat menunjukkan t hitung adalah lebih kecil dari t tabel ( 0,816<1,66298). Dilihat signifikansinya, nilai signifikansi WCT adalah sebesar 0,417, lebih besar dari nilai signifikan sebesar 0,05. Hasil perhitungan baik melalui t hitung maupun nilai signifikannya, menunjukkan WCT tidak mempunyai pengaruh yang signifikan terhadap variabelMarket Cap. Nilai t tabel, dimana level of significance (α) = 0,05 (5%) dan derajat kebebasan
(df) = (n – k) atau (89 – 4).
Nilai t hitung untuk variabel EVA adalah 5,980 dengan nilai signifikan 0,000. Hasil uji tersebut dapat menunjukkan t hitung adalah lebih besar dari t tabel (5,980 > 1,66298). Dilihat signifikansinya, nilai signifikansi EVA adalah sebesar 0,000, lebih kecil dari nilai signifikan sebesar 0,05. Hasil perhitungan baik melalui t hitung maupun nilai signifikannya, menunjukkan EVA mempunyai pengaruh yang signifikan terhadap variabel Market Cap.
Nilai t hitung untuk variabel MVA adalah 6,719 dengan nilai signifikan 0,000. Hasil uji tersebut dapat menunjukkan t hitung adalah lebih besar dari t tabel (6,719> 1,66298). Dilihat signifikansinya, nilai signifikansi MVA adalah sebesar 0,000, lebih kecil dari nilai signifikan sebesar 0,05. Hasil perhitungan baik
58 melalui t hitung maupun nilai signifikannya, menunjukkan MVA mempunyai pengaruh yang signifikan terhadap variabel Market Cap.
Berdasarkan tabel 4.9 dan penjelasan di atas, di dapatlah persamaan regresi sebagai berikut :
LN_MC = 5,522 + 0,060 LN_WCT + 0,381 LN_EVA + 0,383 LN_MVA + e
