BAB IV ANALISIS HASIL PENELITIAN
A. Hasil Penelitian
1. Data Penelitian
Adapun yang menjadi sampel dalam penelitian ini adalah perusahaan- perusahaan yang bergerak dalam industri otomotif dan komponennya, yang
terdaftar di Bursa Efek Jakarta BEJ. Daftar nama emiten yang telah ditentukan ada sebanyak 18 sampel yang dapat dilihat pada lampiran I.
2. Statistik Deskriptif
Statistik deskriptif ini memberikan gambaran mengenai nilai minimum, nilai maksimun, nilai rata-rata serta standar deviasi data yang digunakan dalam
penelitian.
Tabel 4.1 Descriptive Statistics
N Minimum
Maximum Mean
Std. Deviation RENTABILITAS
53 -2.88
20.68 6.3763
5.89074 PERPUTARAN MODAL
KERJA 53
-102.67 623.44
24.9180 100.30293
PERPUTARAN AKTIVA OPERASI
53 .06
2.16 1.0125
.44659 Valid N listwise
53
Sumber : Output SPSS, diolah Penulis, 2008 Berdasarkan data dari tabel 4.1 dapat dijelaskan bahwa :
a variabel rentabilitas Y memiliki sampel N sebanyak 53, dengan nilai
minimum terkecil -2,88, nilai maksimum terbesar 20,68 dan mean nilai
Universitas Sumatera Utara
rata-rata 6,3763. Standar Deviation simpangan baku variabel ini adalah 5,89074,
b variabel perputaran modal kerja memiliki sampel N sebanyak 53, dengan nilai minimum terkecil -102,67, nilai maksimum terbesar 623,44 dan mean
nilai rata-rata 24,9180. Standar Deviation simpangan baku variabel ini adalah 100,30293,
c variabel perputaran aktiva operasi memiliki sampel N sebanyak 53, dengan nilai minimum terkecil 0,06, nilai maksimum terbesar 2,16 dan mean nilai
rata-rata 1,0125. Standar Deviation simpangan baku variabel ini adalah 0,44659,
d jumlah sampel yang ada sebanyak 53, setelah dikeluarkan 1 buah data oulier.
3. 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 EstimatorBLUE. Pengujian asumsi klasik dalam
penelitian ini dilakukan dengan bantuan program statistik. Menurut Ghozali 2005:123 asumsi klasik yang harus dipenuhi adalah:
• 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.
• Homoskedastisitas, artinya variance variabel independen dari satu pengamatan ke pengamatan lain adalah konstan atau sama.
Universitas Sumatera Utara
a. Uji Normalitas
Uji data statistik dengan model Kolmogorov-Smirnov dilakukan untuk mengetahui apakah data sudah terdistribusi secara normal atau tidak, dengan
membuat hipotesis sebagai berikut: H
: data residua l terdistribusi normal H
A
: data residual terdistribusi tidak normal Santoso 2002:34 memberikan pedoman pengambilan keputusan untuk
data-data yang mendekati atau telah terdistribusi secara normal. 1 Apabila nilai signifikansi atau nilai probabilitas 0,05, maka distribusi
data normal. 2 Apabila nilai signifikansi atau nilai probabilitas 0,05, mkaa distribusi
data tidak normal.
Adapun hasil uji normalitas dengan menggunakan model Kolmogorov- Smirnov adalah seperti yang ditampilkan dalam tabel 4.2 berikut ini:
Tabel 4.2 Hasil Uji Normalitas 1
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 54
Normal Parametersa,b Mean
.0000000 Std. Deviation
5.97144237 Most Extreme Differences
Absolute .098
Positive .097
Negative -.098
Kolmogorov-Smirnov Z .717
Asymp. Sig. 2-tailed .682
Sumber : Output SPSS, diolah Penulis, 2008
Universitas Sumatera Utara
Berdasarkan hasil uji statistik dengan model Kolmogorov-Smirnov seperti yang terdapat dalam tabel 4.2 dapat disimpulkan bahwa data terdistribusi normal.
Hal ini dapat dilihat dari nilai Asymp.Sig.2-tailed Kolmogorov-Smirnov adalah 0,682, karena 0,682 0,05 maka H
diterima dan data berdistribusi normal. Namun ternyata ditemukan sebuah data outlier yaitu pada observasi No.32 PT
Multistrada Arah Sarana Tbk, dapat dilihat pada tabel 4.3 berikut:
Tabel 4.3
Casewise Diagnostics
a
-3.619 -17.42
4.6054 -22.02981
Case Number 32
Std. Residual RENTABI
LITAS Predicted
Value Residual
Dependent Variable: RENTABILITAS a.
Sumber : Output SPSS, diolah Penulis, 2008 Menurut Erlina dan 2007:106, “data oulier adalah data yang secara nyata
berbeda dengan data-data yang lainnya.” Data oulier bias terjadi karena beberapa sebab yaitu:
• Kesalahan dalam pemasukan data. • Kesalahan dalam pengambilan sampel.
• Memang ada data ekstrim yang tidak bisa dihindari keberadaannya. Ada beberapa cara yang dapat digunakan untuk mengatasi data yang outlier
yaitu: • Lakukan transformasi data ke bentuk lainnya.
• Lakukan trimming, yaitu membuang data outlier. • Lakukan winsorising, yaitu mengubah nilai data yang outlier ke suatu nilai
tertentu.
Universitas Sumatera Utara
Munculnya outlier pada observasi 32 tentunya akan mengganggu estimasi koefisien regresi, yang dapat berakibat tidak tepatnya model dibutuhkan. Oleh
karena itu, penulis dalam penelitian ini melakukan cara treatment yaitu dengan melakukan trimming yaitu membuang data outlier, sehingga model akan
diestimasi berdasarkan 53 observasi. Setelah observasi No.32 dikeluarkan dan dilakukan pengolahan data,
ternyata tidak didapatkan kembali data outlier dan hasil uji statistik dengan model Kolmogorov-Smirnov yang baru adalah:
Tabel 4.4 Hasil Uji Normalitas 1
Sumber : Output SPSS, diolah Penulis, 2008 Tabel 4.4 menunjukkan bahwa hasil pengujian statistik dengan model
Kolmogorov-Smirnov menunjukkan nilai Asymp.Sig 2-tailed Kolmogorov- Smirnov lebih besar dari 0,05 0,05 yaitu sebesar 0,497 maka H
diterima dan data berdistribusi normal.
53 .0000000
5.17314555 .114
.114 -.064
.829 .497
N Mean
Std. Deviation Normal Parameters
a,b
Absolute Positive
Negative Most Extreme
Differences Kolmogorov-Smirnov Z
Asymp. Sig. 2-tailed Unstandardiz
ed Residual
Test distribution is Normal. a.
Calculated from data. b.
Universitas Sumatera Utara
Karena secara keseluruhan data telah terdistribusi secara normal, maka dapat dilakukan pengujian asumsi klasik lainnya. Untuk lebih jelas, berikut ini
ditampilkan grafik histogram dan plot data sebagai berikut:
-3 -2
-1 1
2 3
Regression Standardized Residual
2 4
6 8
10 12
Frequency
Mean = 7.56E-16 Std. Dev. = 0.981
N = 53
Dependent Variable: RENTABILITAS Histogram
Gambar 4.1 Histogram
Sumber : Output SPSS, diolah Penulis, 2008 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 sebagai berikut:
Universitas Sumatera Utara
0.0 0.2
0.4 0.6
0.8 1.0
Observed Cum Prob
0.0 0.2
0.4 0.6
0.8 1.0
E xpect
ed C um
P rob
Dependent Variable: RENTABILITAS Normal P-P Plot of Regression Standardized Residual
Gambar 4.2 Grafik Normal Plot
Sumber : Output SPSS, diolah Penulis, 2008 Menurut Ghozali 2005:112, 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 menggunakan histogram bahwa data telah terdistribusi normal.
Universitas Sumatera Utara
b. Uji Multikolinieritas
Untuk melihat ada atau tidaknya multikolinieritas dalam model regresi dapat dilihat dari:
1. nilai tolerence dan lawannya, 2. Variance Inflatin Factor VIF.
Kedua ukuran ini menunjukkan setiap variabel independen manakah yang dijelaskan oleh variabel independen lainnya. Tolerence 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, 2005:91.
Tabel 4.5 Hasil Uji Multikolinearitas
Coefficients
Model Unstandarized
Coefficients Standarized
Coefficients t
Sig. Collinearity Statistics
B Std.
Error Beta
Tolerance VIF
1 Constant Perputaran Modal Kerja
Perputaran Aktiva Operasi .034
.004 6.158
1.811 .007
1.644 0.073
.467 .019
.585 3.747
.985 .561
.000 .993
.993 1.007
1.007
a. Dependent Variable : RENTABILITAS Sumber : Output SPSS, diolah Penulis, 2008
Berdasarkan tabel 4.5 dapat disimpulkan bahwa penelitian ini bebas dari adanya multikolinieritas. Hal ini bisa dilihat dengan membandingkannya dengan
nilai Tolerence dan VIF. Masing-masing variabel bebas yang digunakan dalam penelitian ini memiliki nilai Tolerence yang lebih besar dari 0,10 yaitu 0,993.
Jika dilihat dari VIFnya, bahwa masing-masing variabel bebas lebih kecil dari 10 yaitu sebesar 1,007. Dengan demikian dapat disimpulkan bahwa tidak terjadi
gejala multikolinieritas dalam variabel bebasnya.
Universitas Sumatera Utara
c. 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 pada buku
stastistik relevan. Namun secara umum dapat diambil patokan sebagai berikut: • Angka D-W dibawah –2 berarti ada autokorelasi positif
• Angka D-W di antara -2 sampai +2, berarti tidak ada autokorelasi • Angka D-Wdi atas +2 berarti ada autokorelasi negatif.
Santoso, 2002:219
Tabel 4.6 Hasil Uji Autokorelasi
Model Summary
b
.478
a
.229 .198
5.27559 .996
Model 1
R R Square
Adjusted R Square
Std. Error of the Estimate
Durbin- Watson
Predictors: Constant, PERPUTARAN AKTIVA OPERASI, MODAL KERJA a.
Dependent Variable: RENTABILITAS b.
Sumber : Output SPSS, diolah Penulis, 2008 Tabel 4.6 menunjukkan hasil autokorelasi variabel penelitian. Berdasarkan
hasil pengujiannya dapat bahwa tidak terjadi autokorelasi antar kesalahan pengganggu antar periode. Hal ini dilihat dari nilai Durbin-Watson D-W
sebesar 0,996. Angka tersebut berada diantara -2 dan 2, artinya bahwa angka DW lebih besar dari -2 dan lebih kecil dari 2 -2 0,996 2. Jadi dapat disimpulkan
bahwa tidak ada autokorelasi positif maupun negatif.
Universitas Sumatera Utara
d. Uji Heteroskedastisitas
Ghozali 2005:105 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 2005:105
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.
Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi gejala heteroskedastisitas atau tidak dengan cara mengamati penyebaran titik-titik
pada grafik.
Universitas Sumatera Utara
-4 -2
2 4
Regression Standardized Predicted Value
-3 -2
-1 1
2 3
R egressi
on S tudent
iz ed R
esi dual
Dependent Variable: RENTABILITAS Scatterplot
Gambar 4.3 Hasil Uji Heteroskedastisitas
Sumber : Output SPSS, diolah Penulis, 2008 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. Dengan demikian, dapat disimpulkan bahwa tidak terjadi
heteroskedastisitas sehingga model ini layak dipakai untuk memprediksi rentabilitas industri otomotif dan komponennya yang terdaftar di Bursa Efek
Jakarta berdasarkan masukan variabel independen yaitu modal kerja dan perputaran aktiva operasi.
Universitas Sumatera Utara
4. 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 adalah sebagai
berikut: Tabel 4.7
Coefficients
Model Unstandarized
Coefficients Standarized
Coefficients t
Sig. Collinearity Statistics
B Std.
Error Beta
Tolerance VIF
1 Constant Perputaran Modal Kerja
Perputaran Aktiva Operasi .034
.004 6.158
1.811 .007
1.644 0.073
.467 .019
.585 3.747
.985 .561
.000 .993
.993 1.007
1.007
a. Dependent Variable : RENTABILITAS Sumber : Output SPSS, diolah Penulis, 2008
Berdasarkan tabel koefisien regresi di atas, pada kolom Unstandardized Coefficients bagian B diperoleh model persamaan regresi linier berganda sebagai
berikut:
Y= 0,034 + 0,004 X
1
+ 6,158 X
2
+ e
Dimana: Y = Rentabilitas
X
1
= Perputaran Modal Kerja X
2
= Perputaran Aktiva Operasi e = Tingkat kesalahan pengganggu
Universitas Sumatera Utara
Pada Unstandardized Coefficients, diperoleh nilai a, b
1
, b
2
dan b
3
sebagai berikut:
• Nilai B Constant a = 0,034=konstanta Nilai konstanta ini menunjukkan bahwa apabila tidak ada nilai variabel
bebas yaitu WCT dan OAT, maka perubahan nilai rentabilitas yang dilihat dari nilai Y tetap sebesar 0,034.
• Nilai b
1
= 0,004 = perputaran modal kerja yang diproksikan dalam WCT Koefisisen regresi ini menunjukkan bahwa setiap kenaikan WCT sebesar 1
satuan, maka perubahan rentabilitas yang dilihat dari nilai Y akan bertambah sebesar 0,004 dengan asumsi variabel lain dianggap tetap X
1
dan X
2
= 0 atau cateris paribus.
• Nilai b
2
= 6,158 = perputaran aktiva operasi ysng diproksikan dalam OAT Koefisisen regresi ini menunjukkan bahwa setiap kenaikan WCT sebesar 1
satuan, maka perubahan rentabilitas yang dilihat dari nilai Y akan bertambah sebesar 6,158 dengan asumsi variabel lain dianggap tetap X
1
dan X
2
= 0 atau cateris paribus.
5. Pengujian Hipotesis