48
BAB IV HASIL PENELITIAN DAN PEMBAHASAN
4.1 Gambaran Umum Perusahaan Objek Penelitian
Perusahaan manufaktur adalah perusahaan yang mengubah bahan baku menjadi barang jadi atau perusahaan yang menjalankan proses pembuatan suatu
produk. Sebuah perusahaan dapat dikatakan sebagai perusahaan manufaktur apabila ada tahapan input-proses-output yang akhirnya menghasilkan suatu produk.
Karateristik kegiatan utama manufaktur adalah mengolah sumber daya menjadi barang jadi melalui proses suatu pabrikasi. Aktivitas perusahaan yang tergolong dalam
kelompok industry manufaktur mempunyai tiga kegiatan utama yaitu : 1. Kegiatan utama untuk memperoleh atau menyimpan input atau bahan baku.
2. Kegiatan pengolahan atau pabrikasi atau perakitan atas bahan baku menjadi bahan jadi.
3. Kegiatan menyimpan atau memasarkan barang jadi. Ketiga kegiatan utama tersebut harus tercermin dalam laporan
keuangan perusahaan pada perusahaan industri manufaktur. Dari segi produk yang dihasilkan aktivitas perusahaan industri manufaktur mencakup berbagai jenis usaha
yang terdiri dari 3 sektor dan 17 subsektor usaha, yakni : 1. Industri Dasar dan Kimia
a. Keramik, perselen, dan kaca
49
b. Logam dan sejenisnya c. Kimia
d. Plastik dan kemasan e. Pakan Ternak
f. Kayu dan pengolahannya g. Pulp dan kertas
2. Aneka Industri a. Otomotif dan komponennya
b. Tekstil dan garmen c. Alas kaki
d. Kabel e. Elektronika
3. Industri Barang Konsumsi a. Makanan dan minuman
b. Rokok c. Farmasi
d. Kosmetik dan barang keperluan rumah tangga e. Peralatan rumah tangga
4.2 Hasil Penelitian dan Pembahasan 4.2.1 Statistik Deskriptif
50
Statistik deskriptif memberikan penjelasan mengenai nilai minimum, nilai maksimum, nilai rata-rata mean, dan standar deviasi dari variabel-variabel
independen maupun dependen. Berikut ini ditampilkan gambaran data penelitian pada tabel 4.1
Tabel 4.1 Statistik Deskriptif
Descriptive Statistics
ROCE ROA
ROE EPS
N 90
90 90
90 Minimum
-1.110 -.060
-1.050 -80.960
Maximum 3.240
.670 1.620
24074.000 Mean
.26989 .09849
.19900 1642.81511
Std. Deviation .435935
.118389 .335646
4164.855970
Sumber : Hasil Pengolahan SPSS, 2012.
a. Variabel ROCE mempunyai nilai minimum -1,110, nilai maksimum 3,240, nilai rata-rata 0,26989, dan standar deviasi 0,435935 dengan jumlah pengamatan
sebanyak 90. b. Variabel ROA mempunyai nilai minimum -0,06, nilai maksimum 0,67, nilai rata-
rata 0,09849, dan standar deviasi 0,435935 dengan jumlah pengamatan sebanyak 90.
51
c. Variabel ROE mempunyai nilai minimum -1,050, nilai maksimum 1,620, nilai rata-rata 0,199, dan standar deviasi 0,335646 dengan jumlah pengamatan sebanyak
90. d. Variabel EPS mempunyai nilai minimum -80,96, nilai maksimum 24.074, nilai
rata-rata 1642,81511, dan standar deviasi 4164,855970 dengan jumlah pengamatan sebanyak 90.
4.2.2 Pengujian Asumsi Klasik a.
Pengujian Normalitas
Uji Normalitas bertujuan untuk mengetahui apakah dalam model regresi variabel penganggu 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
H : Data residual berdistribusi normal
Nilai signifikansi yang lebih besar dari 0,05 berarti H : Data residual tidak berdistribusi normal
a
diterima, sedangkan jika nilai signifikansi lebih kecil dari 0,05 berarti H
a
tidak dapat diterima.
52
Tabel 4.2 One-Sample Kolmogorov-Smirnov Test
Sebelum Transformasi Data
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 90
Normal Parameters
a,,b
Mean .0000000
Std. Deviation 2.91786177E3
Most Extreme Differences Absolute
.215 Positive
.215 Negative
-.142 Kolmogorov-Smirnov Z
2.037 Asymp. Sig. 2-tailed
.000
Sumber : Hasil Pengolahan SPSS, 2012.
Berdasarkan hasil pengolahan data pada tabel 4.2, diperoleh besarnya nilai Kolmogorov-Smirnov MK ROCE adalah 2,642, signifikansinya 0,000, Kolmogorov-
Smirnov MK ROA sebesar 1,744, signifikansinya sebesar 0,005, Kolomogorv-Smirnov MK ROE sebesar 2,354, signifikansinya sebesar 0,000, Kolmogorov-Smirnov EPS
sebesar 3,734, signifikansinya sebesar 0,000. Nilai signifikansi ROCE, ROA, ROE dan EPS lebih kecil dari 0,05, maka H
a
tidak dapat diterima yang berarti data residual
berdistribusi tidak normal . Data yang berdistribusi tidak 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 dan Mulyani
106:207 :
53
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.
Penulis melakukan transformasi data ke model logaritma natural LN untuk mengubah nilai residual agar berdistribusi normal. Hal tersebut dilakukan dengan
mengubah Rentabilitas Modal Sendiri = fMK,PM,ROE menjadi Ln_Rentabilitas Modal Sendiri = fLN_MK, LN_PM, LN_ROE, kemudian data diuji ulang
berdasarkan asumsi normalitas. Berikut ini adalah hasil pengujian dengan Kolmogorov-Smirnov setelah dilakukan transformasi data.
Tabel 4.3 One-Sample Kolmogorv-Smirnov Test
Setelah Transformasi Data
Sumber : Hasil Pengolahan SPSS, 2012.
Unstandardized Residual
N 81
Normal Parameters
a,,b
Mean .0000000
Std. Deviation .61332823
Most Extreme Differences Absolute
.106 Positive
.106 Negative
-.069 Kolmogorov-Smirnov Z
.954 Asymp. Sig. 2-tailed
.322
54
Berdasarkan tabel 4.3 dapat diambil kesimpulan bahwa data dalam model regresi
setelah dilakukan transformasi data dalam bentuk logaritma 10, terdistribusi secara normal
. Hal ini dapat dilihat dari nilai Asymp. Sig. 2-tailed lebih besar dari 0,05 yakni 0,322. Dengan demikian, data dilanjutkan dengan uji asumsi klasik lainnya.
Berikut ini turut dilampirkan grafik histogram dan grafik p-plot data yang terdistribusi normal.
Gambar 4.1 Histogram
Sumber : Hasil Pengolahan SPSS, 2012.
55
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 melenceng. Demikian pula dengan hasil uji normaltias dengan menggunakan grafik P-P plot dan scatterplot berikut ini.
Gambar 4.2 Normal P-P Plot
Sumber : Hasil Pengolahan SPSS, 2012.
56
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. Pada uji normalitas gambar 4.2, normal P-P Plot menunjukkan
bahwa titik-titik menyebar disekitar garis diagonal dan mengikuti garis diagonal, maka dapat disimpulkan bahwa data yang diperoleh berdistribusi normal. Hla 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.
b. Uji Autokorelasi
Model regresi yang baik adalah regresi yang bebas dari autokorelasi. Untuk menentukan adanya autokorelasi atau tidak dapat diketahui dari nilai Durbin-
Watsonnya.
Tabel 4.4 Pengujian Autokorelasi
Model Summary
b
Model Durbin-Watson
1 1.363
a. Predictors: Constant, log_ROE, log_ROCE, log_ROA b. Dependent Variable: log_EPS
Sumber : Hasil Pengolahan SPSS, 2012
57
Berdasarkan hasil pengolahan data dengan SPSS dapat diketahui bahwa nilai Durbin-Watson dalam penelitian ini sebesar 1,363, maka nilai Durbin-Watson tersebut
memiliki arti tidak terdapat gejala autokorelasi positif maupun negative antar variabelnya.
c. Uji Heteroskedastisitas
Kategori