BAB IV HASIL PENELITIAN DAN PEMBAHASAN
4.1 Data Penelitian
Metode analisis data yang digunakan dalam penelitian ini adalah analisis statistik dengan menggunakan persamaan regresi linier sederhana.
Analisis data dimulai dengan mengolah data dengan menggunakan Microsoft Excel, selanjutnya dilakukan analisis statistik deskriptif, pengujian asumsi
klasik dan pengujian menggunakan regresi sederhana. Pengujian asumsi klasik dan regresi sederhana ini dilakukan dengan menggunakan software
SPSS versi 18. Berdasarkan kriteria yang telah ditetapkan, diperoleh 30 perusahaan yang memenuhi kriteria dengan 90 unit analisis dan dijadikan
sampel dalam penelitian dan diamati selama periode 2011-2013.
Tabel 4.1 Daftar Sampel Penelitian
NO NAMA PERUSAHAAN
KODE
1 Indocement Tunggal Prakarsa Tbk
INTP 2
Holcim Indonesia Tbk SMCB
3 Semen Indonesia Persero Tbk
SMGR 4
Asahimas Flat Glass Tbk AMFG
5 Arwana Citramulia Tbk
ARNA 6
Surya Toto Indonesia Tbk TOTO
7 Alumindo Light Metal Industry Tbk
ALMI 8
Jaya Pari Steel Tbk JPRS
9 Citra Tubindo Tbk
CTBN 10
PT Lion Metal Works Tbk LION
11 Yanaprima Hastapersada Tbk
YPAS 12
Charoen Pokphand Indonesia Tbk CPIN
13 Sierad Produce Tbk
SIPD 14
Astra International Tbk ASII
4.2 Hasil Penelitian
4.2.1 Analisis Statistik Deskriptif Statistik deskriptif memberikan gambaran umum atau deskripsi suatu
data yang dijadikan sampel penelitian, dilihat dari nilai minimum, maksimum, rata-rata, dan standar deviasi. Statistik deskriptif dari variabel
yang diteliti ditunjukkan dalam Tabel 4.2. 15
Indo Kordsa Tbk BRAM
16 Goodyear Indonesia Tbk
GDYR 17
Sepatu Bata Tbk BATA
18 Prima Alloy Steel Universal Tbk
PRAS 19
Selamat Sempurna Tbk SMSM
20 Eratex Djaja Tbk
ERTX 21
Sumi Indo Kabel Tbk IKBI
22 Pan Brothers Tex Tbk
PBRX 23
Supreme Cable Manufacturing and Commerce Tbk SCCO
24 Voksel Electric Tbk
VOKS 25
Cahaya Kalbar Tbk CEKA
26 Delta Djakarta Tbk
DLTA 27
Sekar Laut Tbk SKLT
28 Ultrajaya Milk Industry Trading Co. Tbk
ULTJ 29
Kalbe Farma Tbk KLBF
30 Gudang Garam Tbk
GGRM
Tabel 4.2 Statistik Deskriptif
Descriptive Statistics
N Minimum
Maximum Mean
Std. Deviation Q
90 .492910
18.915670 2.19797999
2.306201170 NPM
90 2.8330781
481.7500000 33.645075451
65.1405290050 KM
90 .0000000000
.2809654800 .028573168684 .0645016568357
KI 90
.41445038 .99719710
.7211667618 .17563964754
KomInd 90
.25000000 1.00000000
.4186748491 .14830375933
Valid N listwise
90
Tabel 4.2 merupakan output statistik deskriptif variabel penelitian dari tahun 2011 sampai 2013 dengan menggunakan software SPSS. Jumlah
sampel keseluruhan adalah 90 sampel 30 perusahaan sektor industri manufaktur selama 3 tahun. Dari tabel dapat dijelaskan statistik deskriptif
masing-masing variabel sebagai berikut : 1. Variabel nilai perusahaan Tobin’s Q memiliki nilai minimum 0,492910,
nilai maksimum sebesar 18,915670, mean sebesar 2,19797999 dan standard deviation sebesar 2,306201170 dengan jumlah sampel 90.
2. Variabel net profit margin memiliki nilai minimum 2,8330781, nilai maksimum sebesar 481,7500000, mean sebesar 33,645075451 dan
standard deviation sebesar 65,1405290050 dengan jumlah sampel 90. 3. Variabel kepemilikan manajerial memiliki nilai minimum 0,0000000000,
nilai maksimum sebesar 0,2809654800, mean sebesar 0,028573168684 dan standard deviation sebesar 0,0645016568357 dengan jumlah sampel
90.
4. Variabel kepemilikan institusional memiliki nilai minimum 0,41445038, nilai maksimum sebesar 0,99719710, mean sebesar 0,7211667618 dan
standard deviation sebesar 0,17563964754 dengan jumlah sampel 90. 5. Variabel komisaris independen memiliki nilai minimum 0,25000000, nilai
maksimum sebesar 1,00000000, mean sebesar 0,4186748491 dan standard deviation sebesar 0,14830375933 dengan jumlah sampel 90.
4.2.2 Uji Asumsi Klasik Untuk menghasilkan suatu model regresi yang baik, analisis regresi
memerlukan pengujian asumsi klasik sebelum melakukan pengujian hipotesis. Uji asumsi klasik yang digunakan dalam penelitian ini terdiri dari
uji autokorelasi, uji heteroskedastisitas, uji normalitas. 4.2.2.1 Uji Autokorelasi
Uji autokorelasi bertujuan menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan
pengganggu pada periode t-1 sebelumnya. Cara yang dapat dilakukan untuk mendeteksi ada tidaknya autokorelasi adalah dengan pengujian Durbin
Watson DW. Dalam model regresi ini tidak terjadi autokorelasi apabila nilai du d 4 – du.
Tabel 4.3 Uji Durbin-Watson Persamaan 1
Tabel 4.3 menunjukkan nilai Durbin-Watson sebesar 0,876, nilai ini akan dibandingkan dengan nilai tabel Durbin-Watson pada signifikansi 5.
Nilai Durbin-Watson 0,876 terletak antara -2 sampai 2, maka dapat disimpulkan tidak terjadi autokorelasi pada model regresi persamaan 1. Uji
autokorelasi dengan uji Durbin-Watson juga dilakukan pada model regresi persamaan 2 dan menghasilkan nilai Durbin-Watson seperti ditunjukkan
Tabel 4.4 di bawah ini.
Tabel 4.4 Uji Durbin-Watson Persamaan 2
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
dimension0
1 .841
a
.708 .647
.40913 1.123
a. Predictors: Constant, LN_KomInd, LN_NPM, LN_KM, LN_KI b. Dependent Variable: LN_Q
Tabel 4.4 menunjukkan nilai Durbin-Watson sebesar 1,123, nilai ini akan dibandingkan dengan nilai tabel Durbin-Watson pada signifikansi 5.
Nilai Durbin-Watson 1,123 terletak antara -2 sampai 2, maka dapat disimpulkan tidak terjadi autokorelasi pada model regresi persamaan 2.
Model Summary
b
Model R
R Square Adjusted R Square Std. Error of the Estimate
Durbin- Watson
dimension0
1 .642
a
.412 .405
.54269 .876
a. Predictors: Constant, LN_NPM b. Dependent Variable: LN_Q
4.2.2.2 Uji Heteroskedastisitas Uji Heteroskesdastisitas bertujuan menguji apakah dalam model regresi
terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Model regresi yang baik adalah yang homoskesdastisitas atau tidak
terjadi heteroskesdastisitas Ghozali, 2013. Pengujian heteroskesdastisitas dilakukan dengan analisis grafik yaitu
dengan melihat scatterplot. Apabila titik-titik dots menyebar dan tidak memperlihatkan sebuah pola tertentu misalkan pola menaik ke kanan atas,
atau pola menaik ke kiri bawah, maka dapat disimpulkan bahwa model regresi bebas dari masalah heteroskesdastisitas. Berikut scatterplot dari model
regresi penelitian ini.
Gambar 4.1 Scatterplot Persamaan 1
Gambar 4.1 merupakan scatterplot model regresi persamaan 1 yang memperlihatkan bahwa titik-titik menyebar secara acak serta tersebar baik di
atas maupun di bawah angka 0 pada sumbu Y. Hal ini dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi persamaan 1. Uji
heteroskedastisitas menggunakan scatterplot juga dilakukan pada model regresi persamaan 2 seperti ditunjukkan Gambar 4.2 di bawah ini.
Gambar 4.2 Scatterplot Persamaan 2
Gambar 4.2 merupakan scatterplot model regresi persamaan 2 yang memperlihatkan bahwa titik-titik menyebar secara acak serta tersebar baik di
atas maupun di bawah angka 0 pada sumbu Y. Hal ini dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi persamaan 2.
4.2.2.3 Uji Normalitas Uji normalitas bertujuan untuk menguji apakah dalam model regresi
variabel pengganggu atau residual memiliki distribusi normal Gozhali, 2013. Terdapat dua cara untuk mendeteksi apakah residual berdistribusi
normal, yaitu dengan melihat kurva histogram dan normal probability plot, serta melihat hasil uji statistik non-parametric Kolmogorov-Smirnov.
Setelah dilakukan uji normalitas terhadap kedua persamaan, ternyata data dalam penelitian tidak berdistribusi secara normal sehingga setiap variabel
ditansformasikan ke bentuk logaritma natural Ln dengan tujuan untuk lebih menormalkan data.
Gambar 4.3 Kurva Histogram Uji Normalitas Persamaan 1
Gambar 4.3 di atas menunjukkan kurva histogram memberikan pola distribusi normal, yaitu tidak menceng skewness baik ke kiri maupun ke
kanan dan bentuknya seperti lonceng yang menandakan bahwa data residual dalam persamaan 1 berdistribusi normal. Pola kurva histogram yang
berdistribusi normal belum dapat dijadikan acuan bahwa data residual memang berdistribusi normal. Metode yang lebih handal adalah dengan
melihat normal probability plot yang membandingkan distribusi kumulatif dari distribusi normal.
Gambar 4.4 Normal Probability Plot Persamaan 1
Gambar 4.4 memperlihatkan penyebaran data residual persamaan 1 disepanjang normal plot dan mengikuti arah plot, yang berarti data residual
pada persamaan 1 terdistribusi secara normal. Meskipun hasil uji histogram
dan normal probability plot telah menunjukkan bahwa data residual persamaan 1 berdistribusi normal, akan tetapi normalitas data residual
sesungguhnya belum dapat dipastikan. Uji statistik non-parametric Kolmogorov-Smirnov seperti terlihat pada Tabel 4.5 di bawah ini, dipilih
untuk melengkapi pengujian normalitas data residual pada persamaan 1, sehingga kepastian model regresi telah memenuhi asumsi normalitas dapat
ditetapkan.
Tabel 4.5 Analisis Statistik Uji Normalitas Persamaan 1
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual N
90 Normal Parameters
a,b
Mean .0000000
Std. Deviation .53963273
Most Extreme Differences Absolute
.074 Positive
.074 Negative
-.038 Kolmogorov-Smirnov Z
.703 Asymp. Sig. 2-tailed
.707 a. Test distribution is Normal.
b. Calculated from data.
Hasil uji statistik non-parametric Kolmogorov-Smirnov seperti ditampilkan dalam Tabel 4.5, menunjukkan besarnya nilai Kolmogorov-
Smirnov adalah 0,703 dan nilai Asymp.Sig. 2-tailed 0,707 dengan nilai signifikan yang ditetapkan 0,05 yang berarti data residual persamaan 1
terdistribusi secara normal. Hasil uji statistik non-parametric Kolmogorov- Smirnov ini konsisten dengan hasil yang ditunjukkan melalui kurva
histogram dan normal probability plot, sehingga dapat disimpulkan model regresi persamaan 1 memenuhi asumsi normalitas.
Uji normalitas juga dilakukan terhadap model regresi persamaan 2. Kurva histogram uji normalitas data residual persamaan 2 terlihat dalam
Gambar 4.5 di bawah ini.
Gambar 4.5 Kurva Histogram Uji Normalitas Persamaan 2
Gambar 4.5 di atas menunjukkan kurva histogram memberikan pola distribusi normal, yaitu tidak menceng skewness baik ke kiri maupun ke
kanan dan bentuknya seperti lonceng yang menandakan bahwa data residual dalam persamaan 2 berdistribusi normal. Analisis normal probability plot
juga dilakukan untuk mendukung hasil yang ditunjukkan kurva histogram seperti terlihat pada Gambar 4.6 di bawah ini.
Gambar 4.6 Normal Probability Plot Persamaan 2
Gambar 4.6 memperlihatkan penyebaran data residual persamaan 2 disepanjang normal plot dan mengikuti arah plot yang berarti data residual
pada persamaan 2 terdistribusi secara normal meskipun pada gambar terlihat data tersebar sedikit jauh dari normal plot. Kepastian bahwa data residual
persamaan 2 berdistribusi normal, dapat dilakukan dengan uji statistik non- parametric Kolmogorov-Smirnov seperti ditunjukkan Tabel 4.6 di bawah ini.
Tabel 4.6 Analisis Statistik Uji Normalitas Persamaan 2
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 55
Normal Parameters
a,b
Mean -.0052040
Std. Deviation .57397560
Most Extreme Differences Absolute
.098 Positive
.098 Negative
-.054 Kolmogorov-Smirnov Z
.724 Asymp. Sig. 2-tailed
.671 a. Test distribution is Normal.
b. Calculated from data.
Hasil uji statistik non-parametric Kolmogorov-Smirnov seperti ditampilkan dalam Tabel 4.6, menunjukkan besarnya nilai Kolmogorov-
Smirnov adalah 0,724 dan nilai Asymp.Sig. 2-tailed 0,671 dengan nilai signifikan yang ditetapkan 0,05 yang berarti data residual persamaan 2
terdistribusi secara normal. Hasil uji statistik non-parametric Kolmogorov- Smirnov ini konsisten dengan hasil yang ditunjukkan melalui kurva
histogram dan normal probability plot, sehingga dapat disimpulkan model regresi persamaan 2 memenuhi asumsi normalitas.
4.2.3 Uji Hipotesis 4.2.3.1 Uji R
2
atau Koefisien Determinasi
Tabel 4.7 Uji Koefisien Determinasi Persamaan 1
Model Summary
Model R
R Square Adjusted R Square
Std. Error of the Estimate
dimension0
1 .642
a
.412 .405
.54269 a. Predictors: Constant, LN_NPM
sumber : hasil olah data SPSS, 2015 Tabel 4.7 menunjukkan nilai R sebesar 0,642 atau 64,2. Hal ini
berarti bahwa hubungan antara variabel dependen nilai perusahaan publik sektor industri manufaktur di Indonesia dengan variabel independennya
profitabilitas adalah sangat erat. Tabel 4.7 menunjukkan bahwa nilai Adjusted R Square dalam penelitian ini sebesar 0,405 yang berarti 40,5 nilai
perusahaan publik sektor industri manufaktur di Indonesia dapat dijelaskan profitabilitas. Standard Error of Estimated digunakan untuk mengukur
variabel dari nilai yang diprediksi. Standard Error of Estimated disebut juga standar deviasi. Standard Error of Estimated dalam penelitian ini adalah
0,54269. Standar deviasi yang semakin kecil mengindikasikan bahwa model semakin baik.
Tabel 4.8 Uji Koefisien Determinasi Persamaan 2
Model Summary
Model R
R Square Adjusted R Square
Std. Error of the Estimate
dimension0
1 .581
a
.338 .312
.49270 a. Predictors: Constant, LN_NPM_KM, LN_NPM
Tabel 4.8 menunjukkan nilai R sebesar 0,581 atau 58,1. Hal ini berarti bahwa hubungan antara variabel dependen nilai perusahaan publik
sektor industri manufaktur di Indonesia dengan variabel independennya profitabilitas adalah sangat erat. Tabel 4.8 menunjukkan bahwa nilai
Adjusted R Square dalam penelitian ini sebesar 0,338 yang berarti 33,8 nilai perusahaan publik sektor industri manufaktur di Indonesia dapat dijelaskan
profitabilitas. Standard Error of Estimated digunakan untuk mengukur variabel dari nilai yang diprediksi. Standard Error of Estimated disebut juga
standar deviasi. Standard Error of Estimated dalam penelitian ini adalah 0,49270. Standar deviasi yang semakin kecil mengindikasikan bahwa model
semakin baik. 4.2.3.2 Uji Signifikansi Parameter Individual Uji Statistik t
Uji signifikansi parameter individual bertujuan menguji pengaruh parsial kinerja keuangan terhadap nilai perusahaan publik sektor industri
manufaktur di Indonesia. Uji signifikansi parameter individual menggunakan uji-t dilakukan terhadap model regresi persamaan 1 ditunjukkan Tabel 4.9 di
bawah ini.
Tabel 4.9 Uji Signifikansi Parameter Individual
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error
Beta 1 Constant
1.621 .154
10.539 .000
LN_NPM .407
.052 .642
7.847 .000
a. Dependent Variable: LN_Q
Hasil output uji signifikansi parameter individual seperti ditunjukkan dalam Tabel 4.9 menghasilkan persamaan regresi linear sebagai berikut.
Q = 1,621 + 0,407NPM + e Interpretasi :
a. Konstanta sebesar 1,621 menunjukkan bahwa apabila tidak ada variabel bebas kinerja keuangan maka nilai perusahaan publik sektor industri
manufaktur di Indonesia yang diproksikan dengan Tobin’s Q meningkat sebesar 1,621 kali di atas nilai bukunya.
b. Koefisien regresi variabel kinerja keuangan yang diproksikan dengan NPM adalah sebesar 0,407, yang berarti bahwa setiap kenaikan
profitabilitas sebesar 1 kali akan meningkatkan nilai perusahaan sebesar 0,407 kali.
4.2.3.3 Analisis Regresi Pemoderasi Moderated Regression Analysis Uji interaksi atau sering disebut dengan Moderated Regression Analysis
MRA merupakan aplikasi khusus regresi berganda linear dimana dalam persamaan regresinya mengandung unsur interaksi. Uji yang digunakan
dalam persamaan 2 sampai 4 adalah dengan menggunakan uji interaksi. Analisis regresi moderasi bertujuan menguji pengaruh variabel
moderasi memperkuat atau memperlemah hubungan antara variabel independen dan variabel dependen. Pengaruh variabel moderasi GCG yang
diproksikan dengan struktur kepemilikan manajerial terhadap hubungan antara net profit margin dan nilai perusahaan ditunjukkan dalam tabel 4.10 di
bawah ini.
Tabel 4.10 Analisis Regresi Moderasi Persamaan 2
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error
Beta 1 Constant
1.153 .257
4.492 .000
LN_NPM -.303
.074 -.519
-4.069 .000
LN_NPM_KM -.020
.022 -.115
-.903 .371
a. Dependent Variable: LN_Q
Tabel 4.10 menunjukkan regresi hasil perkalian variabel independen NPM dan variabel moderasi GCG yang diproksikan dengan kepemilikan
manajerial, signifikan pada 0,371 dengan tingkat signifikansi yang telah ditentukan sebesar 0,05. Hal ini berarti variabel moderasi GCG yang
diproksikan dengan kepemilikan manajerial, tidak mampu memoderasi
hubungan NPM dan nilai perusahaan. Pengaruh variabel moderasi GCG yang diproksikan dengan kepemilikan institusional terhadap hubungan antara NPM
dan nilai perusahaan ditunjukkan dalam tabel 4.11.
Tabel 4.11 Analisis Regresi Moderasi Persamaan 3
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error
Beta 1 Constant
1.564 .171
9.126 .000
LN_NPM -.238
.229 -.375
-1.041 .301
LN_NPM_KI -.171
.225 -.274
-.759 .450
a. Dependent Variable: LN_Q
Tabel 4.11 menunjukkan regresi hasil perkalian variabel independen NPM dan variabel moderasi GCG yang diproksikan dengan kepemilikan
institusional, signifikan pada 0,450 dengan tingkat signifikansi yang telah ditentukan sebesar 0,05. Hal ini berarti variabel moderasi GCG yang
diproksikan dengan kepemilikan institusional, tidak mampu memoderasi hubungan NPM dan nilai perusahaan. Pengaruh variabel moderasi GCG yang
diproksikan dengan komisaris independen terhadap hubungan antara NPM dan nilai perusahaan ditunjukkan dalam tabel 4.12.
Tabel 4.12 Analisis Regresi Moderasi Persamaan 4
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. B
Std. Error Beta
1 Constant 1.836
.257 7.138
.000 LN_NPM
-.630 .220
-.992 -2.868
.005 LN_NPM_KomInd
.216 .207
.361 1.043
.300 a. Dependent Variable: LN_Q
Tabel 4.12 menunjukkan regresi hasil perkalian variabel independen NPM dan variabel moderasi GCG yang diproksikan dengan komisaris
independen, signifikan pada 0,300 dengan tingkat signifikansi yang telah ditentukan sebesar 0,05. Hal ini berarti variabel moderasi GCG yang
diproksikan dengan komisaris independen, tidak mampu memoderasi hubungan NPM dan nilai perusahaan.
4.3 Pembahasan