Analisis Statistik Deskriptif Analisis Regresi Berganda

4.4 Hasil Penelitian

4.4.1 Analisis Statistik Deskriptif

Analisis deskriptif digunakan untuk mengetahui gambaran atau deskripsi yang meliputi nilai rata-rata, nilai minimum, nilai maksimum, dan nilai standar deviasi dari variabel penelitian. Hasil statistik deskriptif terhadap variabel penelitian dapat dilihat pada tabel berikut : Tabel 4.6 Statistik deskriptif Sumber : data diolah peneliti, 2014 Berdasarkan data dari 4.6 dapat dijelaskan bahwa: a. Variabel prediksi kinerja perusahaan Y memiliki sampel N sebanyak 28, dengan nilai mean 86.5076, nilai minimum 7.28, nilai maksimum 407.28. Standar deviation simpanan baku variabel ini 143.98991. b. Variabel perbandingan Ukuran dewan komisaris X 1 memiliki sampel N sebanyak 28, dengan nilai minimum 12.0, nilai maksimum 42.00 dan nilai mean 21.8571. Standar deviation simpanan baku variabel ini 11.85227. c. Variabel perbandingan frekuensi rapat X 2 memiliki sampel N sebanyak 28, dengan nilai minimum 31.00, nilai maksimum 54.00 Descriptive Statistics 28 21.8571 11.85227 12.00 42.00 28 47.2857 8.19988 31.00 54.00 28 12.2857 .75593 12.00 14.00 28 86.5076 143.98991 7.28 407.28 X1 X2 X3 Y N Mean Std. Deviation Minimum Maximum Universitas Sumatera Utara dan nilai mean 47.2857. Standar deviation simpanan baku variabel ini 8.19988. d. Variabel perbandingan frekuensi rapat X 3 memiliki sampel N sebanyak 28, dengan nilai minimum 12.00, nilai maksimum 14.00 dan nilai mean 12.2857. Standar deviation simpanan baku variabel ini 0.75593.

4.4.2 Uji Asumsi Klasik

Sebelum dilakukan pengujian hipotesis menggunakan regresi linier berganda, ada beberapa uji asumsi klasik yang harus dipenuhi agar kesimpulan dari regresi tersebut tidak bias, yaitu uji normalitas, uji multikolinieritas, uji heteroskodesitas dan uji Autokorelasi .

4.4.2.1 Uji Normalitas

Uji ini digunakan untuk mengetahui apakah data sampel yang diambil mengikuti sebaran distribusi normal atau tidak. Pengujian dilakukan berdasarkan uji normalitas Kolmogorov-Smirnov yang ditunjukkan pada tabel 4.7 berikut : Universitas Sumatera Utara Tabel 4.7 Hasil Uji Normalitas X1 X2 X3 N Norma Parameters a,b Mean Std. Deviation Most Extreme Differences Absolute Positive Negative Kolmogorov –Smirnov-Z Asymp. Sig. 2-tailed 28 .0000000 2.20299434 .209 .140 -.209 1.109 .173 28 3.7879000 2.14686000 .258 .259 -232 .682 .741 28 3.1048000 1.86263000 .162 .162 -.145 .428 .993 a. Test distribution is Normal b. Calculated from data Sumber : data diolah peneliti, 2014 Dari perhitungan pada tabel 4.7 diatas, terlihat bahwa nilai X 1 ukuran dewan komisaris, X 2 frekuensi rapat dan X 3 ukuran komite audit masing-masing sebesar 0.173, 0.741 dan 0.993 Asymp. Sig. 2- tailed. Ketiga nilai tersebut lebih besar dari 0.05 sehingga data yang digunakan dapat dikatakan berdistribusi normal serta dapat disimpulkan bahwa X 1 , X 2 dan X 3 dapat memenuhi uji normalitas. Untuk menegaskan hasil perhitungan Tes Kolmogorov-Smirnov sampel tunggal diatas, digunakan juga Histogram dan Normal P-Plot. Dari grafik hasil pengujian normalitas melalui histrogram terlihat bahwa residual terdistribusi secara normal dan berbentuk simetris tidak menceng ke kanan ataupun ke kiri dan pada grafik hasil pengujian normalitas melalui normal probility plots titik-titik menyebar berhimpit di sekitar diagonal hal ini menunjukan bahwa residual berdistribusi secara normal. Jadi dapat disimpulkan secara keseluruhan bahwa model regresi memenuhi syarat uji normalitas, sehingga model regresi layak Universitas Sumatera Utara dipakai untuk prediksi variabel dependen berdasarkan masukan variabel independennya. Gambar 4.1 Histogram Sumber : data diolah peneliti, 2014 Pada grafik histogram terlihat bahwa variabel berdistribusi normal hal ini ditunjukkan oleh distribusi data tersebut tidak miring ke kiri atau ke kanan. Sumber : Hasil pengolahan data primer dengan SPSS 19.0 tahun 2014 data diolah Gambar 4.2 Normal P-Plot Sumber : data diolah peneliti, 2014 Universitas Sumatera Utara Berdasarkan gambar di atas dapat disimpulkan bahwa data dalam penelitian ini memenuhi syarat normal probability plot sehingga model regresi dalam penelitian memenuhi asumsi normalitas berditribusi normal.

4.4.2.2 Multikolinearitas

Uji multikolinearitas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas independen. Karenamodel regresi yang baik seharusnya tidak terjadi korelasi di antara variabel independen. Uji multikolinieritas dilakukan dengan melihat tolerance value atau dengan menggunakan Variance Inflation Factors VIF dari hasil analisis dengan menggunakan SPSS. Jika terdapat Multikolinieritas maka koefisien regresi menjadi tidak tentu, tingkat kesalahannya menjadi sangat besar. Pada penelitian ini digunakan nilai tolerance dan VIF Variance Inflation Factor. Jika nilai tolerance 0,10 dan VIF 10, maka dapat diartikan bahwa tidak terdapat multikolinearitas pada penelitian tersebut begitu pula sebaliknya. Hasil uji multikolinearitas dapat dilihat pada Tabel 4.8 berikut ini. Universitas Sumatera Utara Tabel 4.8 Sumber : data diolah peneliti, 2014 Dari tabel di atas, dapat diketahui bahwa nilai tolerance variabel independen ukuran dewan komisaris X 1 = 0.434 0.10, frekuensi rapat X 2 = 0.259 0.10 dan ukuran komite audit X 3 0.356 0.10 dan begitu juga dengan nilai VIF dari X 1 , X 2 dan X 3 10. Sehingga dapat disimpulkan bahwa dalam regresi antara variabel bebas X 1 , X 2 dan X 3 tidak terjadi multikolinieritas antar variabel bebas.

4.4.2.3 Uji Heteroskedastisitas

Ada beberapa cara untuk mendeteksi ada tidaknya heteroskedastisitas, akan tetapi pada penelitian ini dilakukan uji heteroskedastisitas dengan cara melihat grafik plot antara nilai prediksi variabel terikat ZPRED dengan residualnya SPRED. Deteksi ada tidaknya pola tertentu pada grafik scatterplot antara SRESID dan ZPREAD dimana sumbu X 1 ukuran dewan komisaris, X 2 frekuensi rapat, X 3 ukuran komite audit dan kinerja perusahaan Y yang telah diprediksi dan sumbu Y adalah residual Y prediksi-Y sesungguhnya yang telah di studentized. Ghozali, 2012:38 Coefficients a 1.214 .785 1.547 .135 -.265 .115 -.365 -2.298 .031 .434 2.302 .333 .183 .374 1.822 .081 .259 3.858 .658 .154 .752 4.286 .000 .356 2.813 Constant X1 X2 X3 Model 1 B Std. Error Unstandardized Coefficients Beta Standardized Coefficients t Sig. Tolerance VIF Collinearity Statistics Dependent Variable: Y a. Universitas Sumatera Utara Dasar analisisnya adalah jika ada pola tertentu yang teratur seperti titik-titik yang ada membentuk suatu pola tertentu yang teratur bergelombang, melebar, kemudian menyempit, maka telah terjadi Heteroskedastisitas. Jika tidak ada pola yang jelas serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi Heteroskedastisitas. Sumber : Hasil pengolahan data primer dengan SPSS 19.0 tahun 2014 data diolah Gambar 4.3 : Normal Scatterplot Dari grafik Scatterplot penelitian ini terlihat titik-titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y, hal ini menunjukkan tidak terjadi heteroskedastisitas pada model regresi, sehingga model regresi layak dipakai untuk memprediksi X 1 ukuran dewan komisaris, X 2 frekuensi rapat, X 3 ukuran komite audit berdasarkan masukan variabel independennya tabungan dana pihak ketiga Y. Regression Studentized Residual 3 2 1 -1 -2 -3 Regressi on S tandardi zed P redict ed Val ue 3 2 1 -1 -2 Universitas Sumatera Utara

4.4.2.4 Uji Autokorelasi

Untuk menguji ada atau tidaknya autokorelasi dalam penelitian ini maka digunakan Durbin-Watson test dengan menggunakan program SPSS 19.00 for windows. Uji Autokorelasi dapat dilihat dengan tabel 4.9. Tabel 4.9 Nilai Durbin-Watson sebagai Dasar Uji Autokorelasi Nilai DW sebesar 1.990, nilai ini bila dibandingkan dengan nilai tabel dengan signifikansi 5, jumlah sampel n 28 dan jumlah variabel dependen 3 K-3. Oleh karena nilai D-W 1.990 lebih besar dari batas atas du 1.6503 dan kurang dari 3-1.6503 3-du, maka dapat disimpulkan bahwa tidak dapat menolak H0 yang menyatakan bahwa tidak ada autokorelasi positif atau negatif, atau dapat disimpulkan tidak terdapat autokorelasi.

4.4.3 Analisis Regresi Berganda

Metode analisis regresi linear berganda berfungsi untuk mengetahui pengaruhhubungan variabel bebas dengan variabel terikat. Pengolahan data akan dilakukan dengan menggunakan alat bantu aplikasi Sofware SPSS 19.0 for Windows. Untuk menjawab hipotesis yang diajukan, maka akan digunakan analisis regresi linier berganda dengan variabel ukuran dewan komisaris, Model Summary b .859 a .737 .705 2.24692 1.990 Model 1 R R Square Adjusted R Square Std. Error of the Estimate Durbin- Watson Predictors: Constant, X3, X1, X2 a. Dependent Variable: Y b. Universitas Sumatera Utara frekuensi rapat dan ukuran komite audit terhadap kinerja perusahaan. Hasil pengujian regresi adalah sebagai berikut Tabel 4.10 Regresi Berganda Sumber : Hasil Pengolahan Data Berdasarkan hasil analisis regresi berganda pada tabel diperoleh persamaan regresi sebagai berikut : Y = 1.214 + -0.265X 1 + 0.333X 2 + 0.658X 3 + e Berdasarkan persamaan regresi berganda seperti di atas, selanjutnya dapat diinterpretasikan sebagai berikut : a. Nilai B Constant α = 1.214 Nilai konstanta ini menunjukkan bahwa apabila tidak ada nilai variabel bebas yaitu perbandingan ukuran dewan komisaris, frekuensi rapat dan ukuran komite audit, maka perubahan nilai kinerja perusahaan yang dilihat dari nilai Y tetap 1.214. b. Nilai β1 = -0.265 Hasil pengujian menunjukkan nilai variabel ukuran dewan komisaris X 1 sebesar -0.265 dengan signifikansi sebesar 0.031 dan 0.05 yang berarti bahwa model regresi tersebut signifikan. Nilai Coefficients a 1.214 .785 1.547 .135 -.265 .115 -.365 -2.298 .031 .333 .183 .374 1.822 .081 .658 .154 .752 4.286 .000 Constant X1 X2 X3 Model 1 B Std. Error Unstandardized Coefficients Beta Standardized Coefficients t Sig. Dependent Variable: Y a. Universitas Sumatera Utara variabel ukuran dewan komisaris X 1 sebesar -0.265 berarti setiap kenaikan 1 ukuran dewan komisaris akan menurunkan kinerja perusahaan sebesar 0.265 dengan mengasumsikan variabel yang lain konstan. c. Nilai β2 = 0.333 Hasil pengujian menunjukkan nilai variabel frekuensi rapat X 2 sebesar 0.333 dengan signifikansi sebesar 0.081 dan 0.05 yang berarti bahwa model regresi tersebut signifikan. Nilai variabel frekuensi rapat X 2 sebesar 0.333 berarti setiap kenaikan 1 frekuensi rapat akan meningkatkan kinerja perusahaan sebesar 0.333 dengan mengasumsikan variabel yang lain konstan. d. Nilai β3 = 0.658 Hasil pengujian menunjukkan nilai variabel ukuran komite audit X 3 sebesar 0.658 dengan signifikansi sebesar 0.000 dan 0.05 yang berarti bahwa model regresi tersebut signifikan. Hasil pengujian menunjukkan nilai sebesar 0.658 yang berarti bahwa setiap kenaikan 1 rupiah ukuran komite audit akan menaikkan kinerja perusahaan sebesar 0.658 dengan mengasumsikan variabel yang lain konstan. Berdasarkan hasil pengolahan data dapat diketahui bahwa seluruh variabel yang dimasukkan dalam model seperti ditunjukkan pada persamaan regresi di atas bahwa yang paling dominan yakni variabel frekuensi rapat X 2 dan ukuran komite audit X 3 memiliki Universitas Sumatera Utara pengaruh yang positif searah sehingga jika variabel ini mendukung maka diperkirakan akan menyebabkan kinerja perusahaan Y akan baik, sedangkan variabel ukuran dewan komisaris X 1 diketahui berpengaruh negatif sehingga jika variabel ini menurun maka diperkirakan akan menyebabkan kinerja perusahaan Y akan menurun pula. 4.4.4 Pengujian Hipotesis 4.4.4.1 Uji t t-tes