BAB IV HASIL PENELITIAN
A. Hasil Penelitian 1. Data Penelitian
Adapun yang menjadi sampel dalam penelitian ini adalah perusahaan- perusahaan yang bergerak dalam bidang manufaktur yang terdaftar di Bursa
Efek Indonesia BEI. Daftar emiten yang telah ditentukan ada sebanyak 104 perusahaan yang dapat dilihat pada lampiran ii.
2. Statistik Deskriptif
Statistik deskriptif ini memberikan gambaran mengenai nilai minimum, nilai maksimum, nilai rata-rata serta standar deviasi data yang digunakan dalam
penelitian.
Tabel 4.1
Sumber: output SPSS, Diolah Peneliti, 2009
30
Universitas Sumatera Utara
Berdasarkan data dari tabel 4.1 dapat dijelaskan bahwa: a.
variabel ROI Y memiliki sampel N sebanyak 208, dengan nilai minimum terkecil 0,11, nilai maksimum terbesar 37,22, dan mean nilai rata-rata
6,2447. Standar deviation simpangan baku variabel ini adalah 6,37998. b.
variabel perputaran piutang X
1
memiliki sampel N sebanyak 208, dengan nilai minimum terkecil 0,29, nilai maksimum terbesar 362,41, dan mean
nilai rata-rata 12,4783. Standar deviation simpangan baku variabel ini adalah 31,74572.
c. variabel perputaran persediaan X
2
memiliki sampel N sebanyak 208, dengan nilai minimum terkecil 0,16, nilai maksimum terbesar 591,47, dan
mean nilai rata-rata 11,2218. Standar deviation simpangan baku variabel ini adalah 41,47137
d. Jumlah sampel yang ada sebanyak 208, dimana setahunnya 104.
3. Pengujian Asumsi Klasik
Salah satu syarat yang menjadi dasar penggunaan modal regresi linear 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 BLUE. Pengujian asumsi klasik dalam
penelitian ini dilakukan dengan bantuan program statistik. Menurut Ghozali 2005:123 asumsi klasik yang harus dipenuhi adalah:
a. berdistribusi normal.
b. non-multikolineritas, artinya antara variabel independen dalam model
regresi tidak memiliki korelasi atau hubungan secara sempurna ataupun mendekati sempurna.
Universitas Sumatera Utara
c. non-autokorelasi, artinya kesalahan pengganggu dalam model regresi
tidak saling berkorelasi. d.
homokedastisitas, 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, Santoso
2002:34 memberikan pedoman pengambilan keputusan untuk data yang mendekati atau telah terdistribusi secara normal.
1 apabila nilai signifikansi atau nilai probabilitas 0,05, maka distribusi data
normal, 2
apabila nilai signifikansi atau nilai probabilitas 0,05, maka distribusi data tidak normal.
Hasil uji normalitas dengan menggunakan model Kolmogorov –Smirnov, grafik histogram dan normal probability plot adalah seperti yang ditampilkan berikut ini:
Gambar 4.1 Uji Normalitas data 1
Universitas Sumatera Utara
Gambar 4.2 Uji Normalitas data 2
Tabel 4.2 Uji Normalitas data 3
Sumber: output SPSS, diolah Peneliti,2009
Berdasarkan hasil uji statistik dengan model Kolmogorov-Smirnov seperti yang terdapat dalam tabel 4.2 dapat disimpulkan bahwa data tidak terdistribusi
normal. Hal ini dapat dilihat dari nilai Asymp.Sig.2 tailed Kolmogorov-Smirnov adalah 0.00, karena 0,00 0,05. Ada beberapa cara mengubah model regresi
menjadi normal menurut Erlina 2008:104 yaitu:
Universitas Sumatera Utara
1 lakukan transformasi data ke bentuk lainnya,
2 lakukan trimming, yaitu membuang data outlier,
3 lakukan winsorizing, yaitu mengubah nilai data yang outlier ke suatu nilai
tertentu.
Untuk mengubah nilai residual agar berdistribusi normal, peneliti melakukan transformasi data ke model logaritma natural Ln yaitu dari persamaan ROI = f
Perputaran piutang, Perputaran persediaan menjadi LN_ROI = f LN_Perputaran piutang, LN_Perputaran persediaan. Setelah itu, data diuji ulang berdasarkan
asumsi normalitas. Hasil uji normalitas setelah dilakuk an transformasi data yang tidak normal
tersebut dapat dilihat pada grafik histogram, normal probability plot, dan tabel Kolmogorov-Smirnov Test berikut ini:
Gambar 4.3 Uji Normalitas data 4
Universitas Sumatera Utara
Gambar 4.4 Uji Normalitas data 5
Cara yang digunakan untuk mendeteksi apakah residual berdistribusi normal atau tidak adalah dengan desain grafik. Jika data menyebar di sekitar garis
diagonal atau mengikuti arah garis diagonal, atau grafik histogramnya menunjukkan pola distribusi normal, maka model regresi memenuhi asumsi
normalitas, demikian sebaliknya. Dari grafik histogram dan normal probability plot pada gambar 4.3 dan
gambar 4.4 di atas terlihat bahwa setelah dilakukan transformasi data menggunakan LN, grafik histogram memperlihatkan pola distribusi yang normal,
dan grafik P-P Plot memperlihatkan titik-titik menyebar di sekitar atau mengikuti arah garis diagonal yang menunjukkan pola distribusi normal.
Universitas Sumatera Utara
Tabel 4.3 Uji Normalitas data 6
Sumber: Output SPSS, diolah peneliti,2009
Bila nilai signifikan 0.05 berarti distribusi data tidak normal. Sebaliknya bila nilai signifikan 0.05 berarti distribusi data normal.
Berdasarkan hasil uji statistik dengan model Kolmogorov-Smirnov seperti yang terdapat dalam tabel 4.3 dapat disimpulkan bahwa data terdistribusi normal.
Hal ini dapat dilihat dari nilai Asymp.Sig.2 tailed Kolmogorov-Smirnov adalah 0.066, karena 0,066 0,05.
Universitas Sumatera Utara
b. Uji multikolinearitas
Untuk melihat ada atau tidaknya multikolinearitas dalam model regresi dapat dilihat dari:
1 nilai tolerance dan lawannya,
2 variance Inflation 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 = 1 tolerance. Nilai cutoff yang umum dipakai untuk menunjukkan adanya multikolinearitas adalah dengan VIF
10 Ghozali, 2005.
Tabel 4.4 Hasil Uji multikolinearitas
Sumber: Output SPSS, diolah Peneliti,2009
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 0,01 yaitu 0,993. Jika
dilihat dari VIF-nya, bahwa masing-masing variabel bebas lebih kecil dari 10 yaitu sebesar 1,007. Dengan demikian dapat disimpulkan bahwa tidak terjadi
gejala multikolinearitas dalam variabel bebasnya.
Universitas Sumatera Utara
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. Ada beberapa cara yang dapat digunakan untuk mendeteksi masalah dalam autokorelasi diantaranya adalah dengan uji Durbin-Watson. Namun secara
umum dapat diambil patokan sebagai berikut: 1
Angka D-W dibawah -2 berarti ada autokorelasi positif 2
Angka D-W diantara -2 sampai +2 berarti tidak ada autokorelasi 3
Angka D-W di atas +2 berarti ada autokorelasi negatif
Tabel 4.5 Hasil Uji Autokorelasi
Sumber: Output SPSS, diolah peneliti,2009
Tabel 4.5 menunjukkan hasil autokorelasi variabel penelitian. Berdasarkan hasil pengujian diperoleh bahwa tidak terjadi autokorelasi antar
kesalahan pengganggu antar periode. Hal ini dilihat dari nilai Durbin-Watson D - W sebesar 1,228. Angka tersebut berada diantara -2 dan +2, artinya bahwa angka
DW lebih besar dari -2 dan lebih kecil dari +2 -2 1,228 +2. Jadi dapat disimpulkan bahwa tidak ada autokorelasi positif maupun negatif.
Universitas Sumatera Utara
d. Uji Heterokedastisitas
Ghozali 2005:105 menyatakan, “uji heterokedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual
satu pengamatan kepengamatan yang lain. Jika variance dari satu pengamatan ke pangamatan lain tetap, maka disebut homokedastisitas dan jika berbeda disebut
heterokedastisitas”. Model regresi yang baik adalah tidak terjadi heterokedastisitas atau terjadi homokedastisitas.
Cara mendeteksi ada tidaknya gejala heterokedastisitas adalah dengan melihat grafik scatterplot yang dihasilkan dari pengolahan data menggunakan program
SPSS. Dasar pengambilan keputusan menurut Ghozali 2005:105 adalah sebagai berikut:
1 jika ada pola tertentu, seperti titik-titik yang membentuk pola tertentu yang
teratur bergelombang, melebar kemudian menyempit, maka mengidikasikan telah terjadi heterokedastisitas.
2 jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di
bawah angka 0 pada sumbu Y, maka tidak terjadi heterokedastisitas.
Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi gejala heterokedastisitas atau tidak dengan cara mengamati penyebaran titik-titik
pada grafik.
Universitas Sumatera Utara
Gambar 4.5 Hasil Uji Heterokedastisitas
Sumber: Output SPSS, diolah peneliti,2009
Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara acak dengan tidak adanya pola yang jelas serta tersebar baik diatas maupun dibawah angka 0
pada sumbu Y. Dengan demikian, dapat disimpulkan bahwa tidak terjadi heterokedastisitas sehingga model ini layak dipakai untuk mengetahui pengaruh
terhadap rentabilitas ekonomis pada perusahaan manufaktur yang terdaftar di Bursa Efek Indonesia berdasarkan masukan variabel independen yaitu perputaran
piutang dan perputaran persediaan.
Universitas Sumatera Utara
4. Analisis Regresi
Berdasarkan hasil uji asumsi klasik yang telah dilakukan di atas, dapat disimpulkan bahwa model regersi yang dipakai dalam penelitian ini telah
memenuhi model estimasi yang Best Linear Unbiased Estimator BLUE dan layak untuk dilakukan analisis statistik selanjutnya, yaitu melakukan pengujian
hipotesis. Adapun hasil pengolahan data dengan analisis regresi adalah sebagai berikut:
Tabel 4.6 Koefisien Regresi
Sumber: Output SPSS, diolah peneliti, 2009
Berdasarkan tabel koefisien regresi diatas, pada kolom unstandardized coefficients bagian B diperoleh model persamaan regresi linear berganda sebagai
berikut:
Y = 0,180 + 0,165 X
1
+ 0,407 X
2
+ e
Dimana: Y
= Return On Investment ROI X
1
= Perputaran piutang X
2
= Perputaran persediaan e
= Tingkat kesalahan pengganggu
Universitas Sumatera Utara
Pada unstandardized coefficients, diperoleh nilai a, b
1
, b
2
, sebagai berikut: •
nilai B Constant a = 0,180 = 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 0,180.
• nilai b
1
= 0,165 = 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 0,165 dengan asumsi variabel lain dianggap tetap.
• nilai b
2
= 0,407 = 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 0,407 dengan asumsi variabel lain
dianggap tetap.
Universitas Sumatera Utara
5. Pengujian Hipotesis