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