BAB IV HASIL PENELITIAN DAN PEMBAHASAN
4.1 Data Penelitian
Populasi yang diteliti dalam penelitian ini adalah perusahaan farmasi yang terdaftar di Bursa Efek Indonesia selama tahun 2007- 2011. Perusahaan yang
dijadikan sampel berjumlah 9 perusahaan, sehingga data penelitian secara keseluruhan berjumlah 45 5 x 9 sampel. Daftar perusahaan yang telah ditentukan
dapat dilihat pada lampiran.
4.2 Analisis Hasil Penelitian
4.2.1 Statistik deskriptif
Statistik deskriptif dalam penelitian ini hanya mendeskripsikan sampel, dan tidak membuat kesimpulan yang berlaku untuk populasi dimana sampel
diambil. Menurut Ghazali 2006 : 78, “statistik deskriptif memberikan gambaran atau deskripsi suatu data yang dapat dilihat dari rata-rata mean,
standar deviasi, varian, maksimum, minimum, sum, range, dan kemencengan distribusi”. Statistik deskriptif akan dijelaskan dalam tabel berikut ini.
Tabel 4.1
Descriptive Statistics
N Minimum
Maximum Mean
Std. Deviation WCT
45 -20.45
7.98 1.7072
5.20405 CR
45 .41
48.30 4.4295
7.09311 ROI
45 .00
.41 .1288
.11261 Valid N listwise
45
Sumber : Output SPSS, diolah Penulis, 2012
Universitas Sumatera Utara
Berdasarkan data dari tabel 4.1 dapat dijelaskan bahwa : a Variabel perputaran modal kerja X
1
memiliki sampel N sebanyak 45, dengan nilai minimum terkecil -20.45, nilai maksimum terbesar 7.98
dan mean nilai rata-rata 1,7072. Standar Deviation simpangan baku variabel ini adalah 5,20405,
b Variabel likuiditas X
2
memiliki sampel N sebanyak 45, dengan nilai minimum terkecil 0,41, nilai maksimum terbesar 48,30 dan mean nilai
rata-rata 4,4295. Standar Deviation simpangan baku variabel ini adalah 7,09311,
c Variabel profitabilitas Y memiliki sampel N sebanyak 45, dengan nilai minimum terkecil 0,00, nilai maksimum terbesar 0,41 dan mean nilai
rata-rata 0,1288. Standar Deviation simpangan baku variabel ini adalah 0,11261,
d Jumlah sampel yang ada sebanyak 45.
4.2.2 Uji asumsi klasik
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 Estimator. Best artinya yang terbaik, dalam arti garis regresi
merupakan estimasi atau ramalan yang baik dari suatu sebaran data. Garis regresi merupakan cara memahami pola hubungan antara dua seri data atau
lebih. Garis regresi adalah best jika garis itu menghasilkan error yang
Universitas Sumatera Utara
terkecil. Error itu sendiri adalah perbedaan antara nilai observasi dan nilai yang diramalkan oleh garis regresi. Jika best disertai sifat unbiased, maka
estimator regresi disebut efisien. Estimator regresi akan disebut linear apabila, estimator itu merupakan fungsi linear dari sampel. Pengujian asumsi
klasik dalam penelitian ini dilakukan dengan bantuan program statistik. Menurut Ghazali 2006: 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.
• Non-Heterokedastisitas, artinya variance variabel independen dari satu pengamatan ke pengamatan lain adalah konstan atau sama.
4.2.2.1 Uji normalitas
Uji data statistik dengan model Kolmogorov-Smirnov dilakukan untuk mengetahui apakah data sudah terdistribusi secara normal atau tidak.
Ghazali 2006: 115, memberikan pedoman pengambilan keputusan rentang data mendekati atau merupakan distribusi normal berdasarkan uji
Kolmogorov Smirnov yang dapat dilihat dari:
a
nilai sig. atau signifikan atau probabilitas 0,05, maka distribusi data adalah tidak normal,
b
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.
Universitas Sumatera Utara
Tabel 4.2 Hasil Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 40
Normal Parameters
a,,b
Mean .0000000
Std. Deviation .03861796
Most Extreme Differences Absolute .112
Positive .066
Negative -.112
Kolmogorov-Smirnov Z .708
Asymp. Sig. 2-tailed .697
a. Test distribution is Normal. b. Calculated from data.
Sumber : Output SPSS, diolah Penulis, 2012 Tabel 4.2 menunjukkan bahwa hasil pengujian statistik dengan
model Kolmogorov-Smirnov telah terdistribusi normal karena nilai Asymp.Sig 2-tailed Kolmogorov-Smirnov 0,697 lebih besar dari 0,05.
Berikut ini ditampilkan hasil uji normalitas dengan menggunakan grafik Histogram dan Plot.
Universitas Sumatera Utara
Gambar 4.1 Uji Normalitas Data
Sumber : Output SPSS, diolah Penulis, 2012
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. Hasil penelitian ini juga
didukung hasil uji normalitas dengan menggunakan grafik plot pada Gambar 4.2
Universitas Sumatera Utara
Gambar 4.2 Uji Normalitas Data
Sumber : Output SPSS, diolah Penulis, 2012
Menurut Ghazali 2006: 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. Secara keseluruhan data telah terdistribusi secara
normal.
Universitas Sumatera Utara
Namun,untuk hasil olah data selanjutnya tidak menunjukkan hal yang sama dengan uji normalitas, karena hasil pada uji normalitas tidak
berlaku pada pengujian asumsi klasik yang lainnya. Apabila menggunakan data sebelumnya, hasil pengolahan data yang ada tidak
akan lulus uji multikolinieritas, uji heteroskedastisitas dan uji autokorelasi. Maka, peneliti melakukan transformasi data ke model logaritma natural
Ln. Transformasi data ke dalam bentuk logaritma natural menyebabkan data yang bernilai negatif tidak dapat ditransformasi sehingga
menghasilkan missing values. Setiap data yang terdapat missing values akan dihilangkan dan diperoleh jumlah sampel yang valid menjadi 40
pengamatan.
4.2.2.2 Uji multikolinieritas
Ada atau tidaknya multikolinieritas dalam model regresi, dapat dilihat dari nilai tolerance dan lawannya.nilai 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 cut off yang umum dipakai untuk menunjukkan adanya mutikolineritas adalah nilai Tolerance 0,10
atau sama dengan VIF 10 Ghazali, 2006: 91.
Universitas Sumatera Utara
Tabel 4.3 Hasil Uji Multikolinearitas
Coefficients
a
Model Collinearity Statistics
Tolerance VIF
1 LN_CR
.429 2.329
LN_WCT .429
2.329 a. Dependent Variable: LN_ROI
Sumber : Output SPSS, diolah Penulis, 2012 Berdasarkan tabel 4.3, dapat disimpulkan bahwa penelitian ini
bebas dari adanya multikolinieritas. Hasil pengujian tersebut dapat dilihat dengan membandingkannya nilai Tolerance atau VIF. Masing-masing
variabel independen yang digunakan dalam penelitian ini memiliki nilai Tolerance yang lebih besar dari 0,10 yaitu 0,429. Jika dilihat dari VIFnya,
masing-masing variabel bebas lebih kecil dari 10 yaitu sebesar 2,329. Dengan demikian dapat disimpulkan, bahwa tidak terjadi gejala
multikolinieritas dalam variabel bebasnya.
4.2.2.3 Uji heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk melihat apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu
pengamatan ke pengamatan lain. Jika variance dari satu pengamatan ke pengamatan lain tetap, maka disebut homoskedastisitas dan jika berbeda
Universitas Sumatera Utara
disebut heteroskedastisitas” Model regresi yang baik adalah tidak terjadi heteroskedastisitas Ghazali,2006: 105.
Pendeteksian gejala heteroskedastisitas adalah dengan melihat grafik scatterplot yang dihasilkan dari pengolahan data menggunakan
program SPSS. Dasar pengambilan keputusannya menurut Ghazali 2006:
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
Gambar 4.3 Hasil Uji Heteroskedastisitas
Dari grafik scatterplot terlihat, bahwa titik-titik menyebar cukup baik diatas maupun di bawah angka 0 pada sumbu Y, hal ini dapat
menyimpulkan tidak terjadi heteroskedastisitas pada model regresi. Dengan demikian, model ini layak dipakai untuk memprediksi
profitabilitas pada perusahaan industri farmasi yang terdaftar di bursa efek indonesia berdasarkan masukan variabel independen perputaran modal
kerja dan current ratio.
4.2.2.4 Uji autokorelasi
Uji ini bertujuan untuk melihat apakah dalam suatu model regresi linear ada korelasi antar kesalahan pengganggu pada periode t dengan
Universitas Sumatera Utara
kesalahan pada periode t-1 atau sebelumnya. Autokorelasi muncul karena observasi yang bertujuan sepanjang tahun satu dengan lainnya. Hal ini
sering ditemukan pada time series. Pada data crossection, masalah autokorelasi relatif tidak sejati. Uji yang digunakan dalam penelitian ini
untuk mendeteksi ada atau tidaknya autokorelasi dapat dilihat dengan menggunakan uji Durbin-Watson.
Uji Durbin-Watson DW Uji Durbin-Watson hanya digunakan untuk autokorelasi tingkat
satu first autocorection dan mensyaratkan adanya intercept konstanta dalam model regersi dan tidak ada variabel lagi diantara variabel
dependen. Kriteria untuk penilaian terjadinya autokorelasi yaitu: 1
angka D-W di bawah -2 berarti ada autokorelasi positif, 2
angka D-W di antara -2 sampai +2 berarti tidak ada autokorelasi, 3
angka D-W di atas +2 berarti ada autokorelasi negatif.
Tabel 4.4 Hasil Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of
the Estimate Durbin-Watson 1
.713
a
.508 .482
.84171 2.042
a. Predictors: Constant, LN_WCT, LN_CR b. Dependent Variable: LN_ROI
Sumber : Output SPSS, diolah Penulis, 2012 Tabel 4.4 menunjukkan hasil uji autokorelasi variabel penelitian.
Berdasarkan hasil pengujiannya, dapat dilihat bahwa tidak terjadi
Universitas Sumatera Utara
autokorelasi antar kesalahan pengganggu antar periode yang ditunjukkan dari nilai Durbin-Watson D-W sebesar 2,042. Angka D-W berada
diantara -2 dan 2, yang mengartikan bahwa angka DW lebih besar dari -2 dan mendekati 2 sehingga dapat disimpulkan bahwa tidak ada autokorelasi
positif maupun negatif.
4.2.3 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 dapat dilihat pada tabel 4.5.
Tabel 4.5 Hasil Analisis Regresi
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Correlations
B Std. Error
Beta Zero-order
Partial Part
1Constant -4.173
.611 -6.827
.000 LN_WCT
.104 .265
.069 .394
.696 -.508
.065 .045
LN_CR 1.303
.300 .764
4.343 .000
.712 .581
.501 a. Dependent Variable: LN_ROI
Sumber : Output SPSS, diolah Penulis, 2012 Berdasarkan tabel 4.5 pada kolom Unstandardized Coefficients bagian B
diperoleh model persamaan regresi linier berganda yaitu:
Universitas Sumatera Utara
Y= -4,173 + 0,104 X
1
+1,303 X
2
+ e
dimana: Y
= Profitabilitas X
1
= Perputaran Modal Kerja Working Capital Turnover X
2
= Likuiditas current ratio e
= Tingkat kesalahan pengganggu Penjelasan dari nilai a, b
1
, b
2
dan b
3
pada Unstandardized Coefficients tersebut dapat dijelaskan dibawah ini.
• Nilai B Constant a = -4,173 = konstanta, nilai konstanta ini menunjukkan bahwa apabila tidak ada nilai variabel bebas
yaitu perputaran modal kerja dan likuiditas, maka perubahan nilai profitabilitas dilihat dari nilai Y tetap sebesar -4,173.
• Nilai b
1
= 0,104 = perputaran modal kerja, koefisisen regresi ini menunjukkan bahwa setiap kenaikan perputaran modal
kerja sebesar 1 satuan, maka perubahan profitabilitas yang dilihat dari nilai Y
akan bertambah sebesar 0,144 dengan asumsi variabel lain dianggap tetap.
• Nilai b
2
= 1,303 = perputaran modal kerja, koefisisen regresi ini menunjukkan bahwa setiap kenaikan likuiditas sebesar 1
satuan, maka perubahan profitabilitas yang dilihat dari nilai Y akan bertambah sebesar 1,303 dengan asumsi variabel lain dianggap tetap.
Universitas Sumatera Utara
4.2.4. Pengujian hipotesis 4.2.4.1 Uji signifikansi parsial