mengalami penurunan sebesar -0.404. Dengan asumsi variabel lain tetap variabel lain sama dengan nol.
4.4.2 Uji Signifikansi Simultan Uji-F
Uji-F digunakan untuk mengetahui apakah variabel-variabel independen secara bersama-sama serentak mempunyai pengaruh terhadap variabel dependennya.
Uji F memperlihatkan bahwa DER, CR, dan ROIsecara serentak mempengaruhi TAG perusahaan food and beverages yang terdaftar di BEI 2007 - 2012. Hal ini
ditunjukkan oleh nilai Fhitung 3.662 Ftabel 2.76 dan nilai signifikan 0.019 0.05. Kesimpulannya adalah H0 ditolak dan H1 diterima. Secara lebih jelas, uji-F
uji secara serentak dapat dilihat pada Tabel 4.11 berikut :
Tabel 4.11 Uji-F
ANOVA
b
Model Sum of Squares
Df Mean Square
F Sig.
1 Regression
9,336 3
3,112 3,662
,019
a
Residual 36,537
43 ,850
Total 45,873
46 a. Predictors: Constant, LnROI, LnDER, LnCR
b. Dependent Variable: LnTAG
Sumber: Hasil Olahan SPSS 2014
4.4.3 Uji Koefisien Determinasi R2
Koefisien Determinasi R2 atau R Square dilakukan untuk mendeteksi seberapa jauh kemampuan model dalam menerangkan variasi variabel dependen.
Nilai R2 yang kecil berarti kemampuan variabel-variabel independen dalam menjelaskan variabel dependen amat terbatas dan sebaliknya.
Universitas Sumatera Utara
Tabel 4.12 Uji Kelayakan Model
Goodness of Fit
Model Summary
b
Model R
R Square Adjusted R Square
Std. Error of the Estimate
1 ,451
a
,204 ,148
,92180 a. Predictors: Constant, LnROI, LnDER, LnCR
b. Dependent Variable: LnTAG
Sumber: Hasil Olahan SPSS 2014
Tabel 4.12 menunjukkan besarnya R = 0.451, berarti hubungan relation antara variabel DER, CR, dan ROI terhadap TAG adalah 45.1. Artinya
hubungannya cukup erat. Semakin besar R, berarti hubungannya semakin erat Situmorang dan Lufti, 2012 : 155. Adjusted R Square sebesar 0.148, hal ini
berarti 14.8 variasi TAG dapat dijelaskan oleh variasi dari tiga variabel independen, yaitu DER, CR, dan ROI sedangkan sisanya 85.2 dijelaskan oleh
sebab-sebab yang lain di luar model atau faktor-faktor lain yang tidak diteliti dalam penelitian. Standart Error of the Estimate SEE mengukur variasi dari
nilai yang diprediksi. SEE dalam penelitian ini adalah 0.92102. Semakin kecil nilai SEE berarti model semakin baik Situmorang dan Lufti, 2012: 148.
4.5 Pembahasan 4.5.1
Kategori