BAB IV ANALISIS HASIL PENELITIAN
4.1. Hasil Penelitian
4.1.2. Uji Asumsi Klasik
Uji normalitas bertujuan untuk mengetahui apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal serta untuk menghindari bias dalam model regresi. Penggujian normalitas dalam penelitian ini menggunakan uji statistik non-parametik Kolmogorov-Sminov (K-S), dengan membuat hipotesis:
H0: data residual berdistribusi normal Ha: data residual tidak berdistribusi normal
Apabila signifikansi lebih besar dari 0,05 maka diterima, sedangkan jika nilai signifikansi lebih kecil dari 0,05 maka H0 ditolak.
Tabel 4.2 Hasil Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Standardized Residual
N 29
Normal Parametersa,,b Mean .0000000
Std. Deviation .94491118
Most Extreme Differences Absolute .108
Positive .108
Negative -.079
Kolmogorov-Smirnov Z .582
Asymp. Sig. (2-tailed) .887
a. Test distribution is Normal. b. Calculated from data.
Sumber: Hasil Pengolahan SPSS (2012)
Dari hasil pengelolahan data, diperoleh variabel DAR, DER, LDER dan TATO terdistribusi secara normal dengan nilai signifikan sebesar 0,887 > 0,05 maka H0 diterima
Dengan demikian secara keseluruhan dapat disimpulkan bahwa nilai-nilai observasi data telah terdistribusi secara normal dan dapat dilanjutkan dengan uji asumsi klasik lainnya. Untuk lebih jelas berikut ini turut dilampirkan grafik histogram dan plot data yang terdistribusi normal.
Gambar 4.1 Histogram Sumber; Hasil Pengolahan SPSS (2012)
Dengan cara membandingkan antara data observasi dengan distribusi yang mendekati normal, dari grafik histogram di atas dapat disimpulkan bahwa distribusi data normal karena grafik histogram menunjukkan distribusi data mengikuti garis diagonal yang tidak menceng (skewness) kiri maupun menceng kanan.
Demikian pula dengan hasil uji normalitas dengan menggunakan grafik plot. Normalitas data dapat menggunakan normal P-Plot data dalam keadaan normal apabila distribusi data menyebar disekitar diagonal.
Gambar 4.2 Grafik Normal Plot Sumber: Hasil Pengolahan SPSS (2012)
Pada grafik normal plot terlihat titik-titik menyebar di sekitar garis diagonal serta penyebarannya agak mendekati dengan garis diagonal sehingga dapat disimpulkan bahwa data dalam model regresi terdistribusi secara normal.
4.1.2.2Uji Multikolinieritas
Untuk mendeteksi ada tidaknya multikolinieritas, dapat dilakukan dari hasil output SPSS dengan melihat nilai tolerance dan variance inflation factor (VIF). Nilai yang umum dipakai untuk mendeteksi adanya gejala multikolinieritas adalah jika tolerance < 0,1 sedangkan VIF > 10 (Ghozali, 2005: 92).
Tabel 4.3
Hasil Uji Multikolinieritas Coefficients(a) Coefficientsa,b Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) -.032 .214 -.150 .882
LN_DAR -.613 .310 -.368 -1.975 .059 .846 1.182
LN_DER .072 .066 .205 1.092 .285 .835 1.198
LN_LDER .250 .088 .568 2.847 .009 .738 1.355
a. Dependent Variable: LN_TATO
b. Weighted Least Squares Regression - Weighted by DAR
Sumber: Hasil Pengolahan SPSS (2012)
Dari data pada tabel 4.3 dapat disimpulkan bahwa tidak terjadi multikolonieritas dengan dasar nilai VIF untuk setiap variabel independen tidak ada yang melebihi 10 dan nilai tolerance tidak ada yang kurang dari 0.1, hal ini dapat dilihat dari nilai tolerance DAR sebesar 0,846; DER sebesar 0,835; LDER sebesar 0,738 tidak kurang dari 0,1 dan nilai VIF DAR sebesar 1,182; DER sebesar 1,198; dan LDER sebesar 1,355 tidak melebihi 10. Maka dapat dilakukan analisis lebih lanjut dengan menggunakan model regresi berganda.
4.1.2.3 Uji Heteroskedastisitas
Dalam penelitian ini, untuk mendeteksi ada tidaknya gejala heteroskedastisitas adalah melihat plot grafik yang dihasilkan dari pengolahan data menggunakan program SPSS. Dasar pengambilan keputusannya adalah:
1) Jika pola tertentu, sperti titik-titik yang teratur maka telah terjadi heteroskedastisitas,
2) Jika tidak ada pola tertentu, serta titik-titik yang menyebar tidak tertentu diatas dan dibawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.
Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi heterskedastisitas atau terjadi homoskedastisitas dengan mengganti penyebaran titik-titik pada gambar.
Gambar 4.3
Hasil Uji Heteroskedastisitas Sumber; Hasil Pengolahan SPSS (2012)
Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara acak serta tersebar baik diatas maupun di bawah angka 0 pada sumbu Y. Hal ini dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi. Dengan demikian, model ini layak dipakai untuk memprediksi kebijakan pendanaan pada perusahaan food and beverage yang terdaftar di bursa efek indonesia berdasarkan masukan variabel independen DAR, DER dan LDER.
4.1.2.4. Uji Autokorelasi
Autokorelasi dapat diartikan sebagai korelasi yang terjadi di antara anggota-anggota dari serangkaian observasi yang berderetan waktu (apabila datanya time series) atau korelasi antara tempat berdekatan (apabila cross sectional).
Tabel 4.4
Hasil Uji Autokorelasi
Model Summaryb,c Model R R Squar e Adjusted R Square Std. Error of the Estimate Change Statistics Durbin-Watson R Square Change F Change df1 df2 Sig. F Change 1 .515a .265 .177 .36021 .265 3.002 3 25 .049 1.939
a. Predictors: (Constant), LN_LDER, LN_DAR, LN_DER b. Dependent Variable: LN_TATO
c. Weighted Least Squares Regression - Weighted by DAR
Sumber: Hasil Pengolahan SPSS (2012)
Hasil uji autokorelasi diatas menunjukkan nilai R sebesar 0,515 menunjukkan bahwa koralasi yang kecil yaitu 51,5%. Nilai adjust R square
sebesar 0,265 atau 26,5% mengindikasikan bahwa variasi dari kedua variabel independen hanya mampu menjelaskan variabel dependen 51,5%. Durbin –
Watson sebesar 1,939, nilai ini akan dibandingkan dengan nilai tabel dengan menggunakan nilai signifikansi 5% jumlah sampel 30 (n) dan jumlah independen 3 (k=3). Oleh karena nilai DW 1,939 lebih besar dari batas (du) 1,650 dan kurang dari 3-1,650(3-du), maka dapat disimpulkan bahwa tidak ada autokorelasi positif atau negatif.
4.1.3 Pengujian Hipotesis Penelitian 4.1.3.1. Persamaan Regresi
Dalam pengolahan data dengan menggunakan regresi linear, dilakukan beberapa tahapan untuk mencari hubungan antara variabel dependen dengan variabel independen.
Tabel 4.5 Hasil Analisis Regresi
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients T Sig. B Std. Error Beta 1 (Constant) 1.322 .386 3.429 .002 DAR -.453 .902 -.121 -.503 .619 DER .007 .015 .094 .434 .668 LDER .344 .369 .220 .933 .359
a. Dependent Variable: TATO
Berdasarkan hasil analisis regresi seperti tertera pada ringkasan tabel 4.5 diatas diperoleh persamaan model regresi yang distandarkan sebagai berikut:
Y= 1,322 – 0,453X1 + 0,007X2 + 0,344X3 + e Adapun interpretasi dari persamaan di atas adalah:
1. a = 1,322
nilai konstanta ini menunjukkan bahwa apabila tidak ada variabel DAR, DER, LDER (X1 = X2 =X3= 0), maka TATO yang diberikan adalah 0,01322
2. b1 = -0,453
koefisien regresi b1 ini menunjukkan bahwa setiap variabel DAR meningkat satu satuan, maka TATO akan berkurang 0,453 atau 45,3% dengan asumsi variabel lain dianggap tetap atau ceteris paribus.
3. b2 = 0,007
nilai parameter atau koefisien regresi b2 menunjukkan bahwa setiap variabel DER meningkat satu satuan, maka TATO akan meningkat sebesar 0,007 atau 0,7% dengan asumsi variabel lainnya tetap atau sama dengan nol.
4. b3 = 0,344
koefisien regresi b3 ini menunjukkan bahwa setiap variabel LDER meningkat satu satuan, maka TATO akan bertambah 0,344 atau 34,4% dengan asumsi variabel lain dianggap tetap atau ceteris paribus.
4.1.3.2. Uji Signifikasi Simultan
Pengujian hipotesis secara simultan dilakukan dengan uji F. Menurut Ghozali (2006: 84) “uji statistik F pada dasarnya menunjukkan apakah semua variabel independen atau bebas yang dimasukkan dalam model mempunyai pengaruh secara bersama-sama tehadap variabel dependen/terikat”. Uji F merupakan suatu untuk mengetahui apakah semua variabel independen bukan merupakan penjelas yang signifikan terhadap variabel dependen. Penguji ini dilakukan dengan menghitung serta membandingkan F hitung dengan F tabel yaitu ketentuan sebagai berikut:
Jika F hitung < F tabel dan signifikansi > 5 % H0 diterima Jika F hitung > F tabel dan signifikansi < 5 % Ha diterima
Tabel 4.6 Hasil Uji F
ANOVAb,c
Model Sum of Squares Df Mean Square F Sig.
1 Regression 1.169 3 .390 3.002 .049a
Residual 3.244 25 .130
Total 4.412 28
a. Predictors: (Constant), LN_LDER, LN_DAR, LN_DER b. Dependent Variable: LN_TATO
c. Weighted Least Squares Regression - Weighted by DAR
Sumber: Hasil Pengolahan SPSS (2012)
Berdasarkan hasil perhitungan dengan menggunakan program SPSS tersebut, dapat disimpulkan bahwa Fhitung sebesar 3,002 dan Ftabel sebesar 4,171 dengan nilai p value sebesar 0,049 lebih kecil dari 0,05. Dengan demikian dapat
diketahui bahwa Fhitung < F tabel ( 3,002 < 4,171), H0 diterima dan nilai p value yaitu 0,049 < 0,05 artinya antara DAR, DER dan LDER tidak memiliki pengaruh yang signifikan terhadap TATO. Dengan kata lain, variabel-variabel independen secara bersama-sama tidak mempengaruhi jumlah TATO secara signifikan.
4.1.3.3. Uji Signifikansi Parsial
Pengaruh setiap variabel independen terhadap variabel dependen yang nyata atau signifikan dalam model regresi dapat dilihat dengan melakukan uji t (T
test). Menurut Ghozali (2006: 84) “uji statistik t pada dasarnya menunjukkan
seberapa jauh pengaruh satu variabel penjelas atau independen secara individual menerangkan variabel independen”
Adapun kriteria pengujiannya yaitu:
H0 diterima jika thitung < ttabel dan signifikansi > 0,05 Ha diterima jika thitung > ttabel dan signifikansi < 0,05
Tabel 4.7 Hasil Uji t Coefficientsa Model Unstandardized Coefficients Standardized Coefficients T Sig. B Std. Error Beta 1 (Constant) 1.322 .386 3.429 .002 DAR -.453 .902 -.121 -.503 .619 DER .007 .015 .094 .434 .668 LDER .344 .369 .220 .933 .359
Sumber: Hasil pengolahan SPSS (2012)
Berdasarkan hasil pengujian secara parsial dapat disimpulkan bahwa:
- Pengaruh DAR terhadap TATO dengan menggunakan SPSS diperoleh thitung sebesar -0,503 dan ttabel 2,045 dengan nilai p value 0,619. Karena thitung < ttabel (-0,503 < 2,045) dan nilai p value 0,619 > 0,05 dapat disimpulkan bahwa H0 diterima. Hal ini menunjukkan bahwa ada pengaruh positif dan signifikan DAR terhadap TATO.
- Pengaruh DER yang diukur dengan menggunakan program SPSS diperoleh thitung sebesar 0,434 dan ttabel 2,045 dengan nilai p value 0,668. Karena nilai p value 0,668>0,05 dan thitung < ttabel (0,434 < 2,045) maka dapat disimpulkan bahwa H0 diterima. Hal ini menunjukkan bahwa DER berpengaruh secara signifikan terhadap TATO.
- Pengaruh LDER yang diukur dengan menggunakan program SPSS diperoleh thitung sebesar 0,933 dan ttabel 2,045 dengan nilai p value 0,359. Karena nilai p value 0,359<0,05 dan thitung < ttabel (0,933< 2,045) maka dapat disimpulkan bahwa Ha diterima. Hal ini menunjukkan bahwa LDER tidak berpengaruh signifikan terhadap TATO.