ANALISIS DAN PEMBAHASAN
E. Hasil Pengujian Hipotesis 1 Uji Normalitas
2. Uji Perbedaan
a) Uji Mann-Whitney
Setelah dilakukan uji normalitas dengan menggunakan
One-Sample Kolmogorov-Smirnov Test, diketahui bahwa semua
variabel tidak berdistribusi normal. Sehingga kesemua variabel
Variabel Nilai
Asymp. Sig. (2-tailed)
CACL 0,002 CAICL 0,000 CCL 0,000 LTDTE 0,000 TLTA 0,007 TLTE 0,000 SFA 0,000 NITA 0,000
101 akan diuji beda dengan menggunakan uji beda non-parametrik,
yaitu dengan uji Mann-Whitney.
Tabel 4.4
Ringkasan Hasil Uji Mann-Whitney
S
Sumber: Data diolah
Hasil uji Mann Whitney menunjukkan bahwa terdapat
perbedaan yang signifikan pada rasio keuangan CACL, CAICL,
CCL, LTDTE, TLTA, TLTE, SFA dan NITA antara perusahaan
yang obligasinya masuk dalam investmen grade dengan
perusahaan yang obligasinya masuk dalam non-investment grade.
Pengambilan keputusan didasarkan dengan melihat nilai asymp.
Sig (2- tailed). Jika nilai asymp. Sig (2-tailed) < 0,05 berarti
terdapat perbedaan.
Dari hasil uji perbedaan yang dilakukan, dengan
menggunakan 8 rasio, semua rasio tersebut secara signifikan
berbeda antara perusahaan yang obligasinya masuk investment
Rasio Proksi Asymp. Sig (2-tailed)
Keterangan Kesimpulan (H0)
Likuiditas CACL 0,000 Berbeda Ditolak
CAICL 0,000 Berbeda Ditolak
CCL 0,000 Berbeda Ditolak
Leverage LTDTE 0,004 Berbeda Ditolak
TLTA 0,000 Berbeda Ditolak
TLTE 0,000 Berbeda Ditolak
Aktivitas SFA 0,000 Berbeda Ditolak
102
grade dan non-investment grade. Dengan melihat hasil
pengujian secara keseluruhan, dapat disimpulkan bahwa
Hipotesis Pertama (H0) ditolak.
3. Analisis Faktor
a) Menghitung Korelasi Indikator
Analisis korelasi matrik antar indikator yang ada untuk
mengetahui apakah indikator –indikator tersebut layak dianalisis dengan analisis faktor. Syarat kecukupan yang pertama adalah dari
KMO MSA (Kaiser-Meyer-Olkin Measure Of Sampling
adequacy) dan Barlett‟s Test. jika KMO MSA lebih besar dari 0,5 maka memenuhi syarat kecukupan untuk analisisi faktor.
Pengujian (1)
Tabel 4.5
Sumber: Output SPSS, 2011
Tabel di atas menunjukkan bahwa nilai KMO and Barlett’s adalah 0,747 dengan signifikansi 0,000. Oleh karena angka
tersebut sudah di atas 0,5 dan memiliki nilai signifikansi jauh di
bawah 0,05 (0,000 < 0,05), maka variabel dan sampel sudah bisa
dianalisis lebih lanjut.
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .747
Bartlett's Test of Sphericity Approx. Chi-Square 544.933
df 28
103 Tabel 4.6
Sumber: Output SPSS, 2011
Angka MSA yang terdapat dalam tabel Anti-Image Matrice
pada Anti-Image Correlation, pada angka korelasi yang bertanda
“a” (dari arah kiri atas ke kanan bawah). Nilai MSA yang didapat
dari masing-masing variabel ialah:
1) MSA rasio CACL sebesar 0,740 > 0,5
2) MSA rasio CAICL sebesar 0,853 > 0,5
3) MSA rasio CCL sebesar 0,749 > 0,5
Anti-image Matrices
CACL CAICL CCL LTDTE TLTA TLTE SFA NITA
Anti-image Covariance CACL .317 -.143 -.141 -.029 .010 .026 -.210 .021
CAICL -.143 .426 -.116 .034 .013 -.024 .013 -.001 CCL -.141 -.116 .361 -.010 .091 -.012 .163 -.136 LTDTE -.029 .034 -.010 .159 -.038 -.118 .027 .063 TLTA .010 .013 .091 -.038 .274 -.068 .086 -.057 TLTE .026 -.024 -.012 -.118 -.068 .148 -.066 -.022 SFA -.210 .013 .163 .027 .086 -.066 .585 -.191 NITA .021 -.001 -.136 .063 -.057 -.022 -.191 .749
Anti-image Correlation CACL .740a -.391 -.416 -.129 .035 .122 -.489 .044
CAICL -.391 .853a -.297 .130 .038 -.094 .025 -.002 CCL -.416 -.297 .749a -.040 .289 -.053 .355 -.261 LTDTE -.129 .130 -.040 .725a -.182 -.766 .089 .183 TLTA .035 .038 .289 -.182 .874a -.338 .216 -.126 TLTE .122 -.094 -.053 -.766 -.338 .696a -.225 -.065 SFA -.489 .025 .355 .089 .216 -.225 .475a -.288 NITA .044 -.002 -.261 .183 -.126 -.065 -.288 .736a
104 4) MSA rasio LTDTE sebesar 0,725 > 0,5
5) MSA rasio TLTA sebesar 0,874 > 0,5
6) MSA rasio TLTE sebesar 0,696 > 0,5
7) MSA rasio SFA sebesar 0, 475< 0,5
8) MSA rasio NITA sebesar 0,735 > 0,5
Dari 8 variabel, 7 variabel memiliki MSA di atas 0,5. Namun
masih terdapat variabel yang memiliki nilai MSA di bawah 0,5 yaitu
SFA, sehingga variabel tersebut harus dihilangkan karena tidak dapat
dianalisis lebih lanjut.
Pengujian (2)
Tabel 4.7
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .797
Bartlett's Test of Sphericity Approx. Chi-Square 491.603
Df 21
Sig. .000
Sumber: Output SPSS, 2011
Seperti halnya pada pengujian pertama, tabel di atas
menunjukkan bahwa nilai KMO and Barlett’s adalah 0,797 dengan signifikansi 0,000. Oleh karena angka tersebut sudah di atas 0,5
dan memiliki nilai signifikansi jauh di bawah 0,05 (0,000 < 0,05),
105 Tabel 4.8
Anti-image Matrices
CACL CAICL CCL LTDTE TLTA TLTE NITA
Anti-image Covariance CACL .416 -.183 -.124 -.025 .057 .004 -.068
CAICL -.183 .426 -.137 .033 .012 -.023 .003 CCL -.124 -.137 .413 -.020 .080 .008 -.103 LTDTE -.025 .033 -.020 .160 -.044 -.122 .079 TLTA .057 .012 .080 -.044 .288 -.065 -.033 TLTE .004 -.023 .008 -.122 -.065 .156 -.050 NITA -.068 .003 -.103 .079 -.033 -.050 .817
Anti-image Correlation CACL .817a -.434 -.298 -.098 .165 .014 -.116
CAICL -.434 .822a -.327 .128 .034 -.091 .005 CCL -.298 -.327 .848a -.077 .233 .030 -.178 LTDTE -.098 .128 -.077 .719a -.207 -.769 .219 TLTA .165 .034 .233 -.207 .900a -.305 -.069 TLTE .014 -.091 .030 -.769 -.305 .715a -.139 NITA -.116 .005 -.178 .219 -.069 -.139 .799a
a. Measures of Sampling Adequacy(MSA)
Sumber: Output SPSS, 2011
Angka MSA yang terdapat dalam tabel Anti-Image Matrice
pada Anti-Image Correlation, pada angka korelasi yang bertanda
“a” (dari arah kiri atas ke kanan bawah). Nilai MSA yang didapat
dari masing-masing variabel ialah:
1) MSA rasio CACL sebesar 0,817 > 0,5
2) MSA rasio CAICL sebesar 0,822 > 0,5
3) MSA rasio CCL sebesar 0,848 > 0,5
4) MSA rasio LTDTE sebesar 0,719 > 0,5
106 6) MSA rasio TLTE sebesar 0,715 > 0,5
7) MSA rasio NITA sebesar 0,799 > 0,5
Karena sudah tidak terdapat variabel yang memiliki nilai MSA
dibawah 0,5, maka semua variabel sudah bisa dianalisis lebih lanjut.
b) Ekstraksi Faktor Tabel 4.9
Sumber: Output SPSS, 2011
Pada tampilan component matrix menyediakan informasi
indikator mana yang masuk pada faktor pertama atau faktor kedua dan
seterusnya. Dari component matrix di atas, dapat diketahui bahwa
dari 7 variabel, terbentuk sebanyak 2 faktor. Tabel tersebut dapat
menunjukkan distribusi kedelapan variabel tersebut pada tiga faktor
yang terbentuk. Proses penentuan variabel mana akan masuk ke faktor
Component Matrixa Component 1 2 CACL .728 .493 CAICL .740 .444 CCL .774 .400 LTDTE -.790 .539 TLTA -.859 .304 TLTE -.777 .573 NITA .444 .306
Extraction Method: Principal Component Analysis. a. 2 components extracted.
107 yang mana akan dilakukan dengan melakukan perbandingan besar
korelasi pada setiap baris.
1. Variabel CACL
Korelasi antara variabel CACL dengan faktor 1 adalah +0,728 (kuat karena di atas 0,5)
Korelasi antara variabel CACL dengan faktor 2 adalah +0,493 (lemah karena di bawah 0,5)
Karena angka factor loading terbesar ada pada component
nomor 1, maka variabel CACL bisa dimasukkan sebagai
komponen faktor 1.
2. Variabel CAICL
Korelasi antara variabel CAICL dengan faktor 1 adalah +0,740 (kuat karena di atas 0,5)
Korelasi antara variabel CAICL dengan faktor 2 adalah +0,444 (lemah karena di bawah 0,5)
3. Variabel CCL
Korelasi antara variabel CCL dengan faktor 1 adalah -0,774 (kuat karena di atas dari 0,5)
Korelasi antara variabel CCL dengan faktor 2 adalah +0,400 (lemah karena di atas 0,5)
4. Variabel LTDTE
Korelasi antara variabel LTDTE dengan faktor 1 adalah -0,790 (kuat karena di atas 0,5)
108
Korelasi antara variabel LTDTE dengan faktor 2 adalah +0,539 (kuat karena di atas 0,5)
5. Variabel TLTA
Korelasi antara variabel TLTA dengan faktor 1 adalah -0,859 (kuat karena di atas 0,5).
Korelasi antara variabel TLTA dengan faktor 2 adalah +0,304 (lemah karena di bawah 0,5).
Karena angka factor loading terbesar ada pada component
nomor 1, maka variabel TLTA bisa dimasukkan sebagai
komponen faktor 1.
6. Variabel TLTE
Korelasi antara variabel TLTE dengan faktor 1 adalah - 0,777(kuat karena di atas 0,5)
Korelasi antara variabel TLTE dengan faktor 2 adalah +0,573 (kuat karena diatas 0,5)
7. Variabel NITA
Korelasi antara variabel NITA dengan faktor 1 adalah +0,444 (lemah karena di bawah 0,5)
Korelasi antara variabel NITA dengan faktor 2 adalah +0,309 (lemah karena di bawah 0,5)
Pada variabel LTDTE, korelasi antara variabel tersebut dengan
faktor 1 adalah 0,790 (cukup kuat), sedangkan korelasinya dengan
109 dan NITA. Karena tidak ada korelasi yang berbeda dengan jelas,
seperti pada variabel LTDTE, TLTE, dan NITA, maka sulit untuk
memutuskan akan dimasukkan ke faktor mana variabel-variabel
terebut. Oleh karena itu, diperlukan proses rotasi, agar variabel dapat
terdistribusi lebih jelas.
c) Rotasi Faktor
Sumber: Output SPSS, 2011
Component Matrix hasil proses rotasi (Rotated Component
Matrix) memperlihatkan distribusi variabel yang lebih jelas dan nyata. Tabel 4.10
Rotated Component Matrixa
Component 1 2 CACL -.169 .863 CAICL -.212 .837 CCL -.266 .829 LTDTE .941 -.175 TLTA .823 -.390 TLTE .955 -.142 NITA -.099 .530
Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization.
a. Rotation converged in 3 iterations.
110 Terlihat bahwa sekarang factor loading yang dulunya kecil semakin
diperkecil, dan faktor yang besar semakin diperbesar.
1. Variabel CACL : variabel ini masuk faktor 2, karena factor
loading dengan faktor 2 paling besar (0,863)
2. Variabel CAICL : variabel ini masuk faktor 2, karena factor
loading dengan faktor 2 terbesar (0,837)
3. Variabel CCL : variabel ini masuk faktor 2, karena factor
loading dengan faktor 2 terbesar (0,7829)
4. Variabel LTDTE : variabel ini masuk faktor 1, karena factor
loading dengan faktor 1 terbesar (0,941)
5. Variabel TLTA : variabel ini masuk faktor 1, karena factor
loading dengan faktor 1 terbesar (0,823)
6. Variabel TLTE : variabel ini masuk faktor 1, karena factor
loading dengan faktor 1 terbesar (0,955)
7. Variabel NITA : variabel ini masuk faktor 2, karena factor
loading dengan faktor 2 terbesar (0,530)
Dengan demikian, ketujuh variabel telah direduksi menjadi
hanya terdiri atas dua faktor. Dari tabel 4.10 juga dapat diketahui
111 Tabel 4.11
Pengelompokan Faktor
Sumber: Data diolah
Dari tabel di atas, dapat diketahui bahwa:
1) Faktor 1 (F1) atau Kelompok 1, terdiri dari rasio LTDTE,
TLTA dan TLTE. Kelompok ini merupakan cerminan dari
rasio utang atau leverage
2) Faktor 2 (F2) kelompok 2, terdiri dari rasio CACL, CAICL,
CCL dan NITA. kelompok ini mencerminkan rasio likuiditas
dan profitabilitas.
Pada tabel Component Transformation Matrix di atas,
angka-angka yang ada pada diagonal antara Component 1 dengan
Faktor 1 LTDTE TLTA TLTE Faktor 2 CACL CAICL CCL NITA Tabel 4.12
Component Transformation Matrix
Componen
t 1 2
1 -.709 .705
2 .705 .709
Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization.
112 1, Component 2 dengan 2. Terlihat bahwa angka keduanya berada
di atas 0,5. Tanda “-“ hanya menunjukkan arah korelasi. Hal
tersebut cukup membuktikan bahwa kedua faktor yang terbentuk
cukup tepat, karena memiliki korelasi yang cukup tinggi.