Statistik Deskriptif Analisis Regresi Pengaruh Pengelolaan

Centertex, PT Trias Sentosa dan PT United Tractors. Hal ini menunjukkan bahwa aktiva tetap kurang memberikan manfaat bagi perusahaan. Dari hasil pengolahan data diperoleh bahwa pada umumnya perusahaan manufaktur yang menjadi sampel penelitian belumlah mengelola aktiva tetapnya secara efisien yakni lebih dari 56. Dari 30 sampel hanya sepuluh perusahaan yang telah mengelola aktiva tetap dengan efisien secara teratur dari tahun 2006 sampai tahun 2008. Hal ini menunjukkan masih kurangnya perhatian perusahaan dalam hal perencanaan dan pengelolaan aktiva tetap perusahaan.

C. Statistik Deskriptif

Tabel 4.5 Descriptive Statistics N Minimum Maximum Mean Std. Deviation ROA 90 -20.36 36.49 5.4514 9.61478 FATO 90 .20 49.21 5.4764 7.24058 Valid N listwise 90 Sumber : Data diolah penulis, 2008 Statistik deskriptif menunjukkan : 1. Variabel FATO mempunyai rata-rata 5,476 kali dengan standar deviasi 7,241, nilai minimum 0,20 dan nilai maksimum sebesar 49,21, jumlah sampel yang lolos sebanyak 90 sampel. 2. Variabel ROA mempunyai rata-rata 5,451 dengan standar deviasi 9,615, nilai minimum -20,36 dan nilai maksimum 36,49, jumlah sampel yang lolos sebanyak 90 sampel. Universitas Sumatera Utara

D. Pengujian Asumsi Klasik

1. Uji Normalitas

Tujuan uji normalitas adalah ingin mengetahui apakah distribusi sebuah data mengikuti atau mendekati distribusi norma, yaitu distribusi data dengan bentuk lonceng Bell Shaped. Untuk mendeteksi normalitas data dapat juga dilakukan dengan uji Kolmogorov-Smirnov. Bila nilai signifikan 0,05 maka distribusi data tidak normal. Bila nilai signifikan 0,05 maka distribusi data normal. Caranya adalah menentukan terlebih dahulu hipotesis pengujian yaitu : Hipotesis Nol H0 : data terdistribusi secara normal Hipotesis Alternatif Ha : data tidak terdistribusi secara normal Berikut ini hasil uji normalitas data : Tabel 4.6 One-Sample Kolmogorov-Smirnov Test ROA FATO N 90 90 Normal Parametersa,b Mean 5.4514 5.4764 Std. Deviation 9.61478 7.24058 Most Extreme Differences Absolute .095 .259 Positive .060 .259 Negative -.095 -.241 Kolmogorov-Smirnov Z .905 2.459 Asymp. Sig. 2-tailed .386 .000 a Test distribution is Normal. b Calculated from data. Sumber : Data diolah penulis, 2008 Dari hasil pengolahan data tersebut diperoleh bahwa data dalam penelitian ini tidak rerdistribusi secara normal, dimana variabel FATO memiliki nilai signifikansi yang lebih kecil dari 0,05 yakni sebesar 0,000 Universitas Sumatera Utara sehingga tidak dapat dilakukan pengujian lebih lanjut. Untuk itu perlu dilakukan tindakan perbaikan treatmen agar model regresi memenuhi asunsi normalitas. Data yang tidak terdistribusi secara normal dapat ditransformasi agar menjadi normal. Untuk itu penulis melakukan transformasi data ke mode log natural LN_ dari Return On Assets ROA= fLNFATO. Kemudian data diuji ulang berdasarkan asumsi normalitas. Berikut ini hasil pengujian dengan Kolmogorov-Smirnov : Tabel 4.7 One-Sample Kolmogorov-Smirnov Test LNFATO LNROA N 90 72 Normal Parametersa,b Mean 1.2015 1.6880 Std. Deviation .97441 1.28652 Most Extreme Differences Absolute .064 .146 Positive .064 .112 Negative -.054 -.146 Kolmogorov-Smirnov Z .610 1.242 Asymp. Sig. 2-tailed .851 .091 a Test distribution is Normal. b Calculated from data. Sumber : Data diolah penulis, 2008 Dari tabel 4.7 dapat disimpulkan bahwa data dalam model regresi telah terdistribusi secara normal. Masing- masing ditunjukkan dengan data sebagai berikut: a. Nilai signifikan FATO sebesar 0,851 0,05 maka Ho diterima. b. Nilai signifikan ROA sebesar 0,091 0,05 maka Ho diterima. Universitas Sumatera Utara 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 : 2 1 -1 -2 -3 -4 Regression Standardized Residual 20 15 10 5 Freq uenc y Mean =2.71E-16 Std. Dev. =0.993 N =72 Histogram Dependent Variable: LNROA Gambar 4.1 Grafik Histogram Sumber : Data diolah penulis, 2008 Dengan cara membandingkan antara data observasi dengan distribusi yang mendekati distribusi normal, dari grafik di atas dapat disimpulkan bahwa distribusi data normal karena grafik histogram menunjukkan distribusi data normal karena grafik diagonal yang tidak menceng skewness kiri maupun menceng kanan atau normal. Universitas Sumatera Utara Demikian pula dengan hasil uji normalitas dengan menggunakan grafik plot berikut ini : 1.0 0.8 0.6 0.4 0.2 0.0 Observed Cum Prob 1.0 0.8 0.6 0.4 0.2 0.0 E xpected Cum P rob Normal P-P Plot of Regression Standardized Residual Dependent Variable: LNROA Gambar 4.2 Grafik Normal Plot Sumber : Data diolah penulis, 2008 Pada grafik normal plot terlihat titik- titik menyebar di sekitar garis diagonal, serta penyebarannya mengikuti arah garis diagonal. Maka dapat dismpulkan bahwa data terdistribusi secara normal.

2. Uji Heteroskedastisitas

Uji ini bertujuan untuk melihat apakah dalam model regesi terjadi ketidaksamaan variabel dari residual satu pengamatan ke pengamatan yang lain. Jika variance dari residual satu pengamatan ke pengamatan lain tetap, Universitas Sumatera Utara maka disebut homoskedastisitas. Model regresi yang baik adalah yang tidak terjadi heterokedastisitas. Salah satu cara untuk mendeteksi ada atau tidaknya heterokedastisitas dengan melihat grafik plot antara nilai prediksi variabel terikat dependen yaitu ZPRED dengan residualnya SRESID. Deteksi ada tidaknya heterokedastisitas dapat dilakukan dengan melihat ada tidaknya pola tertentu pada grafik scatterplot antara SRESID dan ZPRED. Jika ada pola tertentu, seperti titik- titik yang membentuk pola tertentu yang teratur bergelombang, melebar kemudian menyempit, maka mengindikasi telah terjadi heterokedastisitas. Berikut ini hasil pengolahan data : 2 -2 Regression Standardized Predicted Value 2 1 -1 -2 -3 -4 Regression Studentized Resi dual Scatterplot Dependent Variable: LNROA Gambar 4.3 Grafik Scatterplots Sumber : Data diolah penulis, 2008 Universitas Sumatera Utara Dari grafik scatterplots terlihat bahwa titik- titik menyebar secara acak serta tersebar di atas maupun di bawah angka nol pada sumbu Y. hal ini dapat disimpulkan tidak terjasi heterokedastisitas pada model regresi, sehingga model regresi layak dipakai untuk memprediksi Return On Assets ROA berdasarkan masukan variabel independen Fixed Assets Turn Over FATO.

3. Uji Autokorelasi

Uji autokorelasi bertujuan menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 sebelumnya. Autokorelasi muncul karena observasi yang berturut- turut sepanjnag waktu berkaitan satu sama lainnya. Hal ini sering ditemukan pada data runtut waktu tim series karena gangguan pada seseorang individukelompok cenderung memperngaruhi gangguan pada individukelompok yang sama pada periode berikutnya. Ada beberapa cara yang dapat digunakan untuk mendeteksi masalah autokorelasi diantaranya uji Durbin-Watson. Pengambian keputusan ada tidaknya autokorelasi adalah sebagai berikut: 1. Bila nilai Durbin-Watson DW terletak antara batas atas DU dan 4-DU, maka koefisien autokorelasi sama dengan nol artinya tidak terjadi autokorelasi. 2. Bila nilai DW DL Batas Bawah, maka koefisisen autokorelasi lebih besar dari nol , berarti ada korelasi positif. Universitas Sumatera Utara 3. Bila nilai DW 4-DL, maka koefisien autokorelasi lebih kecil daripada nol, berarti ada korelasi negatif. 4. Bila nilai DW terletak diantara DU dan DL atau DW terletak antara 4-DU dan 4-DL, maka hasilnya tidak dapat disimpulkan. Hipotesis yang akan diuji adalah : H0 : tidak ada autokorelasi Ha : ada autokorelasi Tabel 4.8 Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin- Watson 1 .435a .189 .178 1.16666 2.133 a Predictors: Constant, LNFATO b Dependent Variable: LNROA Sumber : Data diolah penulis, 2008 Nilai Durbin – Watson sebesar 2,133 yang berarti nilai Durbin- Watson lebih besar dari batas atas DU 1,679 dan kurang dari 4-1,76 4-DU, maka dapat disimpulkan bahwa H0 diterima yang menyatakan bahwa koefisien autokorelasi sama dengan nol artinya tidak terjadi autokorelasi.

E. Analisis Regresi Pengaruh Pengelolaan

Analisis regresi pada dasarnya adalah studi mengenai ketergantungan variabel dependen terikat dengan satu atau lebih variabel independen variabel penjelasbebas, dengan tujuan untuk mengestimasi danatau memprediksi rata- rata populasi atau nilai rata- rata variabel dependen berdasarkan nilai variabel independent yang diketahui”. Universitas Sumatera Utara Koefisien determinasi R 2 pada intinya mengukur seberapa jauh kemampuan model dalam menerangkan variabel dependen. Nilai R 2 yang kecil berarti kemampuan variabel independen dalam menjelaskan variasi variabel dependen amat terbatas. Berikut ini merupakan tabel koefisien determinasi : Tabel 4.9 Model Summary Model R R Square Adjusted R Square Std. Error of the Estimate 1 .435a .189 .178 1.16666 a Predictors: Constant, LNFATO b Dependent Variable: LNROA Sumber : Data diolah penulis, 2008 R square sebesar 0,178 merupakan pengkuadratan dari R sebesar 0,189. Hal ini berarti 17,8Return On Assets ROA perusahaan dapat dijelaskan oleh FATO, sedangkan sisanya dijelaskan oleh hal lain. Kisaran R square yaitu 0 sampai 1, semakin kecil R square berarti semakin lemah hubungan kedua variabel. Tabel 4.10 Coefficientsa Model Unstandar dized Coefficients Standardized Coefficients t Sig. Collinearity Statistics B Std. Error Beta Tolerance VIF 1 Constant .853 .248 3.434 .001 LNFATO .603 .149 .435 4.042 .000 1.000 1.000 a Dependent Variable: LNROA Sumber : Data diolah penulis, 2008 Hasil pengolahan di atas dapat diinterpretasikan sebagai berikut : ROA = 0,853 + 0,603 FATO Universitas Sumatera Utara 1. Konstanta sebesar 0,853 menyatakan bahwa jika variabel independen dianggap konstan, maka rata- rata ROA perusahaan manufaktur sebesar 0,853 setiap periode. 2. Koefisien regresi FATO sebesar 0,603 menyatakan bahwa setiap penambahan 1 FATO maka ROA akan meningkat 0,603.

F. Uji Hipotesis