E. Teknik Pengumpulan Data
Dalam penelitian ini, data dikumpulkan melalui dua tahap. Pada tahap pertama peneliti melakukan studi pustaka yaitu dengan mencari literatur yang
berhubungan dengan penelitian yang akan dilakukan. Pada tahap kedua peneliti mengumpulkan data melalui media internet dengan cara mengunduh dari situs
Bursa Efek Indonesia yaitu www.idx.co.id, untuk memperoleh laporan keuangan tahunan perusahaan yang menjadi populasi atau sampel penelitian.
F. Metode Analisis Data
Dalam penelitian ini, metode analisis data yang dilakukan dengan analisis statistik dan menggunakan software SPSS 16.0. Pengujian statistik dalam
penelitian ini terdiri dari pengujian asumsi klasik dan pengujian hipotesis. 1. Pengujian Asumsi Klasik
Penggunaan analisis regresi dalam statistik harus bebas dari asumsi – asumsi klasik. Uji asumsi klasik yang dilakukan adalah uji normalitas, uji
heteroskedastisitas, uji autokorelasi, dan uji multikolinieritas.
a. Uji Normalitas Data
Tujuan uji normalitas adalah ingin mengetahui apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal. Uji ini
berguna untuk tahap awal dalam metode pemilihan analisis data. Jika data normal, maka digunakan statistik parametrik, dan jika data tidak normal,
maka digunakan statistik nonparametrik atau lakukan treatment agar data normal. Menurut Ghozali 2005:110, ”cara untuk mendeteksi apakah
Universitas Sumatera Utara
residual berdistribusi normal atau tidak ada dua, yaitu analisis grafik dan analisis statistik. Normalitas dapat dideteksi dengan melihat penyebaran data
titik pada sumbu diagonal dan grafik dengan melihat histogram dari residualnya”. Dasar pengambilan keputusannya adalah:
1 jika data menyebar di sekitar garis diagonal dan mengikuti arah garis
diagonal atau grafik histogramnya menunjukkan pola berdistribusi normal, maka model regresi memenuhi asumsi normalitas,
2 jika data menyebar jauh dari diagonal dan tidak mengikuti arah garis
diagonal atau grafik histogram tidak menunjukkan data berdistribusi normal, maka model regresi tidak memenuhi asumsi normalitas.
Dalam penelitian ini Peneliti menggunakan uji Kolmogorov Smirnov K-S untuk menguji normalitas data.. Uji K-S dibuat dengan membuat
hipotesis: Ho : data residual berdistribusi normal,
Ha : data residual tidak berdistribusi normal Bila signifikansi 0,05 dengan
α = 5 berarti distribusi data normal dan Ho diterima, sebaliknya bila nilai signifikan 0,05 berarti distribusi data
tidak normal dan Ha diterima. Data yang tidak terdistribusi secara tidak normal dapat ditransformasi agar menjadi normal. Jika data tidak normal ada
beberapa cara mengubah model regresi menjadi normal menurut Jogiyanto2004:172, yaitu:
1 dengan melakukan transformasi data ke bentuk lain, yaitu:
Logaritma Natural, akar kuadrat, Logaritma lo, 2
lakukan trimming, yaitu mengubah observasi yang bersifat outlier,
Universitas Sumatera Utara
3 lakukan winsorizing, yaitu mengubah nilai-nilai data outlier
menjadi nili-nilai minimum atau maksimum yang diizinkan supaya distribusinya menjadi normal.
b. Uji Multikolinearitas
Uji multikolinieritas bertujuan untuk menguji apakah model regresi mempunyai korelasi antar variabel bebas. Model regresi yang baik
seharusnya tidak terjadi korelasi diantara variabel independen. Multikolinearitas adalah situasi adanya korelasi variabel – variabel
independen antara yang satu dengan yang lainnya. Jika terjadi korelasi sempurna diantara sesama variabel bebas, maka konsekuensinya adalah:
1. Koefisien – koefisien regresi menjadi tidak dapat ditaksir,
2. Nilai standar error setiap koefisien regresi menjadi tak terhingga.
Ada tidaknya multikolonieritas dapat dideteksi dengan melihat nilai tolerance dan variance inflation factor VIF, serta dengan menganalisis
matrik korelasi variabel-variabel independen. Nilai cutoff yang umum dipakai untuk menunjukkan adanya multikolonieritas adalah
jika nilai Variance Inflation Factor VIF tidak lebih dari 10 dan nilai Tolerance tidak kurang dari 0,1
maka model dapat dikatakan terbebas dari multikolenearitas.
c. Uji Heterokedastisitas
Uji heterokedastisitas bertujuan untuk melihat apakah dalam model regresi terjadi ketidaksamaan variabel dari residual satu pengamatan ke
pengamatan yang lain. Model regresi yang baik adalah tidak terjadi
Universitas Sumatera Utara
heterokedastisitas.
Menurut Nugroho 2005:62 cara memprediksi ada tidaknya heterokedastisitas pada suatu model dapat diihat dari pola gambar Scatterplot model
tersebut. Analisis pada gambar Scatterplot yang menyatakan model regresi linear berganda tidak terdapat heteroskedastisitas jika:
1 titik-titik data menyebar di atas dan di bawah atau di sekitar angka 0,
2 titik-titik data tidak mengumpul hanya di atas atau di bawah saja,
3 penyebaran titik-titik data tidak boleh membentuk pola bergelombang
melebar kemudian menyempit dan melebar kembali, 4
penyebaran titik-titik data sebaiknya tidak berpola.
d. Uji Autokorelasi
Uji ini bertujuan untuk melihat apakah dalam suatu model regresi linear ada korelasi antar kesalahan pengganggu pada periode t dengan kesalahan
pada periode t-1. Autokorelasi muncul karena observasi yang berurutan sepanjang tahun yang berkaitan satu dengan yang lainnya. Hal ini sering
ditemukan pada data time series. Pada data cross-section, masalah autokorelasi relatif tidak terjadi. Uji yang digunakan dalam penelitian ini
untuk mendeteksi ada tidaknya autokorelasi adalah menggunakan uji Durbin Watson dengan ketentuan sebagai berikut:
1 bila nilai DW Durbin-Watson terletak antara batas atas DU
dan 4-DU, maka koefisien autokorelasi sama dengan nol artinya tidak terjadi autokorelasi,
2 bila nilai DWDL batas bawah maka koefisien autokorelasi
lebih besar dari nol artinya ada autokorelasi positif,
Universitas Sumatera Utara
3 bila nilai DW4-DL, maka koefisien autokorelasi lebih kecil
dari nol artinya ada autokorelasi negatif, 4
bila nilai DW terletak antara DU dengan DL atau DW terletak diantara 4-DU dan 4-DL, maka hasilnya tidak dapat diputuskan
ada autokorelasi atau tidak.
2. Pengujian Hipotesis
Hipotesis diuji dengan menggunakan analisis regresi linear berganda. Analisis ini digunakan untuk mengetahui apakah semua variabel independen
mempunyai pengaruh terhadap variabel dependen. Model regresi untuk menguji hipotesis dalam penelitian ini menggunakan uji F simultan dan uji t parsial.
a. Uji-F
Uji F dilakukan untuk menilai pengaruh variabel independen secara simultan terhadap variabel dependen. Data dianalisis dengan model regresi
berganda yaitu: Y = a + b
X + b
2
X
2
+ e dimana: Y
= Earning Per Share a
= konstanta X
= Debt to Assets Ratio
X
2
= Total Asset Turnover b
, b
2
, b
3
= Koefisien regresi e
= Tingkat kesalahan Error
Universitas Sumatera Utara
Hipotesis yang akan diuji adalah sebagai berikut. Ho = tidak semua variabel independen berpengaruh secara simultan
terhadap variabel dependen. Ha = semua variabel independen berpengaruh secara simultan terhadap
variabel dependen. Uji ini dilakukan dengan membandingkan signifikansi F-hitung dengan
F-tabel dengan ketentuan: - jika F-hitung F-tabel, maka Ho diterima dan Ha ditolak untuk
α = 5, - jika F-hitung F-tabel, maka Ha diterima dan Ho ditolak
untuk α.= 5.
b. Uji-t
Uii-t dilakukan untuk mengetahui seberapa jauh pengaruh satu variabel independen terhadap variabel dependen secara parsial. Hipotesis yang akan
diuji adalah sebagai berikut. Ho = tidak semua variabel independen berpengaruh secara parsial
terhadap variabel dependen, Ha = semua variabel independen berpengaruh secara parsial terhadap
variabel dependen. Uji ini dilakukan dengan membandingkan t-hitung dengan t-tabel dengan
ketentuan sebagai berikut: - jika t-hitung t-tabel, maka Ho diterima dan Ha ditolak untuk
α = 5, - jika t-hitung t-tabel, maka Ha diterima dan Ho ditolak
untuk α = 5. .
Universitas Sumatera Utara
G. Jadwal Penelitian
Jadwal penelitian direncanakan sebagai berikut.
Tabel 3.3 Jadwal Penelitian
Tahapan Penelitian Jan
Feb Mar
Apr Mei
Jun 2010
2010 2010
2010 2010
2010 Pengajuan Proposal Skripsi
Bimbingan Proposal Skripsi Seminar Proposal Skripsi
Pengumpulan Pengolahan Data
Bimbingan Skripsi Penyelesaian Laporan
Penelitian Ujian Meja Hijau
BAB IV
Universitas Sumatera Utara
HASIL DAN PEMBAHASAN
A. Data Penelitian
Sebelum melakukan pembahasan mengenai data statistik harus terlebih dahulu telah ditentukan sebanyak 18 sampel. Perusahaan yang telah menjadi sampel kemudian
dicari nilai DAR, TATO, dan EPS masing-masing perusahaan. Perusahaan yang menjadi sampel disajikan dalam tabel dibawah ini:
Tabel 4.1 Daftar Sampel Per usahaan Per kebunan dan Per tambangan
No. Nama Perusahaan
Kode
1 PT. Astra Agro Lestari
AALI 2
PT. Bakrie Sumatera Plantations Tbk UNSP
3 PT. PP London Sumatera Tbk
LSIP 4
PT SMART tbk SMAR
5 PT. Tunas Baru Lampung Tbk
TBLA 6
PT. Multibreeder Adirama Indonesia Tbk MBAI
7 Pt. Dharma Samudra Finishing Indonesia Tbk
DSFI 8
PT. Bumi Resource Tbk BUMI
9 PT. Tambang Batubara Bukitasam Tbk
PTBA 10
PT. Energi Mega Persada Tbk ENRG
11 PT. Internasional Nickel Indonesia Tbk
INCO 12
PT. Central Korporindo Internasional Tbk CNKO
13 PT. Citatah Industri Marmer Tbk
CTTH 14
PT. Medco nergi Internasional Tbk MEDC
15 PT. Aneka Tambang Tbk
ANTM 16
PT. Timah Tbk TINS
17 PT. Cipta Panelutama Tbk
CITA 18
PT. Cipendawa Agroindustri Tbk CPDW
Lampiran
B. Analisis Data Penelitian
Universitas Sumatera Utara
1. Analisis Statistik Deskr iptif
Statistik deskriptif memberikan penjelasan mengenai nilai minimum, nilai maksimum, nilai rata-rata
mean, dan nilai standar deviasi dari variabel-variabel independen dan variabel dependen.
Tabel 4.2 Statistik Deskr iptif
Descriptive Statistics
N Minimum
Maximum Mean
Std. Deviation Debt To Assets Ratio
72 .14
1.39 .5739
.29628 Total Assets Turnover
72 .12
1.97 .9324
.43184 Earning Per Share
72 -120.00
1671.00 2.6346E2
397.60100 Valid N listwise
72
Lampiran Dari tabel 4.2 dapat dijelaskan beberapa hal seperti yang dijelaskan di bawah ini.
a. Variabel
Debt to Assets Ratio DAR memiliki nilai minimun 0,14 dan nilai maksimum 1,39 dengan rata-rata sebesar 0,5739 dan standar deviasi 0, 29628.
Hal ini berarti nilai minimun DAR perusahaan perkebunan dan pertambangan yang menjadi sampel penelitian dari tahun 2006 sampai 2009 adalah 0,14 dan
nilai maksimun sebesar 1,39 dengan rata-rata nilai DAR perusahaan perkebunan dan pertambangan yang menjadi sampel penelitian adalah sebesar 0,5739.
b. Variabel
Total Assets Turnover TATO memiliki nilai minimun 0,12 dan nilai
maksimum 1,97 dengan rata-rata sebesar 0, 9324 dan standar deviasi 0, 43184. Hal ini berarti nilai minimun TATO perusahaan perkebunan dan pertambangan
yang menjadi sampel penelitian dari tahun 2006 sampai 2009 adalah 0,12 dan nilai maksimun sebesar 1,97 dengan rata-rata nilai TATO perusahaan perkebunan
dan pertambangan yang menjadi sampel penelitian adalah sebesar 0,9324.
Universitas Sumatera Utara
c. Variabel
Earning Per Share EPS memiliki nilai minimun -120,00 dan nilai maksimum 1671,00 dengan rata-rata sebesar 2,6346 dan standar deviasi 397,60.
Hal ini berarti nilai minimun EPS perusahaan perkebunan dan pertambangan yang menjadi sampel penelitian dari tahun 2006 sampai 2009 adalah -120,00 dan
nilai maksimun sebesar 1671,00 dengan rata-rata nilai EPS perusahaan perkebunan dan pertambangan yang menjadi sampel penelitian adalah sebesar
2,6346.
2. Pengujian Asumsi Klasik
Untuk menghasilkan suatu model regresi yang baik, analisis regresi memerlukan pengujian asumsi klasik sebelum melakukan pengujian hipotesis. Apabila terjadi
penyimpangan dalam pengujian asumsi klasik perlu dilakukan perbaikan terlebih dahulu.
a. Uji Nor malitas Data
Uji normalitas bertujuan untuk menguji apakah variabel residual berdistribusi normal atau tidak. Uji statistik yang dapat digunakan untuk menguji apakah residual
berdistribusi normal adalah uji statistik non parametrik Kolmogorov-Smirnov K-S
dengan membuat hipotesis: H
: data residual berdistribusi normal, H
a
: data residual tidak berdistribusi normal. Apabila nilai signifikansi lebih besar dari 0,05 maka H
diterima dan sebaliknya jika nilai signifikansi lebih kecil dari 0,05 maka H
ditolak atau H
a
diterima. Tabel 4.3
Hasil Uji Nor malitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual N
72
Universitas Sumatera Utara
Normal Parameters
a
Mean .0000000
Std. Deviation 3.74271675E2
Most Extreme Differences
Absolute .197
Positive .197
Negative -.144
Kolmogorov-Smirnov Z 1.674
Asymp. Sig. 2-tailed .007
a. Test distribution is Normal.
Lampiran. Dari hasil pengolahan data pada tabel 4.3 diperoleh besarnya nilai
Kolmogorov- Smirnov adalah 1,674 dan signifikan pada 0,007. Nilai siginifikansi lebih kecil dari
0,05 maka H
a
diterima yang berarti data residual tidak berdistribusi normal. Data yang tidak berdistribusi normal dapat disebabkan oleh adanya data yang
outlier, yaitu data yang memiliki nilai yang sangat menyimpang dari nilai data lainnya. Beberapa cara
mengatasi data outlier yaitu:
− lakukan transformasi data ke bentuk lainnya,
− lakukan
trimming, yaitu membuang data outlier, −
lakukan winsorizing, yaitu mengubah nilai data yang outlier ke suatu nilai
tertentu. Untuk mengubah nilai residual agar berdistribusi normal, Peneliti melakukan
transformasi data ke model logaritma natural Ln dari EPS = fDAR, TATO menjadi Ln_EPS = fLn_DAR, Ln_TATO.
Setelah dilakukan transformasi data ke model logaritma natural, jumlah sampel n berkurang sebagai akibat dari proses penormalan
data, yakni dari 72 sampel menjadi 61 sampel. Kemudian data diuji ulang berdasarkan asumsi normalitas, berikut ini hasil pengujian dengan
Kolmogorov-Smirnov. Tabel 4.4
Hasil Uji Nor malitas Setelah Tr ansfor masi Logar itma Natur al
One-Sample Kolmogorov-Smirnov Test
Universitas Sumatera Utara
Unstandardized Residual N
61 Normal Parameters
a
Mean .0000000
Std. Deviation 1.89836475
Most Extreme Differences
Absolute .122
Positive .113
Negative -.122
Kolmogorov-Smirnov Z .956
Asymp. Sig. 2-tailed .320
a. Test distribution is Normal.
Lampiran Dari hasil pengolahan data pada tabel 4.4 diperoleh besarnya nilai
Kolmogorov- Smirnov adalah 0,956 dan signifikan pada 0,320. Nilai siginifikansi lebih besar dari
0,05 maka H diterima yang berarti data residual berdistribusi normal. Data yang
berdistribusi normal tersebut juga dapat dilihat melalui grafik histogram dan grafik normal plot data.
Universitas Sumatera Utara
\ Gambar 4.1
Histogr am Lampiran
Grafik histogram pada gambar 4.1 menunjukkan pola distribusi normal karena grafik tidak menceng kiri maupun menceng kanan. Dengan demikian dapat
disimpulkan bahwa model regresi telah memenuhi asumsi normalitas. Demikian pula hasil uji normalitas dengan menggunakan grafik normal p-plot.
Universitas Sumatera Utara
Gambar 4.2 Gr afik Normal P-Plot
Lampiran Pada grafik normal p-plot terlihat bahwa data menyebar disekitar garis diagonal
dan mengikuti arah garis diagonal, maka dapat disimpulkan bahwa model regresi telah memenuhi asumsi normalitas.
b. Uji Multikolinear itas
Uji multikolinearitas bertujuan untuk menguji apakah terdapat korelasi antar variabel independen dalam model regresi. Jika pada model regresi terjadi
multikolinearitas, maka koefisien regresi tidak dapat ditaksir dan nilai standard error
menjadi tidak terhingga. Menurut Nugroho 2005:58 deteksi multikolenaritas pada suatu model dapat dilihat yaitu jika nilai
Variance Inflation Factor VIF tidak lebih
Universitas Sumatera Utara
dari 10 dan nilai Tolerance tidak kurang dari 0,1 maka model dapat dikatakan terbebas
dari multikolenearitas. Tabel 4.5
Hasil Uji Multikolinear itas
Coefficients
a
Model Collinearity Statistics
Tolerance VIF
1 Constant Ln_Debt To Assets Ratio
.999 1.001
Ln_Total Assets Turnover .999
1.001 a. Dependent Variable: Ln_Earning Per Share
Lampiran Dari data pada tabel 4.5, dapat disimpulkan bahwa tidak terjadi gejala
multikolinearitas antara variabel independen yang diindikasikan dari nilai tolerance
setiap variabel independen lebih besar dari 0,1 yakni sebesar 0,999 dan nilai VIF lebih kecil dari 10 yakni sebesar 1,001. Maka dapat disimpulkan bahwa analisis lebih lanjut
dapat dilakukan dengan menggunakan model regresi berganda.
c. Uji Heter oskedastisitas
Uji heterokedastisitas bertujuan untuk melihat apakah dalam model regresi terjadi ketidaksamaan variabel dari residual satu pengamatan ke pengamatan yang
lain. Model regresi yang baik adalah tidak terjadi heterokedastisitas. Menurut Nugroho 2005:62 cara memprediksi ada tidaknya heteroskedastisitas pada suatu model dapat
diihat dari pola gambar Scatterplot model tersebut. Analisis pada gambar Scatterplot
yang menyatakan model regresi linear berganda tidak terdapat heteroskedastisitas jika: 1 titik-titik data menyebar di atas dan di bawah atau di sekitar angka 0,
Universitas Sumatera Utara
2 titik-titik data tidak mengumpul hanya di atas atau di bawah saja, 3 penyebaran titik-titik data tidak boleh membentuk pola bergelombang melebar
kemudian menyempit dan melebar kembali, 4 penyebaran titik-titik data sebaiknya tidak berpola.
Gambar 4.3 Hasil Uji Heter oskedastisitas Scatter plot
Lampiran
Dari garfik scatterplot terlihat bahwa titik-titik menyebar secara acak serta
tersebar baik di atas maupun di bawah angka 0 pada sumbu Y. Hal ini dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi sehingga
model regresi layak dipakai untuk memprediksi EPS perusahaan perkebunan dan pertambangan yang terdaftar di BEI berdasarkan masukan variabel independen
Debt to assets ratio, dan total assets turnover.
Universitas Sumatera Utara
d. Uji Autokorelasi
Pengujian autokorelasi bertujuan untuk menguji apakah terdapat korelasi antara kesalahan pengganggu pada suatu periode dengan kesalahan pengganggu periode
sebelumnya dalam model regresi. Jika terjadi autokorelasi dalam model regresi berarti koefisien korelasi yang diperoleh menjadi tidak akurat, sehingga model regresi yang
baik adalah model regresi yang bebas dari autokorelasi. Cara yang dapat dilakukan untuk mendeteksi ada tidaknya autokorelasi adalah dengan melakukan pengujian
Durbin Watson DW. Dalam model regresi tidak terjadi autokorelasi apabila nilai du dw 4 – du.
Tabel 4.8 menyajikan hasil uji Durbin Watson dengan menggunakan program
SPSS Versi 16. Tabel 4.6 Hasil Uji Autokor elasi
Model Summary
b
Model R
R Square
Adjusted R Square
Std. Error of the Estimate
Durbin-Watson
1 .469
a
.220
.193 1.93082
2.055 a. Predictors: Constant, Ln_Total Assets Turnover, Ln_Debt To Assets Ratio
b. Dependent Variable: Ln_Earning Per Share
Lampiran Hasil uji autokorelasi di atas menunjukkan nilai statistik
Durbin Watson dw sebesar 2,055. Nilai ini akan peneliti bandingkan dengan nilai tabel dengan
menggunakan signifikansi 5, jumlah pengamatan n sebanyak 61, dan jumlah variabel independen 2 k=2. Maka berdasarkan tabel
Durbin Watson didapat nilai batas atas du sebesar 1,6540 dan nilai batas bawah dl sebesar 1,5189. Oleh karena
itu, nilai dw lebih besar dari 1,6540 dan lebih kecil dari 4 – 1,6540 atau dapat dinyatakan bahwa 1,6540 2,055 4 - 1,6540 du dw 4 – du. Dengan demikian
dapat disimpulkan tidak terdapat autokorelasi baik positif maupun negatif.
Universitas Sumatera Utara
3. Pengujian Hipotesis
Untuk menguji hipotesis, peneliti menggunakan analisis regresi berganda. Data diolah dengan menggunakan program SPSS Versi 16. Berdasarkan hasil pengolahan
data dengan program SPSS Versi 16, maka diperoleh hasil sebagai berikut. Tabel 4.7
Model Summar y
Model Summary
b
Model R
R Square Adjusted R Square
Std. Error of the Estimate
1 .469
a
.220 .193
1.93082 a. Predictors: Constant, Ln_Total Assets Turnover, Ln_Debt To Assets Ratio
b. Dependent Variable: Ln_Earning Per Share
Lampiran Pada
model summary di atas, dapat dilihat hasil analisis regresi secara keseluruhan menunjukkan nilai R sebesar 0,469 menunjukkan bahwa korelasi atau hubungan antara
earning per share variabel dependen dengan debt toassets ratio dan total assets turnover variabel independen mempunyai tingkat hubungan yang sedang yaitu sebesar
46,9. Tingkat hubungan yang sedang ini dapat dilihat dari tabel pedoman untuk memberikan interpretasi koefisien korelasi. Nilai
Adjusted R Square atau koefisien determinasi adalah sebesar 0,193. Angka ini mengidentifikasikan bahwa
earning per share variabel dependen mampu dijelaskan oleh debt to assets ratio, dan total assets
turnover variabel independen sebesar 19,3 sedangkan selebihnya sebesar 80,7 dijelaskan oleh sebab-sebab lain. Kemudian
standard error of the estimate adalah sebesar 1,93082 dimana semakin kecil angka ini akan membuat model regresi semakin tepat
dalam memprediksi earning per share.
Tabel 4.8
Universitas Sumatera Utara
Pedoman Untuk Member ikan Inter pr etasi Koefisien Korelasi Interval Koefisien
Tingkat Hubungan 0,00 - 0,199
Sangat Rendah 0,2 - 0,399
Rendah 0,4 - 0,599
Sedang 0,6 - 0,799
Kuat 0,8 – 1
Sangat Kuat Sumber: Sugiyono, 2006:183.
a. Uji-F
Uji-F dilakukan untuk menilai pengaruh financial leverage debt to assets
ratio, dan total assets turnover secara simultan terhadap earning per share. Dalam uji-F digunakan hipotesis sebagai berikut.
H : b
= b
2
= b
3
= 0, artinya variabel financial leverage debt to assets ratio, dan total
assets turnover secara bersama-sama tidak mempunyai pengaruh yang signifikan terhadap
earning per share pada perusahaan perkebunan dan pertambangan yang terdaftar di Bursa Efek Indonesia,
Ha : b ≠ b
2
≠ b
3
≠ 0, artinya variabel financial leverage debt to assets ratio, dan total assets turnover secara bersama-sama mempunyai pengaruh yang
signifikan terhadap earning per share pada perusahaan perkebunan dan
pertambangan yang terdaftar di Bursa Efek Indonesia. Uji ini dilakukan dengan membandingkan signifikansi F-hitung dengan F-tabel dengan
ketentuan: -
jika F-hitung F-tabel, maka H diterima dan Ha ditolak
untuk α = 5, -
jika F-hitung F-tabel, maka Ha diterima dan H ditolak
untuk α = 5.
Universitas Sumatera Utara
Berdasarkan hasil pengolahan data dengan program SPSS Versi 16, maka diperoleh hasil sebagai berikut.
Tabel 4.9 Hasil Uji-F
ANOVA
b
Model Sum of Squares
Df Mean Square
F Sig.
1
Regression 60.863
2 30.432
8.163 .001
a
Residual 216.227
58 3.728
Total 277.090
60 a. Predictors: Constant, Ln_Total Assets Turnover, Ln_Debt To Assets Ratio
b. Dependent Variable: Ln_Earning Per Share
Lampiran
Dari uji ANOVA Analysis of Variance didapat F-hitung sebesar 8,163 dengan tingkat signifikansi sebesar 0,001. Sedangkan F-tabel diketahui sebesar 3,156.
Berdasarkan hasil tersebut dapat diketahui bahwa F-hitung F-tabel 8.163 3,156 maka H
ditolak dan Ha diterima. Jadi dapat disimpulkan bahwa variabel financial
leverage debt to assets ratio dan total assets turnover secara simultan berpengaruh signifikan terhadap
earning per share pada perusahaan perkebunan dan pertambangan yang terdaftar di Bursa Efek Indonesia.
Tabel 4.10 Analisis Hasil Regr esi
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients T
Sig. B
Std. Error Beta
1 Constant
4.613 .420
10.973 .000
Ln_Debt To Assets Ratio -.371
.427 -.101
-.871 .387
Ln_Total Assets Turnover 1.923
.485 .460
3.968 .000
a. Dependent Variable: Ln_Earning Per Share
Universitas Sumatera Utara
Lampiran Berdasarkan tabel di atas, maka didapatlah persamaan regresi sebagai berikut:
Ln_ Ŷ = 4,613 – 0,371 Ln_X
1
+ 1,923 Ln_X
2
+ e
Keterangan: 1 konstanta sebesar 4,613 menunjukkan bahwa apabila variabel independen bernilai
0 maka nilai earning per share adalah sebesar 4,613,
2 b1 sebesar -0,371 menunjukkan bahwa setiap penambahan debt to assets ratio
sebesar 1 maka akan diikuti oleh penurunan earning per share sebesar 0,371
dengan asumsi variabel lain tetap, 3 b2 sebesar 1,923 menunjukkan bahwa setiap penambahan
total assets turnover sebesar 1 maka akan diikuti oleh penambahan
earning per share sebesar 1,923 dengan asumsi variabel lain tetap.
b. Uji-t
Uji-t dilakukan untuk mengetahui seberapa jauh pengaruh satu variabel independen terhadap variabel dependen secara parsial. Dalam uji-t digunakan
hipotesis sebagai berikut. H
: b , b
2,
b
3
= 0, artinya variabel financial leverage debt to assets ratio dan total
assets turnover secara parsial tidak berpengaruh signifikan terhadap earning per share pada perusahaan perkebunan dan pertambangan yang terdaftar di Bursa
Efek Indonesia, Ha : b
, b
2
, b
3
≠ 0, artinya variabel financial leverage debt to assets ratio dan total assets turnover secara parsial berpengaruh signifikan terhadap earning per
Universitas Sumatera Utara
share pada perusahaan perkebunan dan pertambangan yang terdaftar di Bursa Efek Indonesia.
Uji ini dilakukan dengan membandingkan signifikansi t-hitung dengan t-tabel dengan ketentuan:
- jika t-hitung t-tabel, maka H
diterima dan Ha ditolak untuk α = 5 atau
signifikansi 0,05, -
jika t-hitung t-tabel, maka Ha diterima dan H ditolak
untuk α = 5 atau signifikansi 0,05.
Tabel 4.11 Hasil Uji-t
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients T
Sig. B
Std. Error Beta
1
Constant 4.613
.420 10.973
.000 Ln_Debt To Assets Ratio
-.371 .427
-.101 -.871
.387 Ln_Total Assets Turnover
1.923 .485
.460 3.968
.000 a. Dependent Variable: Ln_Earning Per Share
Lampiran
Hasil pengujian statistik t pada tabel 4.11 dapat dijelaskan sebagai berikut. 1 Pengaruh
Financial Leverage Debt To Assets Ratio terhadap Earning Per Share Nilai t-hitung untuk variabel
debt to assets ratio adalah sebesar -0,871 dan t-tabel untuk df = n-k 61-3
dan α = 5 diketahui sebesar 2,002. Dengan demikian nilai t-hitung lebih kecil dari nilai t-tabel -0,871 2,002 dan nilai signifikansi
sebesar 0,387 lebih besar dari 0,05 artinya H diterima, bahwa
financial leverage debt to assets ratio secara parsial tidak berpengaruh secara signifikan
Universitas Sumatera Utara
terhadap earning per share pada perusahaan perkebunan dan pertambangan pada
tingkat kepercayaan 95.
2 Pengaruh Total Assets Turnover terhadap Earning Per Share
Nilai t-hitung untuk variabel total assets turnover adalah sebesar 3,968 dan t-
tabel untuk df = n-k 61-3 dan α = 5 diketahui sebesar 2,002. Dengan demikian
nilai t-hitung lebih besar dari nilai t-tabel 3,968 2,002 dan nilai signifikansi sebesar 0,000 lebih kecil dari 0,05 artinya H
ditolak dan Ha diterima, bahwa total assets turnover secara parsial berpengaruh secara signifikan terhadap
earning per share pada perusahaan perkebunan dan pertambangan pada tingkat kepercayaan 95.
C. Pembahasan Hasil Analisis Penelitian
Dari hasil pengujian hipotesis secara parsial diketahui bahwa variabel financial
leverage debt to assets ratio tidak berpengaruh secara signifikan terhadap earning per share pada perusahaan perkebunan dan pertambangan yang terdaftar di Bursa Efek
Indonesia pada tingkat kepercayaan 95. Hasil ini bertentangan dengan hasil penelitian yang dilakukan oleh Reviska Mega Vani 2006 yang menyatakan bahwa
financial leverage berpengaruh secara signifikan terhadap earning per share. Perbedaan ini
disebabkan karena perbedaan rasio yang digunakan, jenis perusahaan yang dijadikan sebagai sampel penelitian, serta perbedaan tahun atau periode penelitian, namun hasil
penelitian ini memiiki hasil yang sama dengan hasil penelitian yang dilakukan oleh Mira Firani 2006 dan Ezy Niranda 2008 yang menyatakan bahwa
financial leverage tidak berpengaruh terhadap
earning per share. Berikut ini disajikan tabel perbandingan hasil penelitian dengan hasil penelitian terdahulu.
Universitas Sumatera Utara
Tabel 4.12 Per bandingan dengan Hasil Penelitian Ter dahulu
Nama Variabel yang
digunakan T Hitung
T Tabel Keterangan
Hasil Penelitian
Reviska Mega Vani
2006 Debt to Equity Ratio
DER Earning Per Share
EPS 2,591
2,446 T hitung
T Tabel Berpengaruh
Mira Firani 2006
Long term Debt to Equity Ratio LDER
Earning Per Share EPS
-0,057 2,201
T Hitung T Tabel
Tidak Berpengaruh
Ezy Niranda 2008
Degree of Financial Leverage DFL
Earning Per Share EPS
1,158 3,182
T Hitung T Tabel
Tidak Berpengaruh
Dwi Armaya 2009
Debt to Assets Ratio DAR
Earning Per Share EPS
-0,871 2,002
T Hitung T Tabel
Tidak Berpengaruh
Berdasarkan hasil yang diperoleh dalam penelitian ini, maka terdapat indikasi terjadinya financial leverage negatif seperti yang dikemukakan oleh Van Horne bahwa financial
leverage negatif akan terjadi jika perusahaan menggunakan dana dengan biaya tetap, namun pendapatan yang diterima dari penggunaan dana tersebut lebih kecil dari biaya
tetap yang harus dikeluarkan atas penggunaan sumber dana tersebut. Variabel
total assets turnover, secara parsial berpengaruh secara signifikan terhadap
earning per share pada perusahaan perkebunan dan pertambangan yang terdaftar di Bursa Efek Indonesia. Hasil ini membuktikan bahwa peningkatan dalam
aktivitas operasi perusahaan pada akhirnya akan menambah keuntungan bagi pemegang saham yakni berupa peningkatan pada
earning per share. Dari hasil pengujian hipotesis secara simultan diketahui bahwa variabel
financial leverage debt to assets ratio dan total assets turnover secara simultan berpengaruh
secara signifikan terhadap earning per share pada perusahaan perkebunan dan
Universitas Sumatera Utara
pertambangan. Nilai R sebesar 0,469 menunjukkan bahwa korelasi atau hubungan antara earning per share variabel dependen dengan debt to assets ratio dan total assets
turnover variabel independen mempunyai tingkat hubungan yang sedang yaitu sebesar 46,9. Tingkat hubungan yang sedang ini dapat dilihat dari tabel pedoman untuk
memberikan interpretasi koefisien korelasi. Nilai Adjusted R Square atau koefisien
determinasi adalah sebesar 0,193. Angka ini mengidentifikasikan bahwa earning per
share mampu dijelaskan oleh debt to assets ratio dan total assets turnover sebesar 19,3 sedangkan selebihnya sebesar 80,7 dijelaskan oleh sebab-sebab lain. Kemudian
standard error of the estimate adalah sebesar 1,93082 dimana semakin kecil angka ini akan membuat model regresi semakin tepat dalam memprediksi
earning per share. Variabel
debt to assets ratio memiliki koefisien korelasi yang negatif yaitu sebesar -0,871 menunjukkan bahwa setiap penambahan
debt to assets ratio sebesar 1 maka akan diikuti oleh penurunan
earning per share sebesar 0,871 dengan asumsi variabel lain tetap. Variabel
total assets turnover memiliki koefisien korelasi yang positif yaitu sebesar 3,968 menunjukkan bahwa setiap penambahan
total assets turnover sebesar 1 maka akan diikuti oleh penambahan
earning per share sebesar 3,968 dengan asumsi variabel lain tetap.
BAB V
Universitas Sumatera Utara
KESIMPULAN DAN SARAN
A. Kesimpulan