39
Berdasarkan data dari tabel 4.1 dapat dijelaskan bahwa : 1. Nilai minimum total asset turnover adalah 0.02, nilai maksimum 0.49,
nilai rata-rata adalah 0.2101, dengan deviasi standar sebesar 0.12406 dan jumlah data yang ada sebanyak 75.
2. Nilai minimum debt to equity ratio adalah 0.05, nilai maksimum 2.20, nilai rata-rata adalah 0.8295, dengan deviasi standar sebesar 0.57821 dan
jumlah data yang ada sebanyak 75. 3. Nilai minimum debt to asset ratio adalah 0.04, nilai maksimum 0.68, nilai
rata-rata adalah 0.3908, dengan deviasi standar sebesar 0.18618 dan jumlah data yang ada sebanyak 75.
4. Nilai minimum return on asset adalah -0.11, nilai maksimum 0.14, nilai rata-rata adalah 0.0395, dengan deviasi standar sebesar 0.04541 dan
jumlah data yang ada sebanyak 75.
4.2.2 Uji Asumsi Klasik
Analisa dilakukan dengan metode analisa regresi linier berganda. Sebelum dilakukan uji hipotesis, peneliti akan melakukan uji asumsi klasik.
Pengujian ini perlu dilakukan untuk mengetahui apakah distribusi data yang digunakan dalam penelitian ini sudah normal, serta bebas dari gejala
multikolinearitas, heteroskedastisitas serta autokorelasi.
Universitas Sumatera Utara
40
4.2.2.1 Uji Normalitas
Pengujian ini dimaksudkan untuk mengetahui apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi
normal. Adapun uji normalitas dapat dilakukan dengan dua cara yaitu
analisis statistik dan grafik. a. Analisis Statistik
Untuk memastikan apakah data di sepanjang garis diagonal berdistribusi normal, maka dilakukan uji Kolmogorov-Smirnov 1
sampel KS dengan melihat data residualnya apakah berdistribusi normal atau tidak. Jika nilai signifikansinya lebih besar dari 0.05 maka
data tersebut terdistribusi normal. Jika nilai signifikansinya lebih kecil dari 0.05 maka distribusi data adalah tidak normal. Hasil uji
Kolmogorov-Smirnov dapat dilihat pada tabel 4.2
Tabel 4.2 Hasil Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 75
Normal Parameters
a,,b
Mean .0000000
Std. Deviation
.
03579929 Most Extreme
Differences Absolute
.111 Positive
.075 Negative
-.111 Kolmogorov-Smirnov Z
.960 Asymp. Sig. 2-tailed
.315
Universitas Sumatera Utara
41
a. Test distribution is Normal. b. Calculated from data.
Sumber : Diolah dari SPSS, 2012
Hasil uji Kolmogorov-Smirnov pada penelitian ini menunjukkan probabilitas sebesar 0.315. Dengan demikian, data pada penelitian ini
berdistribusi normal dan dapat digunakan untuk melakukan uji hipotesis karena 0.315 0.05.
b. Analisis Grafik
Pengujian normalitas data dengan hanya melakukan uji statistik tidak dapat diambil suatu keputusan yang konkret, sehingga kita perlu
melakukan uji normalitas data dengan menggunakan grafik agar lebih meyakinkan. Analisis grafik dapat digunakan dengan dua alat, yaitu
grafik histogram dan grafik P-P Plot. Data yang baik adalah data yang memiliki pola distribusi normal. Pada grafik histogram, data yang
mengikuti atau mendekati distribusi normal adalah distribusi data dengan bentuk lonceng. Pada grafik P-P Plot, sebuah data dikatakan
berdistibusi normal apabila titik-titik datanya tidak menceng ke kiri atau ke kanan, melainkan menyebar disekitar garis diagonal. Berikut hasil
uji normalitas dengan menggunakan grafik.
Universitas Sumatera Utara
42
Gambar 4.1 Histogram Uji Normalitas
Sumber : Diolah dari SPSS, 2012
Universitas Sumatera Utara
43
Gambar 4.2 Normal P-Plot Uji Normalitas
Sumber : Diolah dari SPSS, 2012
Dengan melihat tampilan grafik histogram, dapat dilihat bahwa gambarnya telah berbentuk lonceng dan tidak menceng ke kanan atau
ke kiri yang menunjukkan bahwa data telah berdistribusi secara normal. Pada grafik P-P Plot terlihat titik-titik menyebar di sekitar garis
diagonal dan tidak jauh dari garis diagonal. Kedua grafik tersebut menunjukkan bahwa model regresi tidak menyalahi asumsi normalitas.
Dari hasil pengujian normalitas diatas baik dari segi analisis statistik maupun analisis grafik keduanya menunjukkan hasil yang sama
Universitas Sumatera Utara
44
sehingga dapat diambil kesimpulan bahwa data yang terdapat dalam penelitian ini telah berdistribusi secara normal.
4.2.2.2 Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji terjadinya perbedaan variance residual suatu periode pengamatan ke periode yang
lain. Menurut Ghozali 2005:105 “uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan
variance dari residual satu pengamatan ke pengamatan yang lain”. Model regresi yang baik adalah tidak terjadi heterokedasitas. Cara
mendeteksi ada tidaknya gejala heterokedasitas adalah dengan melihat grafik scatterplott yang dihasilkan dari pengolahan data menggunakan
program SPSS versi 17. Dasar pengambilan keputusannya menurut
Ghozali 2005:105 adalah sebagai berikut:
a. Jika ada pola tertentu, seperti titi-titik yang ada membentuk pola tertentu yang teratur maka mengindikasikan telah terjadi
heteroskedastisitas. b. Jika tidak ada pola yang jelas, serta titik menyebar dibawah angka 0
dan y, maka tidak heteroskedastisitas.
Universitas Sumatera Utara
45
Gambar 4.3 Scatterplot Uji Heteroskedastisitas
Sumber : Diolah dari SPSS, 2012
Pada gambar 4.3 tentang grafik scatterplott diatas dapat dilihat bahwa titik-titik menyebar secara acak tidak membentuk sebuah pola
tertentu yang jelas serta tersebar baik diatas maupun dibawah angka nol pada sumbu y. Hal ini berarti tidak terjadi heteroskedastisitas pada
model regeresi sehingga model regresi penelitian ini layak dipakai untuk melihat pengaruh variabel independen terhadap variabel
dependen.
Universitas Sumatera Utara
46
4.2.2.3 Uji Autokorelasi
Uji ini bertujuan untuk melihat apakah dalam suatu model linear ada korelasi antar kesalahan pengganggu pada periode t dengan
kesalahan periode t-1sebelumnya. Model regresi yang baik adalah yang bebas dari autokorelasi. Untuk mendeteksi masalah autokorelasi
dapat dilakukan dengan menggunakan uji Durbin Watson. Pengambilan
keputusan terhadap ada tidaknya autokorelasi adalah sebagai berikut :
a. Angka D-W dibawah -2 berarti ada autokorelasi positif. b. Angka D-W diantara -2 sampai +2 berarti tidak ada autokorelasi.
c. Angka D-W diatas +2 berarti ada autokorelasi negatif.
Tabel 4.3 Hasil Uji Autokorelasi
Model Summary
b
Mode l
R R Square
Adjusted R Square
Std. Error of the Estimate
Durbin- Watson
1 .615
a
.379 .352
.03655 1.875
a. Predictors: Constant, tato, der, dar b. Dependent Variable: roa
Sumber : Diolah dari SPSS, 2012
Tabel tersebut memperlihatkan nilai statistik D-W sebesar 1.875 dimana angka tersebut terletak diantara -2 sampai +2, dari pengamatan
tersebut dapat diambil kesimpulan bahwa tidak terjadi autokorelasi dalam penelitian ini.
Universitas Sumatera Utara
47
4.2.2.4 Uji Multikolinearitas
Uji ini bertujuan untuk melihat apakah model regeresi ditemukan adanya korelasi antar variabel bebas. Model regeresi yang
baik seharusnya tidak terjadi korelasi di antara variabel bebas, karena jika hal tersebut terjadi maka varaiabel-variabel tersebut tidak ortogonal
atau terjadi kemiripan. Untuk melakukan pengujian apakah terdapat multikolinearitas atau tidak, dapat diketahui dengan menggunakan nilai
tolerance dan lawannya Variance Inflation 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. Nilai cutoff yang umum dipakai untuk menunjukkan adanya multikolinearitas adalah nilai
tolerance 0.01 atau sama dengan VIF10.
Tabel 4.4 Hasil Uji Multikolinearitas
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients T
Sig. Collinearity
Statistics B
Std. Error
Beta Tolerance
VIF 1 Constant
.012 .013
.927 .357
TATO .255
.040 .695
6.384 .000 .737
1.356 DER
.025 .024
.315 1.015 .313
.911 1.015
DAR -.118
.079 -.485
-1.491 .140 .833
2.069
Universitas Sumatera Utara
48
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients T
Sig. Collinearity
Statistics B
Std. Error
Beta Tolerance
VIF 1 Constant
.012 .013
.927 .357
TATO .255
.040 .695
6.384 .000 .737
1.356 DER
.025 .024
.315 1.015 .313
.911 1.015
DAR -.118
.079 -.485
-1.491 .140 .833
2.069 a. Dependent Variable: roa
Sumber : Diolah dari SPSS, 2012
Dari tabel diatas dapat dijelaskan bahwa : a. Total Asset Turn Over memiliki nilai VIF sebesar 1.356 atau tidak
10 dan nilai tolerance sebesar 0.737 atau tidak 0.1. Dari kedua nilai tersebut dapat disimpulkan bahwa variabel total asset turnover
bebas dari adanya multikolinearitas. b. Debt to Equity Ratio memiliki nilai VIF sebesar 1.015 atau tidak 10
dan nilai tolerance sebesar 0.911 atau tidak 0.1. Dari kedua nilai tersebut dapat disimpulkan bahwa variabel debt to equity ratio bebas
dari adanya multikolinearitas. c. Debt to Asset Ratio memiliki nilai VIF sebesar 2,069 atau tidak 10
dan nilai tolerance sebesar 0.833 atau tidak 0.1. Dari kedua nilai tersebut dapat disimpulkan bahwa variabel debt to asset ratio bebas
dari adanya multikolinearitas. Dari penjelasan diatas dapat dilihat bahwa tidak ada satupun
variabel independen yang memiliki nilai VIF10 dan tidak ada yang
Universitas Sumatera Utara
49
memiliki tolerance 0.1. Jadi dapat disimpulkan bahwa penelitian ini bebas dari adanya multikolinearitas.
4.3 Pengujian Hipotesis
4.3.1 Uji F Statistik