Variabel LDAR memiliki nilai minimum 0.28306 dan maksimum 42.06728 dengan rata-rata LDAR sebesar 11.7178416 dengan jumlah
sampel sebanyak 57 perusahaan. Variabel LDER memiliki nilai minimum 0.94030 dan maksimum
131.70494 dengan rata-rata LDER sebesar 35.2274453 dengan jumlah sampel sebanyak 57 perusahaan.
2. Uji Asumsi Klasik a. Uji Multikolinearitas
Dalam penelitian ini, untuk mendeteksi ada tidaknya gejala multikolineritas adalah dengan melihat besaran korelasi antar variabel independen
dan besarnya tingkat koloneritas yang masih dapat ditolerir, yaitu: Tol 0.10 dan Variance Inflation Factor VIF 10. Berikut disajikan tabel hasil pengujian:
Tabel 4.7
Coefficients
a
18.297 4.881
3.749 .000
-.270 .159
-.581 -1.692
.097 .145
6.899 .057
.030 .698
1.878 .066
.124 8.072
.107 .443
.157 .242
.810 .041
24.618 -.072
.142 -.338
-.508 .614
.039 25.863
Constant DAR
DER LDAR
LDER Model
1 B
Std. Error Unstandardized
Coefficients Beta
Standardized Coefficients
t Sig.
Tolerance VIF
Collinearity Statistics
Dependent Variable: ROE a.
Sumber: Hasil Olahan Penulis dengan SPSS, 2010
Tabel 4.8
Universitas Sumatera Utara
Coefficient Correlations
a
1.000 -.521
.292 -.976
-.521 1.000
-.892 .548
.292 -.892
1.000 -.354
-.976 .548
-.354 1.000
.020 -.002
.007 -.061
-.002 .001
-.004 .007
.007 -.004
.025 -.025
-.061 .007
-.025 .197
LDER DER
DAR LDAR
LDER DER
DAR LDAR
Correlations
Covariances Model
1 LDER
DER DAR
LDAR
Dependent Variable: ROE a.
Sumber: Hasil Olahan Penulis dengan SPSS, 2010
Melihat hasil besaran korelasi antar variabel independen tampak bahwa terdapat variabel yang mengalami multikolinearitas dimana dapat dilihat bahwa
ada variabel yang memiliki angka korelasi 95 Hasil perhitungan nilai Tolerance juga menunjukkan bahwa tidak semua
variabel independen memiliki nilai Tolerance 0.10 yaitu 0.041 dan 0.039 yang berarti ada korelasi antar variabel independen yang nilainya lebih dari 95. Hasil
perhitungan VIF juga menunjukkan hal yang sama dimana ada variabel independen memiliki nilai VIF 10 yaitu sebesar 24.618 dan 25.863 Jadi dapat
disimpulkan bahwa terjadi multikolineritas antar variabel independen dalam model ini.
Perbaikan pada data penelitian ini untuk menghilangkan gejala multikolineritas adalah dengan mengeluarkan variabel yang memiliki nilai VIF
yang tertinggi, yaitu variabel LDER dengan nilai VIF sebesar 25.863. Berikut disajikan tabel untuk melihat multikolineritas setelah variabel LDER dikeluarkan.
Universitas Sumatera Utara
Tabel 4.9
Coefficientsa
a Dependent Variable: ROE
Sumber: Hasil Olahan Penulis dengan SPSS, 2010
Tabel 4.10
Coefficient Correlationsa
Model LDAR
DER DAR
1 Correlations
LDAR 1.000
.209 -.330
DER .209
1.000 -.906
DAR -.330
-.906 1.000
Covariances LDAR
.009 .001
-.005 DER
.001 .001
-.004 DAR
-.005 -.004
.023 a Dependent Variable: ROE
Sumber: Hasil Olahan Penulis dengan SPSS, 2010
Melihat hasil besaran korelasi antar variabel independen tampak bahwa tidak ada variabel yang saling mempunyai korelasi diatas 95. Oleh karena itu,
maka dalam model ini dapat dikatakan tidak terjadi multikolineritas. Hasil perhitungan nilai Tolerance juga menunjukkan tidak ada variabel
independen yang memiliki nilai Tolerance kurang dari 0.10 yang berarti tidak ada korelasi antar variabel independen yang nilainya lebih dari 95. Hasil
perhitungan VIF juga menunjukkan hal yang sama dimana tidak ada satu variabel independen yang memiliki nilai VIF lebih dari 10. Jadi dapat disimpulkan bahwa
tidak ada multikolineritas antar variabel independen dalam model regresi ini.
Model Unstandardized Coefficients
Standardized Coefficients
Collinearity Statistics B
Std. Error Beta
t Sig.
Tolerance VIF
1 Constant
18.375 4.844
3.793 .000
DAR -.246
.151 -.530
-1.625 .110
.158 6.310
DER .049
.026 .599
1.904 .062
.170 5.878
LDAR -.112
.097 -.164
-1.163 .250
.845 1.183
Universitas Sumatera Utara
b. Uji Autokorelasi
Uji Autokorelasi digunakan untuk menguji apakah dalam sebuah model regresi linier terdapat korelasi antara kesalahan pengganggu pada periode t dengan
kesalahan pada periode t-1 sebelumnya. Untuk menguji Autokorelasi dapat dilihat dari nilai Durbin Waston DW, yaitu jika nilai DW terletak antara du dan
4 – dU atau du ≤ DW ≤ 4 – dU, berarti bebas dari Autokorelasi. Jika nilai DW
lebih kecil dari dL atau DW lebih besar dari 4 – dL berarti terdapat Autokorelasi. Nilai dL dan dU dapat dilihat pada tabel Durbin Waston, yaitu nilai
dL ; dU = α ; n ; k – 1. Keterangan : n adalah jumlah sampel, k adalah jumlah
variabel, dan α adalah taraf signifikan. Nilai DW dapat dilihat pada tabel berikut.
Tabel 4.11
Model Summaryb
Model R
R Square Adjusted R
Square Std. Error of
the Estimate Durbin-
Watson 1
.326a .106
.055 7.85246965
2.124 a Predictors: Constant, LDAR, DER, DAR
b Dependent Variable: ROE
Sumber: Hasil Olahan Penulis dengan SPSS, 2010
Nilai tabel Durbin Watson pada α = 5; n = 57; k – 1 = 4 adalah dL =
1,41 dan dU = 1,72. Hasil pengolahan data menunjukkan nilai Durbin Watson sebesar 2.124 dan nilai tersebut berada di antara dU dan 4 – dU atau 2.124 lebih
besar dari 1,72 dan 2.124 lebih kecil dari 2,28 maka dapat disimpulkan bahwa dalam model regresi linier tersebut tidak terdapat autokorelasi atau tidak terjadi
korelasi di antara kesalahan penggangu.
Universitas Sumatera Utara
c. Uji Heterokedastisitas
Dalam penelitian ini, untuk mendeteksi ada tidaknya gejala heterokedastisitas adalah dengan melihat plot grafik yang dihasilkan dari
pengolahan data menggunakan program SPSS. Dasar pengambilan keputusannya adalah:
Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur bergelombang, melebar kemudian menyempit, maka
mengindikasikan telah terjadi heterokedastisitas. Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di
bawah angka 0 pada sumbu Y, maka tidak terjadi heterokedastisitas. Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah
terjadi heterokedastisitas atau terjadi homokedastisitas dengan mengamati penyebaran titik-titik pada gambar.
Grafik 4.1 Scatterplot
Dependent Variable: ROE
Universitas Sumatera Utara
Sumber: Hasil Olahan Penulis dengan SPSS, 2010
Dari grafik scatterplots terlihat bahwa titik-titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y. Hal ini dapat
disimpulkan bahwa tidak terjadi heterokedastisitas pada model regresi ini sehingga model ini layak digunakan untuk memprediksi rentabilitas modal sendiri
pada perusahaan perdagangan yang terdaftar di Bursa Efek Indonesia berdasarkan masukan variabel independen yaitu rasio total hutang terhadap aktiva, rasio total
hutang terhadap ekuitas, rasio hutang jangka panjang terhadap aktiva dan rasio hutang jangka panjang terhadap ekuitas.
d.Uji Normalitas
Pengujian normalitas data dalam penelitian ini menggunakan uji statistik non parametrik Kolmogorov-Smirnov K-S dengan membuat hipotesis:
H : Data residual berdistribusi normal
H
a
: Data residual tidak berdistribusi normal
Universitas Sumatera Utara
Apabila nilai signifikansinya lebih besar atau sama dengan 0,05 maka H diterima, sedangkan jika nilai signifikansinya lebih kecil dari 0,05 maka H
ditolak.
Tabel 4.12 Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardize d Residual
N 57
Normal Parametersa,b Mean
.0000000 Std. Deviation
7.63924059 Most Extreme
Differences Absolute
.077 Positive
.077 Negative
-.046 Kolmogorov-Smirnov Z
.579 Asymp. Sig. 2-tailed
.891 a Test distribution is Normal.
b Calculated from data.
Sumber: Hasil Olahan Penulis dengan SPSS, 2010
Dari hasil pengolahan data tersebut, diperoleh bahwa nilai signifikansi Kolmogorov – Smirnov dari data residual dalam penelitian ini lebih besar dari
0,05 yaitu 0.891. Hal ini berarti H diterima yang berarti data residual
berdistribusi normal. Untuk lebih jelas, berikut ini turut dilampirkan grafik histogram dan plot data yang terdistribusi normal.
Grafik 4.2 Histogram
Dependent Variable: ROE
Universitas Sumatera Utara
Sumber: Hasil Olahan Penulis dengan SPSS, 2010
Grafik 4.3 Normal P-P Plot of Regression Standardized Residual
Dependent Variable: ROE
Universitas Sumatera Utara
Sumber: Hasil Olahan Penulis dengan SPSS, 2010
Dengan cara membandingkan antara data observasi dengan distribusi yang mendekati distribusi normal, dari grafik di atas dapat disimpulkan bahwa
distribusi data normal karena grafik histogram menunjukkan distribusi data mengikuti garis diagonal yang tidak menceng skewness ke kiri maupun ke
kanan atau normal. Demikian pula dengan hasil uji normalitas dengan menggunakan grafik
plot. Pada grafik normal plot, terlihat titik-titik menyebar di sekitar garis diagonal serta penyebarannya agak mendekati dengan garis diagonal sehingga dapat
disimpulkan bahwa data dalam model regresi terdistribusi secara normal.
3. Analisis Regresi