B. Analisis Statistik
Pada penelitian ini, variabel bebas yang digunakan mengalami perubahan dimana salah satu variabel bebas yakni Debt to Equity Ratio DER dihilangkan
sebagai variabel bebas akibat adanya multikolinieritas diantara variabel bebas. Untuk lebih jelasnya dapat dilihat pada Lampiran 2.
Pada tahap ini sebelum data dianalisis, sebuah model regresi berganda harus memenuhi syarat normalitas dan asumsi klasik, yakni:
1. Pengujian Normalitas
Uji ini digunakan untuk mengetahui apakah distribusi sebuah data mengikuti atau mendekati distribusi normal Situmorang dkk, 2010:91.
Gambar 4.1 Gambar 4.2
Sumber : Hasil Olahan SPSS, 20 Januari 2011. Sumber: Hasil Olahan SPSS, 20 Januari 2011.
Guna mendapatkan tingkat uji Normalitas yang lebih signifikan maka dalam penelitian ini menggunakan uji statistic non-parametric Kolmogorov-
Smirnov Uji K-S. Pada Tabel 4.5 di bawah ini diperoleh nilai Asymp-sig 2-
tailed taraf nyata α atau 0,362 0,05. Hal ini berarti data berdistribusi
normal.
Tabel 4.5 Uji Kolmogorov-Smirnov
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 56
Normal Parameters
a,b
Mean .0000000
Std. Deviation 14.29908250
Most Extreme Differences Absolute
.123 Positive
.123 Negative
-.093 Kolmogorov-Smirnov Z
.923 Asymp. Sig. 2-tailed
.362 a. Test distribution is Normal.
b. Calculated from data.
Sumber: Hasil Olahan SPSS, 20 Januari 2011.
2. Pengujian Asumsi Klasik
a. Uji Multikolinieritas
Uji multikolinieritas dilakukan untuk melihat ada tidaknya hubungan linier diantara variabel bebas dalam model regresi . Tabel 4.6 menunjukkan
tidak adanya gejala multikolinieritas, di mana hasil uji VIF Variance Inflation Factor menunjukkan nilai kurang dari lima VIF 5.
Tabel 4.6 Pengujian Multikolinieritas
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity Statistics
B Std. Error
Beta Tolerance
VIF 1
Constant 15.904
3.431 4.636
.000 DAR
.172 .161
.176 1.070
.289 .377
2.652 LTDER
-.184 .038
-.806 -4.891 .000
.377 2.652
a. Dependent Variable: ROE
Sumber: Hasil Olahan SPSS, 20 Januari 2011.
b. Uji Heteroskedastisitas
Asumsi heteroskedastisitas adalah asumsi dalam regresi dimana varians dari residual tidak sama dari satu pengamatan ke pengamatan lainnya. Uji
untuk mengatasi heteroskedastisitas ini adalah dengan melihat penyebaran dari varians residual pada diagram pancar Scatter plot.
Gambar 4.3 Sumber: Hasil Olahan SPSS, 20 Januari 2011.
Pada Gambar 4.3 terlihat bahwa penyebaran residual tidak teratur, plot berpencar, dan tidak membentuk pola tertentu. Dari hasl tersebut dapat
disimpulkan bahwa tidak terjadi gejala heteroskedastisitas. Guna memperoleh hasil uji heteroskedastisitas yang lebih signifikan maka dalam
penelitian ini digunakan juga uji Glejser. Pada Tabel 4.8 di bawah ini diperoleh nilai signifikansi variabel independen lebih besar dari taraf nyata
α 5. Dengan demikian dapat disimpulkan bahwa tidak terjadi heteroskedastisitas atau persamaan tersebut memenuhi asumsi
heteroskedastisitas.
Tabel 4.7 Uji Glejser
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error
Beta 1
Constant 10.590
2.221 4.768
.000 DAR
-.053 .104
-.112 -.511
.611 LTDER
.029 .024
.259 1.180
.243 a. Dependent Variable: absut
Sumber: Hasil Olahan SPSS, 20 Januari 2011.
c. Uji Autokorelasi.
Uji autokorelasi dilakukan untuk menguji apakah pada model regresi terdapat korelasi kesahan pengganggu periode t dan kesalahan pengganggu
pada periode sebelumnya periode t
-1
. Gejala autokorelasi dideteksi dengan uji Run Test. Hasil uji autokorelasi menunjukkan bahwa nilai
Asymp.Sig 2-tailed adalah 0,106 dan di atas nilai signifikansi 0,05, dengan kata lain tidak terjadi gejala autokorelasi.
Tabel 4.8 Uji Autokorelasi Run Test
Runs Test
Unstandardized Residual Test Value
a
-2.47631 Cases Test Value
28 Cases = Test Value
28 Total Cases
56 Number of Runs
23 Z
-1.618 Asymp. Sig. 2-tailed
.106 a. Median
Sumber: Hasil Olahan SPSS, 20 Januari 2011.
d. Pengujian Kelayakan Model Goodness of Fit
Tabel 4.9 menunjukkan nilai Adjusted R Square pada Sektor Industri Barang Konsumsi yakni sebesar 0.436 artinya 43.6 variabel Return on
Equity ROE dapat dijelaskan oleh DAR dan LTDER . Sisanya 56.4 dijelaskan faktor lainnya di luar model.
Tabel 4.9 Pengujian Goodness of Fit
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .676
a
.457 .436
14.56638 1.637
a. Predictors: Constant, LTDER, DAR b. Dependent Variable: ROE
Sumber: Hasil Olahan SPSS, 20 Januari 2011.
3. Analisis Regresi Linear Berganda Hasil estimasi regresi dari pengolahan data setelah diperoleh hasil yang
ditunjukkan pada Tabel 4.10 berikut:
Tabel 4.10 Analisis Regresi Linear Berganda
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity Statistics
B Std. Error
Beta Tolerance
VIF 1
Constant 15.904
3.431 4.636
.000 DAR
.172 .161
.176 1.070
.289 .377
2.652 LTDER
-.184 .038
-.806 -4.891 .000
.377 2.652
a. Dependent Variable: ROE
Sumber: Hasil Olahan SPSS, 20 Januari 2011.
Model persamaan regresi pada Sektor Industri Barang Konsumsi dalam
penelitian ini adalah sebagai berikut: Y = 15.904 + 0.172 X
1
– 0.184 X
2
+ e
Keterangan: Y : Return on Equity X
1
: Debt to Asset Ratio DAR X
2
: Long Term Debt to Equity Ratio LTDER
e : Standar error a.
Konstanta sebesar 15.904 menyatakan bahwa jika variabel independent dianggap konstan, maka Return on Equity ROE adalah sebesar 15.904
persen. b.
Koefisien regresi DAR sebesar 0.172 menyatakan bahwa setiap peningkatan satu satuan rasio DAR akan meningkatkan Return on Equity
ROE sebesar 0.172 satuan. c.
Koefisien regresi LTDER sebesar -0.184 menyatakan bahwa setiap peningkatan satu satuan raio LTDER akan menurunkan Return on Equity
ROE sebesar 0.184 satuan.
C. Pengujian Hipotesis