BAB 4 ANALISIS DAN PEMBAHASAN
4.2 Analisis Hasil Penelitian
4.2.1 Analisis Statistik Deskriptif
4.2.2.1 Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam sebuah regresi variabel dependen, variabel independen atau keduanya mempunyai distribusi normal ataukah tidak mempunyai distribusi normal. Dalam penelitian ini pengujian normalitas data dilakukan secara grafik dan statistik sehingga dapat diketahui secara pasti bagaimana distribusi data yang diperoleh. Data yang tidak berdistribusi secara normal dalam persamaan regresi maka akan memberikan hasil yang bias.
Analisis grafik yang handal untuk menguji normalitas data adalah dengan melihat normal probability plot dan histogram . Uji normalitas yang pertama dengan melihat grafik secara histogram. Berdasarkan hasil komputasi dengan bantuan aplikasi
SPSS 20, maka dihasilkan grafik histogram seperti terlihat pada gambar 4.1 dibawah ini:
Gambar 4.1 Grafik Histogram
Sumber: Output SPSS 20, Grafik Histogram
Gambar 4.2 Uji Normalitas
Dengan melihat tampilan histogram maupun grafik normal plot dapat disimpulkan bahwa grafik histogram memberikan pola distribusi yang tidak normal. Pada grafik P-Plot terlihat titik-titik menyebar disekitar garis diagonal, serta penyebaran agak jauh dari garis diagonal. Hal ini menunjukkan baik histogram maupun P-Plot tidak menunjukkan pola distribusi normal, maka model regresi tidak memenuhi asumsi normalitas.
Hasil analisis statistik adalah sebagai berikut : Tabel 4.2
Uji Statistik-Non Parametrik One-Sample Kolmogorov-Smirnov Test
Unstandardize d Residual
N 230
Normal Parametersa,b
Mean 0E-7 Std. Deviation 146,90068770 Most Extreme Differences Absolute ,260 Positive ,260 Negative -,185 Kolmogorov-Smirnov Z 3,949
Asymp. Sig. (2-tailed) ,000
Sumber: Output SPSS 20, One Sample Kolmogrov-Smirnov Untuk menentukan data dengan uji statistic non – parametrik Kolmogrov-Smirnov, nilai signifikasi harus diatas 0,05 atau 5%. Pengujian terhadap normalitas residual dengan menggunakan uji Kolmogrov-Smirnov, mempunyai nilai kolmogrov-smirnov sebesar 3,949 dengan nilai signifikansi sebesar 0,000. Hal ini berarti H0 ditolak yang berarti data residual terdistribusi tidak normal. Hasil konsisten dengan uji sebelumnya.
Uji normalitas secara residual pada industri manufaktur terdistribusi tidak normal, hal ini dikarenakan industri manufaktur yang listed di BEI tahun 2009-2013 mempunyai fluktuasi data yang tidak stabil artinya banyak data residual yang tidak terpenuhi. Oleh karena dilakukan teknik menormalkan distribusi data dalam bentuk transformasi bentuk natural (LN). Secara rinci hasil perhitungan uji normalitas residual dengan grafik histogram, uji normal probability plot dan uji Komolgrov-Smirnov berdasarkan data transform-LN variabel PL ditunjukkan pada gambar dan tabel sebagai berikut:
Gambar 4.3
Grafik Histogram ( Data LN) Sumber: Output SPSS 20, grafik histogram (Data LN)
Gambar 4.4
Uji Normalitas P-Plot (LN) Sumber: Output SPSS 20, Normal P-Plot
Dari grafik normal probility plot titik-titik menyebar berhimpit disekitar diagonal dan hal ini menunjukkan bahwa residual terdistribusi secara normal.
Tabel 4.3
Uji Statistik- Non Parametrik (Data LN)
Sumber: Output SPSS 20, One Sample Kolmogrov-Smirnov One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 163
Normal Parametersa,b Mean 0E-7
Std. Deviation 1,32702604 Most Extreme Differences
Absolute ,074 Positive ,052 Negative -,074
Kolmogorov-Smirnov Z ,946
Asymp. Sig. (2-tailed) ,332
a. Test distribution is Normal. b. Calculated from data.
Hasil sampel pada tabel 4.3 tersebut menunjukkan bahwa nilai kolmogrov – smirnov sebesar 0,946 dan tingkat signifikan pada 0,332. Nilai p > 0,05 sehingga dapat dikatakan residual berdistribusi normal.
4.2.2.2Uji Multikolinearitas
Uji ini bertujuan menguji apakah pada model regresi ditemukan adanya korelasi antar variabel independen. Pada model regresi yang baik seharusnya antar variabel independen tidak terjadi kolerasi. Untuk mengetahui ada tidaknya multikolinearitas dapat dilihat dari nilai Variance Imflation Factor ( VIF ) dan nilai Tolerance, apabila nilai VIF > 10 dan nilai Tolerance < 0,1 maka terjadi multikolinearitas dan apabila nilai VIF < 10 dan nilai Tolerance > 0,1 maka tidak terjadi multikolineraritas. Hasil uji mutikolinearitas dapat dilihat pada tabel 4.4 berikut :
Tabel 4.4
Hasil Uji Multikolinearitas
Sumber:Output SPSS 20, Hasil Uji Multikolinearitas Coefficientsa
Model Collinearity Statistics Tolerance VIF 1 CR ,668 1,497 DER ,620 1,613 OPM ,240 4,168 ROA ,212 4,706 IT ,913 1,095 TATO ,438 2,284 a. Dependent Variable: LNPL
Hasil dari uji VIF pada tabel 4.4 menunjukkan dalam keenam variabel independen tidak terjadi multikolonieritas karena nilai VIF < 10 dan TOL > 0,1. Hal ini dapat dilihat besarnya nilai tolerance untuk variabel CR, DER, OPM, ROA, IT dan TATO nilai tolerance semua variabel diatas 0,1. Nilai VIF semua variabel dibawah 10. Dengan demikian keenam variabel independen dapat digunakan untuk memprediksi PL selama periode pengamatan.
4.2.1.3 Uji Autokorelasi
Uji ini bertujuan untuk melihat apakah dalam suatu model regresi linier terdapat korelasi antara kesalahan pengganggu pada periode t dengan kesalahan periode t-1 (sebelumnya). Jika terjadi korelasi maka dinamakan ada problem autokorelasi. Model regresi yang baik adalah yang bebas autokorelasi. Autokorelasi muncul karena observasi yang berurutan sepanjang tahun yang berkaitan satu dengan yang lainnya. Hal ini sering ditemukan pada time series.
Untuk mengetahui adanya autokorelasi dalam suatu model regresi dilakukan melalui pengujian terhadap nilai uji Durbin-Watson (Uji DW):
Tabel 4. 5 Uji Autokorelasi
Berdasarkan hasil uji Durbin-Watson sebesar 1,708; sedangkan dalam tabel DW untuk “k” = 6 dan N = 163 besar DW-tabel: dl (batas bawah) = 1,6683 dan du (batas atas) = 1,8207. Nilai DW 1,708 berada diantara batas bawah dan batas atas (dl ≤ d ≤ du)
maka dapat disimpulkan bahwa DW-test tidak dapat menolak H0
yang menyatakan bahwa tidak ada autokorelasi positif atau dapat disimpulkan tidak terdapat autokorelasi.
4.2.2.3Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain (Ghozali, 2006:105). Jika variance dari residual satu pengamatan ke pengamatan lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik adalah yang homoskedastisitas atau tidak terjadi heteroskedastisitas.
Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 ,363a ,132 ,099 1,35230 1,708
a. Predictors: (Constant), TATO, OPM, IT, CR, DER, ROA Dependent Variable: LNPL
Gambar 4.5
Hasil Uji Heteroskedastisitas
Sumber : Output SPSS, diolah penulis, 2014
Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara acak serta tersebar baik diatas maupun dibawah angka nol (0) pada sumbu Y, tidak berkumpul disatu tempat, serta tidak membentuk pola tertentu sehingga dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi dalam artian bahwa varian semua variabel ini menunjukkan variabel independen (CR, DER, OPM, ROA, IT, TATO) dapat digunakan untuk memprediksi PL pada perusahaan manufaktur selama periode 2009-2013.