Statistik Deskriptif Analisis Regresi

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