Variabel LDAR mempunyai nilai minimum 0,01 ; nilai maksimum 0,80 ; nilai rata-ratanya adalah 0,2378 dengan deviasi standar sebesar 0,17821 dan jumlah
observasi sebanyak 54. Variabel LDER mempunyai nilai minimum 0,03 ; nilai maksimum 7,01 ; nilai
rata-ratanya adalah 0,8165 dengan deviasi standar sebesar 1,22652dan jumlah observasi sebanyak 54.
Variabel ROE mempunyai nilai minimum -745,82 ; nilai maksimum 7,60 ; nilai rata-ratanya adalah -1,4678 dengan deviasi standar sebesar 136,78489 dan jumlah
observasi sebanyak 54.
4.3. Pengujian Asumsi Klasik
Untuk menghasilkan suatu model regresi yang baik, analisis regresi memerlukan pengujian asumsi klasik sebelum melakukan pengujian hipotesis. Apabila terjadi
penyimpangan dalam pengujian asumsi klasik perlu dilakukan perbaikan terlebih dahulu.
4.3.1. Uji Normalitas
Uji data statistic dengan model Kolmogorov-Smirnov dilakukan untuk mengetahui apakah data sudah terdistribusi secara normal atau tidak. Ghozali
2005:115, memberikan pedoman pengambilan keputusan tentang data mendekati atau merupakan distribusi normal berdasarkan uji Kolmogorov-
Smirnov yang dapat dilihat dari :
Nilai sig. atau signifikan atau probabilitas 0,05, maka distribusi data adalah tidak normal.
UNIVERSITAS SUMATERA UTARA
Nilai sig. atau signifikan atau probabilitas 0,05, maka distribusi data adalah normal.
Hasil uji normalitas dengan menggunakan model Kolmogorov-Smirnov adalah seperti yang ditampilkan berikut ini :
Tabel 4.7 Hasil Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 54
Normal Parameters
a
Mean .0000000
Std. Deviation
33.45425490 Most Extreme Differences
Absolute .100
Positive .100
Negative -.087
Kolmogorov-Smirnov Z .733
Asymp. Sig. 2-tailed .657
a. Test distribution is Normal. Sumber: Output SPSS, diolah peneliti, 2012
Berdasarkan hasil uji statistik dengan model Kolmogorov-Smirnov seperti yang terdapat dalam tabel 4.7 dapat disimpulkan bahwa besarnya nilai Kolmogrov
– Smirnov sebesar 0,733 dan signifikan lebih dari 0,05 karena Asymp. Sig. 2- tailed 0,657 dari 0,05. Nilai signifikansi lebih besar dari 0,05 maka H0
diterima atau H1 ditolak yang berarti data residual telah berdistribusi normal. Dengan demikian, secara keseluruhan dapat disimpulkan bahwa nilai-nilai
observasi data telah terdistribusi secara normal dan dapat dilanjutkan dengan uji
UNIVERSITAS SUMATERA UTARA
asumsi klasik lainnya. Untuk lebih jelas, berikut ini turut dilampirkan grafik histrogram dan plot data yang terdistribusi normal.
Gambar 4.1 Histogram
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 yang ditampilkan pada Gambar 4.2
Gambar 4.2 Uji Normalitas data
UNIVERSITAS SUMATERA UTARA
Menurut Ghozali 2005 : 110, 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. Karena secara keseluruhan data telah terdistribusi secara normal, maka dapat dilakukan pengujian asumsi klasik
lainnya.
4.3.2. Uji Multikolinieritas
Uji multikolinieritas bertujuan menguji apakah pada model regresi ditemukan adanya korelasi antara variabel independen. Untuk melihat ada atau tidaknya
multikolinieritas dalam model regresi dapat dilihat dari : a. nilai tolerance dan lawannya,
b. Variance Inflatin 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
karena VIF= 1tolerance. Nilai cutoff yang umum dipakai untuk menunjukkan adanya mutikolineritas adalah nilai Tolerance 0,10 atau sama dengan VIF 10
Ghozali, 2005 : 91. Hasil dari uji multikolinieritas dapat dilihat pada tabel berikut ini :
UNIVERSITAS SUMATERA UTARA
Tabel 4.8 Hasil Uji Multikolinearitas
Model Collinearity Statistics
Tolerance VIF
1 Constant
DAR .308
3.246 DER
.101 9.947
LDAR .263
3.804 LDER
.094 10.617
a. Dependent Variable: ROE
Dari data pada tabel 4.8, dapat disimpulkan bahwa terjadi multikolinearitas pada variabel LDER karena LDER memiliki nilai tolerance 0.10 dan VIF 10,
sehingga tidak dapat dilakukan analisis dengan model regresi. Tindakan perbaikan yang dilakukan adalah mengeluarkan variabel independen yang memiliki nilai
VIF yang terbesar yaitu LDER dengan nilai VIF sebesar 10.617. Dengan demikian persamaan regresi yang dapat diterima adalah Profitabilitas = fDAR,
DER, LDAR. Setelah dilakukan uji multikolinearitas ulang diperoleh hasil sebagai berikut :
Tabel 4.9 Hasil Uji Multikolinearitas Setelah Tindakan Perbaikan
Model Collinearity Statistics
Tolerance VIF
1 Constant
DAR .348
2.872 DER
.491 2.037
UNIVERSITAS SUMATERA UTARA
LDAR .616
1.624 a. Dependent Variable: ROE
Dari data pada tabel 4.9 dapat dilihat bahwa tidak ada variabel yang memiliki nilai tolerance 0.10 dan nilai VIF 10. Dengan demikian dapat disimpulkan
bahwa dalam model regresi sudah tidak terjadi multikolinearitas antar variabel independen.
Tindakan perbaikan dengan mengeluarkan variabel LDER dari model regresi dapat mempengaruhi normalitas data. Untuk mengetahui apakah variabel residual
tetap berdistribusi normal setelah dilakukan tindakan perbaikan dengan membuang variabel LDER, maka harus dilakukan uji normalitas kembali. Adapun
hasil uji normalitas tersebut dengan menggunakan uji Kolmogorov Smirnov dapat dilihat pada tabel 4.10.
Tabel 4.10 Hasil Uji Kolmogorov Smirnov Setelah Tindakan Perbaikan
Atas Terjadinya Multikolinearitas One-Sample Kolmogorov-Smirnov Test
Unstandardiz ed Residual
N 54
Normal Parameters Mean
a,b
.0000000 Std. Deviation
63.89672232 Most Extreme
Differences Absolute
.141 Positive
.132 Negative
-.141 Kolmogorov-Smirnov Z
1.038 Asymp. Sig. 2-tailed
.232 a. Test distribution is Normal.
b. Calculated from data.
UNIVERSITAS SUMATERA UTARA
Dari hasil pengolahan data pada tabel 4.10 diperoleh besarnya nilai Kolmogorov-Smirnov adalah 1,038 dan signifikan pada 0,232. Nilai signifikansi
lebih besar dari 0.05 yang berarti data residual berdistribusi normal. Setelah data berdistribusi normal dapat dilanjutkan dengan uji asumsi klasik lainnya.
4.3.3. Uji Autokorelasi
Pengujian autokorelasi bertujuan untuk menguji apakah terdapat korelasi antara kesalahan pengganggu pada suatu periode dengan kesalahan pengganggu
periode sebelumnya dalam model regresi. Autokorelasi menunjukkan adanya korelasi antara kesalahan pengganggu pada data yang tersusun, baik berupa data
cross sectional dan atau time series. Jika terjadi autokorelasi dalam model regresi berarti koefisien korelasi yang diperoleh menjadi tidak akurat, sehingga model
regresi yang baik adalah model regresi yang bebas dari autokorelasi. Cara yang dapat dilakukan untuk mendeteksi ada tidaknya autokorelasi adalah
dengan melakukan pengujian Durbin Watson DW. Kriteria pengambilan keputusan berikut :
Tabel 4.11 Kriteria Pengambilan Keputusan
Hipotesis Nol Keputusan
Jika Tidak ada autokorelasi positif
Tidak ada autokorelasi positif Tidak ada korelasi negatif
Tidak ada korelasi negatif Tidak ada autokorelasi positif atau
negatif Tolak
No Decision Tolak
No Decision Tidak ditolak
0 dw dl dl
≤ dw ≤ du 4 – dl dw 4
4 – du ≤ dw ≤ 4 – dl
du dw 4 - du
UNIVERSITAS SUMATERA UTARA
Tabel 4.12 Hasil Uji Autokorelasi
Model R
R Square Adjusted R
Square Std. Error of
the Estimate Durbin -
Watson 1
.884 .782
a
.769 65.78570
2.405 a. Predictors: Constant, LDAR, DER, DAR
b. Dependent Variable: ROE Tabel 4.12 menunjukkan hasil uji autokorelasi variabel penelitian. Hasil uji
autokorelasi di atas menunjukkan nilai statistik Durbin Watson dw sebesar 2,405 , nilai ini akan kita bandingkan dengan nilai tabel dengan menggunakan
signifikansi 5, jumlah pengamatan 54 n, dan jumlah variabel independen 3 k=3, maka berdasarkan tabel Durbin Watson didapat nilai batas atas du
sebesar 1,6800 dan nilai batas bawah dl sebesar 1,4464. Oleh karena itu, nilai dw lebih besar dari 4 - du dan lebih kecil dari 4 – dl atau dapat dinyatakan
bahwa 4 – 1,6800 2,405 4 - 2,5531 4 - du ≤ dw ≤ 4 – dl. Dengan demikian
dapat disimpulkan bahwa tidak terdapat korelasi negatif.
4.3.4. Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk melihat apakah di dalam model regresi terjadi ketidaksamaan variabel dari residual satu pengamatan ke pengamatan yang
lain. Jika varian dari residual satu pengamatan ke pengamatan yang lain tetap maka disebut homokedastisitas, dan jika berbeda disebut heterokedastisitas.
Model regresi yang baik yaitu homokedastisitas. Pengujian dilakukaan dengan Scatter-Plot dengan menggunakan SRESID dan ZPRED pada software SPSS.
Cara mendeteksi ada tidaknya gejala heteroskedastisitas adalah dengan melihat grafik scatterplot yang dihasilkan dari pengolahan data menggunakan program
UNIVERSITAS SUMATERA UTARA
SPSS. Dasar pengambilan keputusannya menurut Ghozali 2005 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.
Gambar 4.3 Hasil Uji Heteroskedastisitas
UNIVERSITAS SUMATERA UTARA
Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara acak dengan tidak adanya pola yang jelas serta tersebar baik di atas maupun dibawah angka 0
pada sumbu Y. Hal tersebut menunjukkan bahwa tidak terjadi heteroskedastisitas, sehingga model ini layak dipakai untuk memprediksi profitabilitas perusahaan
perkebunan dan pertambangan yang terdaftar di Bursa Efek Indonesia berdasarkan masukan variabel independen yaitu Financial Leverage antara lain Debt to Total
Asset Ratio DAR, Debt to Equity Ratio DER, dan Long Term Debt to Total Asset Ratio LDAR.
4.4. Analisis Regresi
