ANALISIS DAN PEMBAHASAN A. Gambaran Umum Objek Penelitian
B. Analisis dan Pembahasan
5) Uji Koefesien Determinasi (R 2 )
Untuk mengukur seberapa jauh kemampuan model dalam menerangkan variabel dependen pada perusahaan syariah, maka dapat dilihat dari tabel berikut :
Tabel 4.13
Uji Koefesien Determinasi Perusahaan Syariah Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate 1 .513a .263 .202 6.56181
a. Predictors: (Constant), DAR, CCC, CR
b. Dependent Variable: ROA (Sumber: Data di diolah)
Berdasarkan Tabel 4.13 didapat nilai adjusted R2 sebesar 0.202. Maka dapat diartikan bahwa variabel independen CCC, CR, dan DAR mampu menjelaskan variabel dependen ROA sebesar 20.2%. Sedangkan sisanya, sebesar 79.8% dijelaskan oleh variabel lain yang tidak dimasukkan kedalam model
82
seperti pangsa pasar perusahaan (Raza, et al. 2011), kualitas tenaga kerja (Ton, 2009), dan faktor makroekonomi seperti inflasi, GDP, tingkat upah, jumlah perusahaan, tingkat bunga (Bekeris , 2012).
b. Analisis Regresi Kelompok Perusahaan Konvensional. 1) Uji Asumsi Klasik
(a) Uji Normalitas.
Gambar 4.10 Grafik Normal P-Plot Perusahaan Konveansional
(Sumber : Data sekunder diolah)
Tabel 4.14
Deskriptif Statsitik Normalitas Perusahaan Konvensional Descriptive Statistics N Skewness Kurtosis Statistic Statistic Std. Error Statistic Std. Error Unstandardized Residual 52 .874 .330 3.024 .650 Valid N (listwise) 52
83
Dapat dilihat pada Gambar 4.12 bahwa titik-titik residual tersebar disekitar garis diagoanal, namun sebagian titik menjauh dari garis diagonal. Artinya ada kemungkinan bahwa residual tidak berdistribusi normal. Untuk lebih memastikan hal tersebut, dilakukan analisis statistik berdasarkan Tabel 4.14 dengan melihat nilai
skewness dan kurtosis sebagai berikut :
Nilai Z hitung untuk skewness dan kurtosis secara berturut-turut adalah sebesar 36 dan 32.102 lebih besar dari nilai Z tabel dengan tingkat signifikansi 0.05 sebesar 1.96. Dapat disimpulkan bahwa residual tidak berdistribusi normal baik dilihat dari grafik normal p-plot
84
Data yang tidak terdistribusi secara normal dapat ditransformasi agar menjadi normal. Untuk menentukan bentuk transformasi yang tepat harus diketahui bagaimana bentuk histogram dari data yang ada, apakah
moderate positive skewness, substansial positive skewness, severe positive skewness, moderate negative skewness, substansial negative skewness, dan sverve negative skewness (Ghozali,2009 : 33)
Gambar 4.11
Grafik Histogram Perusahaan Konvensional
(Sumber: Data diolah)
Dapat dilihat pada Gambar 4.11, variabel ROA, CCC, dan CR memiliki bentuk histogram moderate positive skewness, sehingga variabel-variabel tersebut perlu ditransformasi menjadi bentuk akar kuadrat. Berikut
85
ini akan ditampilkan grafik normal p-plot dan statsitik deskriptif data yang telah di transformasi dalam bentuk akar kuadrat atau square root (SQRT).
Gambar 4.12 Grafik Normal P-Plot Perusahaan Konvensional Setelah Transformasi Data
(Sumber: data diolah)
Tabel 4.15
Deskriptif Statsitik Normalitas Perusahaan Konvensional Setelah Transformasi Data
Descriptive Statistics N Skewness Kurtosis Statistic Statistic Std. Error Statistic Std. Error Unstandardized Residual 52 -.045 .330 .150 .650 Valid N (listwise) 52
(Sumber: data diolah)
Setelah dilakukan transformasi data, grafik normal
86
normal. Untuk lebih memastikan maka dilakukan uji statistik menggunakan hasil Tabel 4.15 berikut ini.
Nilai Z hitung skewness dan kurtosis data yang telah ditransformasi adalah -9.574 dan 1.59 lebih kecil dari nilai Z tabel pada signifikansi 0.05 sebesar 1.96. Maka dapat disimpulkan bahwa sebaran residual data adalah normal.
Untuk itu, semua uji yang akan dilakukan selanjutnya untuk perusahaan konvensional, akan menggunakan data yang telah ditransformasi.
(b) Uji Autokorelasi.
Untuk mendeteksi ada atau tidaknya korelasi antar residual pada data kelompok perusahaan konvensional maka dilakukan uji Watson. Nilai
Durbin-87
Watson (DW) didapat dengan cara meregresikan variabel yang diteliti menggunakan SPSS. Kemudian nilai DW akan dibandingkan dengan nilai tabel Durbin-Watson dengan menggunakan nilai signifikansi 5%. Untuk itu perlu dibuat hipotesis sebagai berikut :
H0 : tidak ada autokorelasi (r = 0) H1 : ada autokorelasi (r ≠ 0)
Jika nilai DW lebih besar dari nilai du dan lebih kecil dari 4-du (du<DW<4-du), maka H0 tidak dapat ditolak atau dengan kata lain tidak ada autokorelasi (Ghozali,2009: 100).
Tabel 4.16
Hasil Uji Autokorelasi Perusahaan Konvensional
Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .764a .583 .557 .71504 1.335 a. Predictors: (Constant), DAR, SQRT_CR,
SQRT_CCC
b. Dependent Variable: SQRT_ROA (Sumber: data diolah)
Hasil output SPSS menunujukan nilai Durbin – Watson sebesar 1.335. Nilai tersebut lebih kecil daripada nilai pada tabel du untuk k=3 atau 3 variabel independen dan jumlah sampel sebanyak 52 yaitu 1.6769. Hal tersebut menunujukkan bahwa terdapat autokorelasi positif. Autokorelasi dapat disembuhkan dengan cara
88
mentransformasi kedalam bentuk difference (Ghozali, 2009: 109) .Untuk mengobati autokorealsi diperlukan nilai rho (ρ), dan dalam kasus ρ tidak diketahui maka dapat diestimasi dengan beberapa cara. Dalam penelitian ini ρ diestimasi dengan berdasarkan nilai Durbin-Watson d statsitik. Pada kasus jumlah sampel kecil Theil-Nagar mengajukan rumus untuk menghitung ρ sebagai berikut:
Dimana :
n = jumlah sampel atau observasi d = nilai statsistik Durbin-Watson k = jumlah variabel bebas
Dengan menggunakan rumus Theil-Nagar didapat nilai ρ sebesar 0.337. Setelah nilai ρ didapatkan, maka langkah selanjutnya adalah mentransformasi persamaan regresi menjadi seperti dibawah ini :
Y@= Y- ρ(Yt-1) Xi@= Xi- ρ(Xi t-1)
89
Kemudian lakukan regresi dengan persamaan sebagai berikut ;
Tabel 4.17
Uji Autokorelasi Perusahaan Konvensional Setelah Transformasi Data Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .725a .526 .496 .69092 2.118 a. Predictors: (Constant), SQRT_DAR@, SQRT_CR@, SQRT_CCC@ b. Dependent Variable: SQRT_ROA@
(Sumber: Data diolah)
Tabel 4.17, menunjukkan hasil regresi setelah ditransformasi dalam bentuk difference. Hasil tersebut menunjukkan nilai statistik Durbin-Watson sebesar 2.118 lebih besar daripada nilai tabel du dengan tingkat derajat kesalahan 5% dan jumlah variabel bebas 3 sebesar 1.6769. Nilai Durbin-Watson juga berada dibawah nilai 4-du sebesar 2.3231 , sehingga H0 tidak dapat ditolak dan disimpulkan tidak ada autokorelasi. Untuk itu, semua uji yang akan dilakukan selanjutnya untuk perusahaan konvensional, akan menggunakan model yang telah ditransformasi dalam bentuk difference.
(c) Uji Multikolinieritas.
90 Tabel 4.18
Hasil Uji Multikolinieritas Perusahaan Konvensional
Coefficientsa Model Collinearity Statistics Tolerance VIF (Constant) SQRT_CCC@ .974 1.027 SQRT_CR@ .997 1.003 SQRT_DAR@ .977 1.024
a. Dependent Variable: SQRT_ROA@
(Sumber: Data diolah)
Tabel 4.17 menunjukkan bahwa tidak ada nilai
tollerance yang lebih kecil dari 0.10 dan VIF yang lebih besar dari 10. Sehingga dapat disimpulkan bahwa tidak terjadi masalah multikolinieritas pada kelompok perusahaan konvensional.
(d) Uji Heteroskedestisitas
Gambar 4.13
Grafik Scatter plot perusahaan Konvensional
91
Dari grafik scatter plot pada Gambar 4.15 terlihat bahwa titik-titik menyebar secara acak serta tersebar baik diatas maupun dibawah angka nol pada sumbu Y. Hal ini dapat disimpulkan bahwa tidak terjadi heteroskedestisitas pada model regresi pada perusahaan konvensional, sehingga model regresi layak digunakan.
2) Model Regresi
Tabel 4.19
Model Regeresi Perusahaan Konvensional
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) 7.292 .818 8.910 .000 SQRT_CCC@ -.088 .040 -.221 -2.167 .035 SQRT_CR@ .001 .077 .001 .013 .990 SQRT_DAR@ -1.025 .144 -.725 -7.139 .000 a. Dependent Variable: SQRT_ROA@
(Sumber: Data diolah)
Berdasarkan output SPSS pada Tabel 4.18 , dari ke tiga variabel yang dimasukkan kedalam model regresi, variabel CR tidak berpengaruh signifikan. Hal tersebut dapat dilihat dari probabilitas signifikansi untuk CR sebesar 0.990 diatas 0.05. Sedangkan CCC dan DAR memiliki probibalitas 0.035 dan 0.000, yang artinya signifikan pada 0.05. Dari Tabel 4.17 dapat dibuat persamaan matematis sebagai berikut :
92 3) Uji F
Tabel 4.20
Uji F Perusahaan Konvensional
ANOVAb Model Sum of Squares df Mean Square F Sig. 1 Regression 24.913 3 8.304 17.396 .000a Residual 22.436 47 .477 Total 47.349 50
a. Predictors: (Constant), SQRT_DAR@, SQRT_CR@, SQRT_CCC@
b. Dependent Variable: SQRT_ROA@ (Sumber: Data diolah)
Berdasarkan Tabel 4.20, didapat nilai probabilitas signifikansi sebesar 0.000. Karena probabilitas yang lebih kecil dari derajat kesalahan 5% atau 0.05, maka model regresi dapat digunakan untuk memprediksi ROA atau dapat dikatakan CCC, CR, dan DAR secara bersama-sama berpengaruh terhadap ROA.
4) Uji Signifikansi Individual (Uji Statsitik t)