10 RALS
Ramayana Lestari Sentosa Tbk. 11
ADHI Adhi Karya Tbk.
12 DUTI
Duta Pertiwi Tbk.
Periode penelitian dimulai dari tahun 2010 sampai dengan tahun 2012 sehingga data penelitian secara keseluruhan berjumlah 36 12 x 3.
B. Analisis Hasil Penelitian
1. Statistik Deskriptif
Statistik deskriptif memberikan penjelasan mengenai nilai minimum, nilai maksimum, nilai rata-rata mean, nilai standar deviasi data yang
digunakan dalam penelitian.
Tabel 4.2
Descriptive Statistics
N Minimum
Maximum Mean
Std. Deviation Rentabilitas Ekonomis
36 1.33
391.27 1.2654
94.48410 Perputaran Piutang
36 1.81
349.71 49.3889
64.77931 Persediaan
36 2.07
91.47 18.3056
29.32655 Valid N listwise
36
Sumber : Ouput SPSS, diolah Peneliti, 2013
Berdasarkan data dari tabel 4.2 dapat dijelaskan bahwa : a.
Variabel rentabilitas ekonomi Y memiliki sampel N sebanyak 36, dengan nilai minimum terkecil 1,33, nilai maksimum terbesar 391,27 dan mean
Universitas Sumatera Utara
nilai rata-rata 1,2654. Standar Deviation simpangan baku variabel ini adalah 94,44985.
b. Variabel perputaran piutang X1 memiliki sampel N sebanyak 36, dengan
nilai minimum terkecil 1,81, nilai maksimum terbesar 249,71 dan mean nilai rata-rata 49,3889. Standar Deviation simpangan baku variabel ini
adalah 64,77931. c.
Variabel persediaan X2 memiliki sampel N sebanyak 36, dengan nilai minimum terkecil 2,07, nilai maksimum terbesar 91,47 dan mean nilai
rata-rata 18,3056. Standar Deviation simpangan baku variabel ini adalah 29,32655.
d. Jumlah sampel yang ada sebanyak 36.
2. Pengujian Asumsi Klasik
Salah Salah satu satu syarat yang menjadi dasar penggunaan model regresi berganda dengan metode estimasi Ordinary Least Square OLS
adalah dipenuhinya semua asumsi klasik, agar hasil pengujian bersifat tidak bias dan efisien Best Linear Unbiased Estimator. Pengujian asumsi klasik
dalam penelitian ini dilakukan dengan bantuan program statistik. Menurut Ghozali 2005:123, asumsi klasik yang harus dipenuhi adalah :
• Berdistibusi normal. • Non-Multikolinearitas, artinya antara variabel independen dalam model
regresi tidak memiliki korelasi atau hubungan secara sempurna ataupun mendekati sempurna.
Universitas Sumatera Utara
• Non-Autokorelasi, artinya kesalahan pengganggu dalam model regresi tidak saling berkorelasi.
• Non-Heterokedastisitas, artinya variance variabel independen dari satu pengamatan ke pengamatan lain adalah konstan atau sama.
a. Uji Normalitas
Uji data statistik dengan model Kolmogorov-Smirnov dilakukan untuk mengetahui apakah data sudah terdistribusi secara normal atau tidak. Ghozali
2005 : 115, memberikan pedoman pengambilan keputusan rentang data mendekati atau merupakan distribusi normal berdasarkan uji Kolmogorov-
Smirnov yang dapat dilihat dari : 1.
Nilai sig. atau signifikan atau probabilitas 0,05, maka distribusi data adalah tidak normal.
2. Nilai sig. atau signifikan atau probabilitas 0,05, maka distribusi data
adalah normal. Hasil uji normalitas dengan menggunakan model Kolmogorov-Smirnov
adalah seperti yang ditampilkan berikut ini :
Universitas Sumatera Utara
Tabel 4.3 Hasil Uji Normalitas 1
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 36
Normal Parameters
a
Mean .0000000
Std. Deviation 93.17041280
Most Extreme Differences
Absolute .130
Positive .130
Negative -.092
Kolmogorov-Smirnov Z .780
Asymp. Sig. 2-tailed .577
a. Test distribution is Normal. Sumber
: Output SPSS, diolah Peneliti, 2013
Dari tabel 4.4 diatas, dapat disimpulkan bahwa data dalam model regresi telah terdistribusi secara normal karena nilai Asymp.Sig 2-tailed Kolmogorov-
Smirnov 0,577 lebih besar dari 0,05. Berikut ini ditampilkan hasil uji normalitas dengan menggunakan grafik Histogram dan plot.
Universitas Sumatera Utara
Gambar 4.1 Uji Normalitas data 2
Sumber : Output SPSS, diolah Peneliti, 2013
Grafik histogram di atas menunjukkan bahwa data telah terdistribusi secara normal. Hal ini dapat dilihat dari grafik histogram yang menunjukkan
distribusi data mengikuti garis diagonal yang tidak menceng skewness kiri maupun menceng ke kanan. Hal ini juga didukung dengan hasil uji normalitas
dengan menggunakan grafik plot yang ditampilkan pada Gambar 4.1.
Universitas Sumatera Utara
Gambar 4.2 Uji Normalitas data 2
Sumber : Output SPSS, diolah Peneliti, 2013
Menurut Ghozali 2005 : 112, pendeteksian normalitas dapat dilakukan dengan melihat penyebaran data titik pada sumbu diagonal dari grafik, yaitu jika
data titik menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal, hal ini menunjukkan data yang telah terdistribusi normal. Gambar 4.2
menunjukkan bahwa data titik menyebar di sekitar dan mendekati garis diagonal. Hal ini sejalan dengan hasil pengujian dengan menggunakan histogram
bahwa data telah terdistribusi normal. Karena secara keseluruhan data telah terdistribusi secara normal, maka dapat dilakukan pengujian asumsi klasik
lainnya.
Universitas Sumatera Utara
b. Uji Multikolinieritas
Uji multikolinieritas bertujuan menguji apakah pada model regresi ditemukan adanya korelasi antara variabel independen. Untuk melihat ada
atau tidaknya multikolinieritas dalam model regresi dapat dilihat dari : 1 nilai tolerance dan lawannya,
2 Variance Inflatin Factor VIF. Kedua ukuran ini menunjukkan setiap variabel independen
manakah yang dijelaskan oleh variabel independen lainnya. Tolerance mengukur variabilitas variabel independen yang terpilih yang tidak
dijelaskan oleh variabel independen lainnya. Jadi, nilai Tolerance yang rendah sama dengan nilai VIF yang tinggi karena VIF = 1tolerance.
Nilai cutoff yang umum dipakai untuk menunjukkan adanya mutikolineritas adalah nilai Tolerance 0,10 atau sama dengan VIF 10
Ghozali, 2005 : 91. Hasil dari uji multikolinieritas dapat dilihat pada tabel berikut ini :
Tabel 4.4 Hasil Uji Multikolinearitas
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity Statistics
B Std. Error
Beta Tolerance
VIF 1 Constant
110.835 23.542
4.708 .000
Perputaran piutang .123
.253 .084
.486 .630
.979 1.022
Perputaran persediaan
.503 .559
.156 .900
.375 .979
1.022 a.
Dependent Variable: Rentabilitas Ekonomis
Universitas Sumatera Utara
Sumber : Output SPSS, diolah Peneliti, 2013
Berdasarkan tabel 4.4 dapat disimpulkan bahwa penelitian ini bebas dari adanya multikolinearitas. Hal ini bisa dilihat dengan membandingkan dengan nilai
tolerance dan VIF. Masing-masing variabel bebas yang digunakan dalam penelitian ini memiliki nilai tolerance yang lebih besar dari 0,10 yaitu 0,979. Jika
dilihat dari VIF-nya, bahwa masing-masing variabel bebas lebih kecil dari 10 yaitu sebesar 1.022. Dengan demikian dapat disimpulkan bahwa tidak terjadi
gejala multikolinearitas dalam variabel bebasnya.
c. Uji Autokorelasi
Uji ini bertujuan untuk melihat apakah dalam suatu model linear ada korelasi antar kesalahan pengganggu pada periode t dengan kesalahan
pada perode t-1 sebelumnya. Model regresi yang baik adalah yang bebas dari autokorelasi. Masalah autokorelasi umumnya terjadi pada regresi
yang datanya time series. Untuk mendeteksi terjadinya autokorelasi, angka ini kemudian diklarifikasi menurut kriteria yang ditentukan sesuai dengan
tabel berikut:
Tabel 4.5 Pengukuran Autokorelasi
DURBIN – WATSON KESIMPULAN
1.10 Ada autokorelasi
1.11 – 1.54 Tanpa Kesimpulan
1.55 – 2.46 Tidak ada autokorelasi
2.47 – 2.90 Tanpa Kesimpulan
2.90 Ada autokorelasi
Universitas Sumatera Utara
Tabel 4.6 Hasil Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R Square
Std. Error of the Estimate
Durbin-Watson 1
.166
a
.028 -.031
95.95223 1.582
a. Predictors: Constant, Perputaran Persediaan, Perputaran Piutang b. Dependent Variable: Rentabilitas Ekonomis
Sumber: Output SPSS, diolah peneliti,2013 Tabel 4.5 menunjukkan hasil autokorelasi variabel penelitian.
Berdasarkan hasil pengujian diperoleh bahwa tidak ada autokorelasi dalam model regresi ini. Hal ini dapat dilihat dari nilai Durbin-Watson D -W statistik yang
didapatkan dari perhitungan pada tabel diatas sebesar 1,582 yaitu besaran dalam kisaran 1.55 sampai dengan 2.46, diklarifikasikan menurut kriteria pengukuran
autokorelasi pada tabel diatas.
d. Uji Heterokedastisitas
Uji heterokedastisitas bertujuan untuk melihat apakah di dalam model regresi terjadi ketidaksamaan variabel dari residual satu pengamatan ke
pengamatan yang lain. Jika varian dari residual satu pengamatan ke pengamatan yang lain tetap maka disebut homokedastisitas, dan jika berbeda disebut
heterokedastisitas. Model regresi yang baik yaitu homokedastisitas. Pengujian dilakukaan dengan Scatter-Plot dengan menggunakan SRESID dan ZPRED pada
software SPSS.
Universitas Sumatera Utara
Dasar pengambilan keputusannya : 1 Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu
yang teratur bergelombang, melebar kemudian menyempit, maka mengindikasikan telah terjadi heterokedastisitas.
2 Jika tidak ada pola yang jelas, seperti titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heterokedastisitas atau terjadi
homokedastisitas. Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah
terjadi gejala heterokedastisitas atau tidak dengan cara mengamati penyebaran titik-titik pada grafik.
Gambar 4.3 Uji Normalitas data 2
Universitas Sumatera Utara
Sumber : Output SPSS , diolah Peneliti, 2013 Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara acak dengan
tidak adanya pola yang jelas serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y. Hal tersebut menunjukkan bahwa tidak terjadi heterokedastisitas,
sehingga model ini layak dipakai untuk memprediksi rentabilitas perusahaan dagang yang terdaftar di Bursa Efek Indonesia berdasarkan masukan variabel
independen yaitu perputaran piutang dan perputaran persediaan.
3. Regresi Linier
Berdasarkan hasil uji asumsi klasik yang telah dilakukan di atas, dapat disimpulkan bahwa model regresi yang dipakai dalam penelitian ini telah
memenuhi model estimasi yang Best Linear Unbiased Estimstor BLUE dan layak untuk dilakukan analisis statistik selanjutnya, yaitu melakukan pengujian
hipotesis. Hasil pengolahan data dengan analisis regresi dapat dilihat pada tabel dibawah ini.
Tabel 4.7
Analisis Regresi
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients B
Std. Error Beta
1 Constant 110.835
23.542 Perputaran piutang
0.123 .253
0.084 Perputaran persediaan
0.503 .559
.156 a. Dependent Variable: Rentabilitas Ekonomis
Sumber : Output SPSS , diolah Peneliti, 2013
Universitas Sumatera Utara
Berdasarkan tabel koefisien regresi diatas, pada kolom unstandardized coefficients bagian B diperoleh model persamaan regresi linear berganda sebagai berikut:
Y = 110.835 + 0,123 X1 + 0,503 X2 + e
Dimana: Y = Return On Investment ROI
X1 = Perputaran piutang X2 = Perputaran persediaan
e = Tingkat kesalahan pengganggu Pada unstandardized coefficients, diperoleh nilai a, b1, b2, sebagai berikut :
• nilai B Constant a = 110,835 = konstanta
Nilai konstanta ini menunjukkan bahwa apabila tidak ada nilai variabel bebas yaitu perputaran piutang dan perputaran persediaan, maka perubahan nilai
rentabilitas ekonomis yang dilihat dari nilai Y tetap sebesar 110,835. •
nilai b1 = 0,123 = perputaran piutang Koefisien regresi ini menunjukkan bahwa setiap kenaikan perputaran piutang
sebesar 1 satuan, maka perubahan rentabilitas ekonomis yang dilihat dari nilai Y akan bertambah sebesar 0,123 dengan asumsi variabel lain dianggap tetap.
•
nilai b2 = 0,503 = perputaran persediaan
Koefisien regresi ini menunjukkan bahwa setiap kenaikan perputaran persediaan sebesar 1 satuan, maka perubahan rentabilitas ekonomis yang dilihat dari nilai Y
akan bertambah sebesar 0,503 dengan asumsi variabel lain dianggap tetap.
Universitas Sumatera Utara
4. Pengujian Hipotesis
