33 Data dianalisis dengan model regresi berganda sebagai berikut:
Y = a + ����+ ����+ ���� + e
Keterangan:
Y : Financial Leverage perusahaan
a : Konstanta
��-�� : Koefisien Regresi �� : Profitabilitas diukur dengan ROA
�� : Firm Size diukur dengan Ln Total Asset �� : Asset Tangibility diukur dengan perbandingan Fixed asset
Total asset
e : Variabel Pengganggu
a. Uji signifikansi simultan F- test
Uji F digunakan untuk menunjukkan apakah semua variabel independen yang dimasukkan dalam model mempunyai pengaruh
secara bersama- sama terhadap variabel dependen. Uji ini dilakukan dengan membandingkan F hitung dengan F tabel dengan ketentuan
sebagai berikut: H0 diterima dan Ha ditolak jika F hitung F tabel untuk α = 5
H0 ditolak dan Ha diterima jika F hitung F tabel untuk α = 5
b. Uji signifikansi parsial t-test
Pengujian t- test digunakan untuk menunjukkan seberapa jauh pengaruh satu variabel independen terhadap variabel dependen. Uji ini dilakukan
Universitas Sumatera Utara
34 dengan membandingkan t hitung dengan t tabel dengan ketentuan
sebagai berikut: H0 diterima dan Ha ditolak jika t hitun
g t tabel untuk α = 5 H0 ditolak dan Ha diterima jika t hitung t tabel untuk α = 5
BAB IV HASIL PENELITIAN DAN PEMBAHASAN
4.1 Deskripsi Data Penelitian
Populasi yang diteliti dalam penelitian ini adalah perusahaan Real Estate Property yang terdaftar di Bursa Efek Indonesia selama tahun 2008-2010.
Perusahaan yang dijadikan sampel berjumlah 22 perusahaan. Daftar perusahaan yang telah ditentukan dapat dilihat pada lampiran.
4.2 Analisis Hasil Penelitian 4.2.1 Pengujian Asumsi Klasik
Salah satu satu syarat yang menjadi dasar penggunaan model regresi berganda dengan metode estimasi Ordinary Least Square OLS adalah
Universitas Sumatera Utara
35 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, asumsi klasik yang harus dipenuhi adalah sebagai berikut ini: • Berdistibusi normal.
• Non-Multikolinearitas, artinya antara variabel independen dalam model regresi tidak memiliki korelasi atau hubungan secara sempurna
ataupun mendekati sempurna. • 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.
4.2.1.1. Uji Normalitas
Uji data statistik dengan model Kolmogorov-Smirnov dilakukan untuk mengetahui apakah data sudah terdistribusi secara normal atau tidak.
Ghozali 2005, memberikan pedoman pengambilan keputusan rentang data mendekati atau merupakan distribusi normal berdasarkan uji Kolmogorov
Smirnov yang dapat dilihat dari: a nilai sig. atau signifikan atau probabilitas 0,05, maka distribusi data
adalah tidak normal, b nilai sig. atau signifikan atau probabilitas 0,05, maka distribusi data
adalah normal. Hipotesis yang digunakan adalah :
H0 : Data residual berdistribusi normal, dan Ha : Data residual tidak berdistribusi normal.
Hasil uji normalitas dengan menggunakan model Kolmogorov-Smirnov adalah seperti yang ditampilkan berikut ini :
Universitas Sumatera Utara
36
Tabel 4.1 HASIL UJI NORMALITAS
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 66
Normal Parameters
a,,b
Mean .0000000
Std. Deviation .19489309
Most Extreme Differences Absolute
.101 Positive
.069 Negative
-.101 Kolmogorov-Smirnov Z
.817 Asymp. Sig. 2-tailed
.517 a. Test distribution is Normal.
b. Calculated from data.
Sumber : Output SPSS, diolah Peneliti, 2013 Berdasarkan hasil uji statistik dengan model Kolmogorov-Smirnov
seperti yang terdapat dalam tabel 4.2 dapat disimpulkan bahwa besarnya nilai Kolmogrov–Smirnov sebesar 0,817 dan signifikan lebih dari 0,05
karena Asymp. Sig. 2-tailed 0,517 dari 0,05. Nilai signifikansi lebih besar dari 0,05 maka H0 diterima atau Ha ditolak yang berarti data residual telah
berdistribusi normal. Dengan demikian, dapat disimpulkan bahwa nilai-nilai observasi data telah terdistribusi secara normal dan dapat dilanjutkan dengan
uji asumsi klasik lainnya. Untuk lebih jelas, berikut ini turut dilampirkan grafik histrogram dan plot data yang terdistribusi normal.
Gambar 4.1 HISTOGRAM
Universitas Sumatera Utara
37 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 4.2
Gambar 4.2 UJI NORMALITAS DATA
Universitas Sumatera Utara
38 Sumber : Output SPSS, diolah Peneliti, 2013
Menurut Ghozali 2005, 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.
4.2.2.2. Uji Multikolinieritas
Universitas Sumatera Utara
39 Untuk melihat ada atau tidaknya multikolinieritas dalam model
regresi dapat dilihat dari: 1 nilai tolerence 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 = 1tolerence. Nilai cutoff yang umum
dipakai untuk menunjukkan adanya mutikolineritas adalah nilai Tolerence 0,10 atau sama dengan VIF 10 Ghozali, 2005.
Tabel 4.2 HASIL UJI MULTIKOLINIERITAS
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
Collinearity Statistics B
Std. Error Beta
Tolerance VIF
1 Constant
.537 .273
1.970 .053
ROA .004
.009 .052
.406 .686
.987 1.013
Firm Size -.008
.018 -.053
-.416 .679
.994 1.006
Universitas Sumatera Utara
40
AT -.011
.145 -.010
-.077 .939
.981 1.019
a. Dependent Variable: LEV
Sumber : Output SPSS, diolah Peneliti, 2013 Berdasarkan tabel 4.2 dapat disimpulkan bahwa penelitian ini bebas
dari adanya multikolinieritas. Hal tersebut dapat dilihat dengan membandingkannya dengan nilai Tolerance atau VIF. Masing-masing
variabel independen yang digunakan dalam penelitian ini memiliki nilai Tolerence yang lebih besar dari 0,10. Jika dilihat dari VIFnya, bahwa
masing-masing variabel bebas lebih kecil dari 10. Dengan demikian dapat disimpulkan bahwa tidak terjadi gejala multikolinieritas dalam variabel
bebasnya.
4.2.2.3. Uji Heteroskedastisitas
Ghozali 2005 menyatakan “uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari
residual satu pengamatan ke pengamatan yang lain. Jika variance dari satu pengamatan ke pengamatan lain tetap, maka disebut homoskedastisitas dan
jika berbeda disebut heteroskedastisitas”. Model regresi yang baik adalah tidak terjadi heteroskedastisitas. Cara mendeteksi ada tidaknya gejala
heteroskedastisitas adalah dengan melihat grafik scatterplot yang dihasilkan dari pengolahan data menggunakan program SPSS. Dasar pengambilan
keputusannya menurut Ghozali 2005 adalah sebagai berikut: 1. jika ada pola tertentu, seperti titik-titik yang ada membentuk pola
tertentu yang teratur bergelombang, melebar kemudian menyempit, maka mengindikasikan telah terjadi
heteroskedastisitas.
Universitas Sumatera Utara
41 2. jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan
di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.
Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah
terjadi gejala heteroskedastisitas atau tidak dengan cara mengamati penyebaran titik-titik pada grafik.
Gambar 4.3 HASIL UJI HETEROSKEDASTISITAS
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 heteroskedastisitas, sehingga model ini layak dipakai untuk memprediksi tingkat Leverage Perusahaanperusahaan Real Estate
Universitas Sumatera Utara
42 Property yang terdaftar di Bursa Efek Indonesia berdasarkan masukan
variabel independen yaitu Profitabilitas, Firm Size, Asset Tangibility.
4.2.2.4. Uji Autokorelasi
Uji ini bertujuan untuk melihat apakah dalam suatu model linear ada korelasi antar kesalahan pengganggu pada periode t dengan kesalahan
pada periode 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. Menurut Sunyoto 2009, untuk melihat ada tidaknya autokorelasi dilihat dari:
1 angka D-W dibawah –2 berarti ada autokorelasi positif, 2 angka D-W di antara -2 sampai +2 berarti tidak ada autokorelasi,
3 angka D-W di atas +2 berarti ada autokorelasi negatif.
Tabel 4.3 HASIL UJI AUTOKORELASI
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .074
a
.005 .043
.19955 1.927
a. Predictors: Constant, AT, Firm Size, ROA b. Dependent Variable: LEV
Universitas Sumatera Utara
43 Sumber : Output SPSS, diolah oleh peneliti, 2013
Tabel 4.3 menunjukkan hasil uji autokorelasi variabel penelitian. Berdasarkan hasil pengujiannya dapat dilihat bahwa terjadi autokorelasi
antar kesalahan pengganggu antar periode. Hal tersebut dilihat dari nilai Durbin-Watson D-W sebesar 1,927. Angka D-W di antara -2 sampai +2
yang mengartikan bahwa angka DW lebih besar dari -2 dan lebih kecil dari 2. Dengan demikian, dapat dikemukakan bahwa tidak ada autokorelasi
positif maupun negatif.
4.3 Analisis Regresi