Statistik deskriptif Analisis regresi

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