BAB IV ANALISIS HASIL PENELITIAN
A. Statistik Deskriptif
Statistik deskriptif dalam penelitian ini hanya untuk mendeskripsikan data sampel dan tidak membuat kesimpulan yang berlaku untuk populasi dimana sampel diambil. Menurut
Ghozali 2005:19, statistik deskriptif memberikan gambaran atau deskripsi suatu data yang dilihat dari rata-rata mean, standar deviasi, varian, maksimum, minimum, sum,
range dan kemencengan distribusi.
Tabel 4.1 Descriptive Statistics
N Minimum
Maximum Std. Deviation
LN_DER 45
-1.66 5.78
1.27549 LN_WCT
45 -3.24
5.08 1.66248
LN_RMS 45
-6.91 1.80
2.29615 Valid N listwise
45
Sumber : Data diolah penulis, 2010 Berikut ini perincian data deskriptif yang telah diolah:
a Variabel Debt to Equity Ratio DER memiliki nilai minimum -1,66 ; nilai maksimum 5,78; nilai dengan standar deviasi sebesar 1,2754 dan jumlah observasi sebanyak 45
sampel. b Variabel Working Capital Turnover WCT memiliki nilai minimum -3,24 ; nilai
maksimum 5,08 dengan standar deviasi sebesar 1,66248 dan jumlah observasi sebanyak 45 sampel.
c Variabel Rentabilitas Modal Sendiri RMS memiliki nilai minimum -6,91; nilai maksimum 1,80 dengan standar deviasi sebesar 2,29615 dan jumlah observasi
sebanyak 45 sampel.
Universitas Sumatera Utara
B. Pengujian Asumsi Klasik
Untuk menghasilkan suatu model regresi yang baik diperlukan pengujian asumsi klasik terlebih dahulu sebelum melakukan pengujian hipotesis. Pengujian asumsi klasik
dalam penelitian ini dilakukan dengan bantuan program statistik normalitas data, autokorelasi, heterokedastisitas dan asumsi-asumsi klasik lainnya agar hasil pengujian
tidak bersifat bias dan efisien. Menurut Ghozali 2005:123 asumsi klasik yang harus dipenuhi adalah berdistribusi normal, non-multikolinearitas, non-autokorelasi dan non-
heterokedastisitas.
1.
Uji Normalitas
Uji normalitas bertujuan untuk mengetahui apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal serta untuk menghindari bias dalam
model regresi. Pengujian normalitas dalam penelitian ini menggunakan uji statistik non- parametrik Kolmogorov-Smirnov K-S, dengan membuat hipotesis:
H
a
: Data residual berdistribusi normal H
: Data residual tidak berdistribusi normal Apabila signifikansi lebih besar dari 0,05 maka H
diterima, sedangkan jika nilai signifikansi lebih kecil dari 0,05 maka H
a
diterima.
Universitas Sumatera Utara
Tabel 4.2 Hasil Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 60
Normal Parameters
a
Mean .0000000
Std. Deviation 1.66665093
Most Extreme Differences Absolute
.300 Positive
.276 Negative
-.300 Kolmogorov-Smirnov Z
2.324 Asymp. Sig. 2-tailed
.000 a. Test distribution is Normal.
Sumber : Data diolah penulis, 2010 Dari hasil pengolahan data pada Tabel 4.2 diperoleh besarnya nilai Kolmogorov-
Smirnov adalah 2,324 dan signifikan pada 0,000. Nilai signifikansi lebih kecil dari 0,05, maka H
a
ditolak yang berarti data residual berdistribusi tidak normal. Data yang berdistribusi normal dapat disebabkan oleh adanya data yang outlier yaitu data yang
memiliki nilai yang sangat menyimpang dari nilai data lainnya. Beberapa cara mengatasi outlier menurut Erlina 106:207 yaitu :
1. Lakukan transformasi data ke bentuk lainnya.
2. Lakukan trimming yaitu membuang data outlier
3. Lakukan winoirizing, yaitu mengubah nilai data yang outlier ke suatu nilai tertentu
Untuk mengubah nilai residual agar berdistribusi normal, penulis melakukan transformasi data ke model logaritma natural LN dari Rentabilitas Modal Sendiri =
fDER, WCT menjadi Ln_Rentabilitas Modal Sendiri = fLN_DER, LN_WCT.
Universitas Sumatera Utara
Kemudian data diuji ulang berdasarkan asumsi normalitas. Berikut ini adalah hasil pengujian dengan Kolmogorov-Smirnov setelah dilakukan transformasi data:
Tabel 4.3 Hasil Uji Normalitas Setelah Transformasi Logaritma Natural
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 45
Normal Parameters
a
Mean .0000000
Std. Deviation 2.05255392
Most Extreme Differences Absolute
.113 Positive
.080 Negative
-.113 Kolmogorov-Smirnov Z
.757 Asymp. Sig. 2-tailed
.615 a. Test distribution is Normal.
Sumber : Data diolah penulis, 2010 Dari Tabel 4.3 dapat diambil kesimpulan bahwa data dalam model regresi setelah
dilakukan transformasi data dalam bentuk logaritma natural, terdistribusi secara normal. Hal ini dapat dilihat dari nilai unstandardized residual lebih besar dari 0,05 yakni
0,6150,05. Dengan demikian data dapat dilanjutkan dengan uji asumsi klasik lainnya. Untuk lebih jelas berikut ini turut dilampirkan grafik histogram dan grafik p-plot data
yang terdistribusi normal.
Universitas Sumatera Utara
Gambar 4.1 Histogram
Sumber : Data diolah penulis, 2010 Grafik histogram pada Gambar 4.1 menunjukkan pola distribusi normal karena grafik
histogram menunjukkan distribusi data mengikuti garis diagonal yang tidak menceng skewness kiri maupun menceng kanan.
Demikian pula dengan hasil uji normalitas dengan menggunakan grafik p-plot berikut ini:
Universitas Sumatera Utara
Gambar 4.2 Grafik Normal Plot
Sumber : Data diolah penulis, 2010 Pada grafik normal plot terlihat titik-titik menyebar di sekitar garis diagonal serta
penyebarannya agak mendekati dengan garis diagonal sehingga dapat disimpulkan bahwa data dalam model regresi terdistribusi secara normal.
2.
Uji Multikolinearitas
Menurut Ghozali 2005:91, “uji ini bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi yang kuat antar variabel bebas independen”.
Multikolinearitas menunjukkan ada tidaknya variabel independen yang memiliki hubungan yang kuat dengan variabel independen lain dalam model regresi, agar
pengambilan keputusan pada uji parsial masing-masing variabel independen tidak bias. Untuk mengetahui ada tidaknya multikolinearitas dapat dilihat dari nilai Variance
Universitas Sumatera Utara
Inflation Factor VIF, apabila nilai VIF 10 dan nilai tolerance 0,1 maka terjadi multikolinearitas Ghozali, 2005:92.
Tabel 4.4 Hasil Uji Multikolinearitas
Sumber : Data diolah penulis, 2010 Dari data pada Tabel 4.4 dapat disimpulkan bahwa tidak terjadi multikolinearitas
dengan dasar nilai VIF untuk setiap variabel independen tidak ada yang melebihi 10 dan nilai tolerance tidak ada yang kurang dari 0,1, maka dapat dilakukan analisis lebih lanjut
dengan menggunakan model regresi berganda.
3.
Uji Autokorelasi
Pengujian autokorelasi bertujuan untuk menguji apakah terdapat korelasi antara kesalahan pengganggu pada suatu periode dengan kesalahan pengganggu periode
sebelumnya dalam model regresi. Autokorelasi menunjukkan adanya korelasi antara kesalahan pengganggu pada data yang tersusun, baik berupa data cross sectional maupun
time series. Jika terjadi autokorelasi dalam model regresi berarti koefisien korelasi yang diperoleh menjadi tidak akurat, sehingga model regresi yang baik adalah model regresi
yang bebas dari autokorelasi. Untuk mendeteksi ada atau tidaknya autokorelasi, dapat digunakan uji Durbin Watson
DW. Dalam model regresi tidak terjadi autokorelasi apabila nilai dudw 4-du. Hasil dari pengujian autokorelasi adalah sebagai berikut:
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
Collinearity Statistics B
Std. Error Beta
Tolerance VIF
1 Constant
-3.117 .433
-7.193 .000
LN_DER .290
.307 .144
.946 .350
.884 1.131
LN_WCT .391
.203 .294
1.930 .060
.884 1.131
a. Dependent Variable: LN_RMS
Universitas Sumatera Utara
Tabel 4.5 Hasil Uji Autokorelasi
Model R
R Square Adjusted R Square
Std. Error of the Estimate
Durbin-Watson 1
.369
a
.136 .095
2.10086 2.244
a. Predictors: Constant, LN_WCT, LN_DER b. Dependent Variable: LN_RMS
Sumber : Data diolah penulis, 2010 Hasil uji autokorelasi di atas menunjukkan nilai statistik Durbin Watson DW
sebesar 2,244 , nilai ini akan dibandingkan dengan nilai tabel Durbin-Watson dengan menggunakan signifikansi 5, jumlah sampel 45 n, jumlah variabel independen 2
k=2. Maka di tabel Durbin-Watson didapat nilai batas atas du 1,615 dan nilai batas bawah dl 1,430. Oleh karena itu, nilai DW 2,244 lebih besar dari batas atas 1,615 dan
lebih kecil dari 2,385 4 – 1,615 atau dapat dinyatakan bahwa 1,615 2,244 2,385. Dengan demikian dapat disimpulkan tidak terdapat autokorelasi.
4.
Uji Heteroskedastisitas
Dalam penelitian ini, untuk mendeteksi ada tidaknya gejala heteroskedastisitas adalah dengan melihat plot grafik dan hasil uji Park yang dihasilkan dari pengolahan data
menggunakan program SPSS. Dengan melihat plot grafik, suatu model dikatakan terdapat gejala heterokedastisitas jika :
1 Terdapat pola tertentu, seperti titik-titik yang teratur maka telah terjadi heteroskedastisitas,
2 Tidak terdapat pola tertentu, serta titik-titik yang menyebar tidak tertentu di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas atau terjadi
homokedastisitas.
Universitas Sumatera Utara
Dalam uji Park, suatu model regresi dikatakan terdapat gejala heterokedastisitas jika koefisien beta dari persamaan regresi tersebut signifikan secara statistik. Sebaliknya, jika
parameter beta tidak signifikan secara statistik, maka asusmsi homokedastisitas pada data model tersebut tidak dapat ditolak Ghozali, 2005:108.
Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi heteroskedastisitas atau terjadi homokedastisitas dengan mengamati penyebaran titik-titik
pada gambar.
Gambar 4.3 Hasil Uji Heteroskedastisitas
Sumber : Data diolah penulis, 2010 Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara acak serta tersebar
baik di atas maupun di bawah angka 0 pada sumbu Y. Hal ini dapat disimpulkan bahwa
Universitas Sumatera Utara
tidak terjadi heteroskedastisitas pada model regresi. Berdasarkan uji Park yang dilakukan dapat dikatakan bahwa model penelitian bebas dari gejala heterokedastisitas. Hasil uji
Park dapat dilihat pada Tabel 4.6 berikut ini.
Tabel 4.6 Hasil Pengujian Park
Hasil tampilan output spss memberikan koefisien parameter untuk variabel independen tidak ada yang signifikan, maka dapat disimpulkan bahwa model regresi tidak
terdapat heterokedastisitas. Hasil ini konsisten dengan hasil uji Scatterplots. Dengan demikian, model regresi ini layak dipakai untuk memprediksi Rentabilitas Modal Sendiri
RMS pada industri tekstil dan garmen yang terdaftar di Bursa Efek Indonesia berdasarkan masukan variabel independen Debt to Equity Ratio DER dan Working
Capital Turnover WCT.
C. Analisis Regresi
Kategori