Deskripsi Data Penelitian Analisis Regresi

31 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

BAB IV HASIL PENELITIAN DAN PEMBAHASAN

4.1 Deskripsi Data Penelitian

Populasi yang diteliti dalam penelitian ini adalah industri perbankan, terutama Bank Konvensional, yang terdaftar di Bursa Efek Indonesia selama tahun 2009-2011. Perusahaan yang dijadikan sampel berjumlah 26 perusahaan.Daftar perusahaan yang telah ditentukan dapat dilihat pada lampiran. 4.2 Analisis Hasil Penelitian 4.2.1 Statistik Deskriptif Statistik deskriptif ini memberikan gambaran mengenai nilai minimum, nilai maksimun, mean, dan standar deviasi. Statistik deskriptif akan dijelaskan dalam tabel berikut ini. Tabel 4.1. Universitas Sumatera Utara 32 STATISTIK DESKRIPTIF Descriptive Statistics N Minimum Maximum Mean Std. Deviation ROA 78 .11 4.45 1.9228 1.01304 EPS 78 .64 930.10 147.6709 185.37866 FS 78 14.25 20.13 17.0887 1.72218 BOPO 78 .51 .97 .8065 .08984 Valid N listwise 78 Sumber :Output SPSS, diolah Peneliti, 2013 Berdasarkan data dari tabel 4.1 dapat dijelaskan bahwa : 1. Rata-rata dari earning per share X1 adalah 147,6709 dengan standar deviasi 185,37866 dan jumlah data yang ada adalah 78. Nilai tertinggi EPS adalah 930,10sedangkan nilai terendah adalah 0,64. 2. Rata-rata dari firm size X2 adalah 17,0887dengan standar deviasi 1,72218 dan jumlah data yang ada adalah 78. Nilai firm size tertinggi adalah 20,13sedangkan nilai terendah adalah 14,25. 3. Rata-rata dari BOPO X3 adalah 0,8065 dengan standar deviasi 0,08984 dan jumlah data yang ada adalah 78. Nilai tertinggi BOPO adalah 0,97sedangkan nilai terendah adalah 0,51. 4. Rata-rata dari profitabilitas ROA adalah 1,9228 dengan standar deviasi 1,01304 dan jumlah data yang ada adalah 78. Nilai tertinggi ROA adalah 4,45sedangkan nilai terendah adalah 0,11. Universitas Sumatera Utara 33

4.2.2 Pengujian Asumsi Klasik

Salah satu satu syarat yang menjadi dasar penggunaan model regresi 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. 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.

4.2.2.1. 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, Universitas Sumatera Utara 34 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 : Tabel 4.2 HASIL UJI NORMALITAS One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 78 Normal Parameters a,,b Mean .0000000 Std. Deviation .63724356 Most Extreme Differences Absolute .102 Positive .102 Negative -.058 Kolmogorov-Smirnov Z .904 Asymp. Sig. 2-tailed .388 a. Test distribution is Normal. b. Calculated from data. Sumber :Output SPSS, diolah Peneliti, 2013 Universitas Sumatera Utara 35 Berdasarkan hasil uji statistik dengan model Kolmogorov-Smirnov seperti yang terdapat dalam tabel 4.2 dapat disimpulkan bahwa besarnya nilai Kolmogrov–Smirnov sebesar 0,388 dan signifikan lebih dari 0,05 karena Asymp. Sig. 2-tailed 0,388 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. HISTOGRAM Universitas Sumatera Utara 36 Gambar 4.1 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 Universitas Sumatera Utara 37 UJI NORMALITAS DATA Gambar 4.2 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 Universitas Sumatera Utara 38 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

Untuk melihat ada atau tidaknya multikolinieritas dalam model regresi dapat dilihat dari: 1 nilaitolerence 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 4.3 HASIL UJI MULTIKOLINIERITAS Coefficients a Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics B Std. Error Beta Tolerance VIF 1 Constant 6.722 1.466 4.587 .000 EPS .003 .001 .536 5.488 .000 .561 1.783 FS -.065 .059 -.111 -1.095 .277 .524 1.910 BOPO -5.107 .988 -.453 -5.167 .000 .696 1.437 a. Dependent Variable: ROA Sumber :Output SPSS, diolah Peneliti, 2013 Universitas Sumatera Utara 39 Berdasarkan tabel 4.3 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. 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. Universitas Sumatera Utara 40 Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi gejala heteroskedastisitas atau tidak dengan cara mengamati penyebaran titik-titik pada grafik. HASIL UJI HETEROSKEDASTISITAS Gambar 4.3 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 profitabilitaspada Bank Konvensional yang terdaftar diBursa Efek Indonesia berdasarkan masukan variabel independen yaitu Earning Per Share X1, Firm Size X2, BOPO X3. Universitas Sumatera Utara 41

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 4.4 HASIL UJI AUTOKORELASI Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .777 a .604 .588 .65003 1.718 a. Predictors: Constant, BOPO, EPS, FS b. Dependent Variable: ROA Sumber :Output SPSS, diolah oleh peneliti, 2013 Tabel 4.4 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 1,718. Angka D-W di antara -2 Universitas Sumatera Utara 42 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

Berdasarkan hasil uji asumsi klasik yang telah dilakukan di atas, dapat disimpulkan bahwa model regresi yang dipakai dalam penelitian ini telah memenuhi model estimasi yang Best Linear Unbiased Estimstor BLUE dan layak untuk dilakukan analisis statistik selanjutnya, yaitu melakukan pengujian hipotesis. Adapun hasil pengolahan data dengan analisis regresi sebagai berikut : Tabel 4.5 ANALISIS REGRESI Coefficients a Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 Constant 6.722 1.466 4.587 .000 EPS .003 .001 .536 5.488 .000 FS -.065 .059 -.111 -1.095 .277 BOPO -5.107 .988 -.453 -5.167 .000 a. Dependent Variable: ROA Sumber :Output SPSS, diolah Peneliti, 2013 Berdasarkan tabel 4.5 pada kolom Unstandardized Coefficients bagian B diperoleh model persamaan regresi linier berganda yaitu: Y= 6,722 + 0,003 X1 – 0,065 X2 – 5,107 X3 + e Dimana: Y = Profitabilitas a = Konstanta Universitas Sumatera Utara 43 b1,b2,b3 = Parameter koefisien regresi X1 = Earning per Share X2 = Firm Size X3 = BOPO e = Pengganggu Penjelasan dari nilai a, b1, b2 dan b3 pada Unstandardized Coefficients tersebut dapat dijelaskan dibawah ini. • Nilai B Constant a = 6,722 =konstanta Nilai konstanta ini menunjukkan bahwa apabila tidak ada nilai variabel bebas yaitu earning per share, firm size, dan BOPO maka nilai profitabilitas perusahaan yang dilihat dari nilai Y tetap sebesar 6,722. • Nilai b1 = 0,003 = Earning per Share X1 Koefisisen regresi ini menunjukkan bahwa setiap kenaikan earning per share sebesar 1 satuan, maka perubahan profitabilitas yang dilihat dari nilai Y akan bertambah sebesar 0,003 dengan asumsi variabel lain dianggap tetap. • Nilai b2 = -0,065 = firm size X2 Koefisisen regresi ini menunjukkan bahwa setiap kenaikan firm size X2 sebesar 1 satuan, maka perubahan profitabilitas yang dilihat dari nilai Y akan berkurang sebesar 0,065 dengan asumsi variabel lain dianggap tetap. • Nilai b3 = -5,107 = BOPO X3 Koefisisen regresi ini menunjukkan bahwa setiap kenaikan BOPO X3 sebesar 1 satuan, maka perubahan profitabilitas yang dilihat dari nilai Y akan berkurang sebesar 5,107 dengan asumsi variabel lain dianggap tetap. Universitas Sumatera Utara 44

4.4. Pengujian Hipotesis