Se p te m b e r -813,664.96 229,484.64 2,554,625.50 977,964.00 286,249.00 646,931.64
O kto b e r 278,684.07 2,282,749.79
- 1,637,745.32 -833,328.00 -279,665.00 -37,860.89
No ve m b e r -588,369.65 -657,476.95 403,684.23 60,526.00 -
1,046,772.00 -365,681.67 De se m b e r
- 1,434,534.04
- 2,590,850.98
- 3,619,960.60
- 9,282,257.00 -349,806.00
- 3,455,481.72
Ra ta -ra ta 125,868.84 624,148.84
555,302.80 869,302.76 282,150.50 491,354.75
Sumber: Lampiran 6
Berdasarkan tabel 4.6 nampak bahwa kinerja keuangan perusahaan daerah pasar surya mengalami peningkatan yang dilihat dari besarnya
rata-rata laba bersih dari tahun 2004-2008 sebesar Rp 365.485,91 dalam ribuan rupiah. Hal ini menunjukkan bahwa prestasi perusahaan
yang timbul dari kegiatan perusahaan semakin meningkat, sehingga kinerja keuangan perusahaan juga akan semakin baik.
4.3. Uji Normalitas
Tujuan dari normalitas adalah untuk menguji apakah dalam model regresi, variable terikat dan variable bebas keduanya mempunyai distribusi
normalitas ataukah tidak Sumarsono, 2004: 40. Model regresi yang baik adalah memiliki distribusi data normal atau mendekati normal. Uji
normalitas dengan menggunakan Kolmogorov Smirnov, dimana: ● Jika nilai signifikan nilai Profitabilitasnya lebih kecil dari 5 maka
distribusi adalah tidak normal. ● Jika nilai signifikasi nilai profitabilitasnya lebih besar dari nilai 5
maka distribusi adalah normal.
Dari hasil pengolahan data diperoleh hasil untuk uji normalitas pada tabel 4.7:
Tabel 4.12. Hasil Uji Normalitas menggunakan Uji Kolmogrow Smirnov
One-Sample Kolmogorov-Smirnov Test
60 .0000000
.59214571 .127
.113 -.127
.984 .287
N Mean
Std. Deviation Normal Parameters
a,b
Absolute Positive
Negative Most Extreme
Differences
Kolmogorov-Smirnov Z Asymp. Sig. 2-tailed
Unstandardiz ed Residual
Test distribution is Normal. a.
Calculated from data. b.
Sumber: Lampiran 7
Ta b e l 4.7 ha sil uji No rm a lita s d e ng a n Ko lm o g o ro v- Sm irno v te rha d a p va ria b e l p e ne litia n p a d a re g re si b e rg a nd a
nilai residual
m e nunjukka n nila i sig nifika nsi 0,287 0,05; se hing g a
dapat disimpulkan bahwa
d a ta ya ng d ig una ka n d a la m
p e ne litia n ini te la h b e rd istrib usi no rm a l d a n m o d e l re g re si b e rg a nd a la ya k d ig una ka n.
4.4. Uji Asumsi Klasik
Uji asumsi klasik bertujuan untuk mengetahui apakah persamaan regresi telah bersifat BLUE Best Linier Unbiased Estimator, artinya
pengambilan keputusan melalui uji F dan uji t tidak boleh bias. Untuk menghasilkan keputusan yang BLUE maka persamaan regresi harus diuji
dengan ketiga asumsi klasik.
4.4.1. Uji Autokorelasi
Autokorelasi dapat didefiniskan sebagai “Korelasi dapat didefinisikan sebagai korelasi antara data observasi yang diurutkan
berdasarkan wakt data time series atau data yang diambil pada waktu tertentu.” Gujarati, 1999: 201. Uji autokorelasi bertujuan untuk menguji
apakah dalam suatu model regresi linier ada korelasi antara korelasi pengganggu pada periode t dengan kesalahan pada periode t-1
sebelumnya. Untuk menguji apakah terjadi autokorelasi atau tidak, digunakan uji Durbin-Watson DW-Test. Suatu data observasi dikatakan
tidak terjadi autokorelasi jika nilai Durbin Watson terletak antara batas atas atau upper bound du dan 4-du Ghozali, 2002: 61. Tabel 4.6
adalah nilai Durbin Watson yang dihasilkan dari model regresi.
Tabel 4.13. Hasil Uji Autokorelasi
.
Model Summary
b
.966
a
.933 .927
.61895305 1.596
Model 1
R R Square
Adjusted R Square
Std. Error of the Estimate
Durbin- Watson
Predictors: Constant, Size X5, ROA X3, DER X2, ROE X4, CR X1 a.
Dependent Variable: Kinerja Keuangan Y b.
Sumber: Lampiran 8 Hasil uji autokorelasi menunjukkan nilai DW sebesar 1,596.
Berdasarkan tabel DW dengan jumlah sample n = 60 dan variabel independen k = 5 dengan tingkat signifikansi 0,05 diperoleh nilai d
L
= 1,408 dan d
U
= 1,767. Nilai DW 1,596 terletak antara d
L
= 1,214 dan d
U
= 1,767, terletak di daerah keragu-raguan dan hasilnya tidak dapat
disimpulkan; sehingga dapat DIANGGAP bahwa asumsi tidak terjadi autokorelasi dapat dipenuhi.
dw 1,214 1,596 1,767
Gambar 4.2. : Kurva Uji Autokorelasi - d Durbin Watson
4.4.2. Uji Multikolinieritas
Ada autokorelasi
positif Daerah
Keragu- raguan
Tidak ada autokerlasi positif dan tidak ada
autokorelasi negatif Daerah
Keragu- raguan
Ada autokorelasi
negatif
dL dU
4-dU 4-dL
4
Uji multikolinieritas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas independen. Model
regresi yang baik seharusnya tidak terjadi korelasi di antara variabel bebas Gujarati, 1999: 339. Identifikasi secara statistic ada atau tidaknya gejala
multikolinieritas dapat dilakukan dengan menghitung Variance Inflation Factor VIF.
Tabel 4.14. Hasil Uji Multikolinieritas
Coefficients
a
-.323 .243
-1.328 .190
.025 .017
.056 1.516
.135 .202
.894 1.119
.002 .007
.010 .280
.780 .038
.976 1.025
36.354 1.352
.960 26.879
.000 .965
.972 1.028
.002 .004
.024 .638
.526 .087
.912 1.096
.003 .006
.019 .523
.603 .071
.927 1.079
Constant CR X1
DER X2 ROA X3
ROE X4 Size X5
Model 1
B Std. Error
Unstandardized Coefficients
Beta Standardized
Coefficients t
Sig. Partial
Correla tions
Tolerance VIF
Collinearity Statistics
Dependent Variable: Kinerja Keuangan Y a.
Sumber: Lampiran 8 Hasil uji Multikolinieritas menunjukkan nilai VIF X
1
=1,119; X
2
=1,025; X
3
=1,028; X
4
=1,096; dan X
5
=1,079 kurang dari 10, sehingga tidak terjadi multikolinieritas yang tinggi. Dengan demikian dapat
disimpulkan bahwa asumsi tidak terjadi multikolinieritas dapat dipenuhi.
4.4.3. Heteroskedastisitas
Uji Heteroskedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke
pengamatan yang lain. Jika varians dari residual satu pengamatan ke pengamatan yang lain tetap, maka disebut Homoskedastisitas dan jika
berbeda disebut Heteroskedastisitas Gujarati, 1999: 339. Model regresi yang baik tidak mengandung heteroskedastisitas. Pengujian
Heteroskedastisitas dilakukan dengan menggunakan metode Rank Spearman antara residual dengan seluruh variable bebas. Hasil
perhitungan tampak pada tabel 4.15:
Tabel 4.15. Hasil Uji Heteroskedastisitas
Correlations
1.000 .016
-.099 -.153
-.065 -.025
. .453
.225 .121
.310 .424
60 60
60 60
60 60
.016 1.000
-.789 .030
-.474 -.329 .453
. .000
.409 .000
.005 60
60 60
60 60
60 -.099
-.789 1.000
.040 .501
.471 .225
.000 .
.381 .000
.000 60
60 60
60 60
60 -.153
.030 .040
1.00 .692 -.072
.121 .409
.381 .
.000 .292
60 60
60 60
60 60
-.065 -.474
.501 .692
1.000 .321
.310 .000
.000 .000
. .006
60 60
60 60
60 60
-.025 -.329
.471 -.072 .321
1.00 .424
.005 .000
.292 .006
. 60
60 60
60 60
60 Correlation Coefficient
Sig. 1-tailed N
Correlation Coefficient Sig. 1-tailed
N Correlation Coefficient
Sig. 1-tailed N
Correlation Coefficient Sig. 1-tailed
N Correlation Coefficient
Sig. 1-tailed N
Correlation Coefficient Sig. 1-tailed
N Unstandardized Residual
CR X1 DER X2
ROA X3 ROE X4
Size X5 Spearmans rho
Unstandardiz ed Residual
CR X1
DER X2
ROA X3
ROE X4
Size X5
Correlation is significant at the 0.01 level 1-tailed. .
Sumber: Lampiran 8 Berdasarkan tabel 4.11 hasil Uji Heteroskedastisitas pada nilai
residual variabel bebas penelitian menunjukkan nilai signifikansi semua variabel 0,05; berarti tidak terjadi heteroskedastisitas. Dengan demikian
asumsi tidak terjadi heteroskedastisitas dapat dipenuhi.
4.5. Analisis Regresi Linier Berganda