BAB IV HASIL ANALISI DAN PEMBAHASAN
4.1 Hasil Penelitian
4.1.1 Data Penelitian
Objek penelitian ini adalah perusahaan sektor pertambangan yang terdaftar di Bursa Efek Indonesia. Setelah dilakukan pemilihan sample
dengan teknik purposive sampling diperoleh 18 perusahaan dari 36 perusahaan- perusahaan sektor pertambangan yang terdaftar di Bursa Efek
Indonesia dengan time series selama 5 tahun pengamatan pada periode 2008 – 2012.
Universitas Sumatera Utara
Metode analisis data yang digunakan dalam penelitian ini adalah metode analisis statistik yang menggunakan persamaan regresi berganda.
Statistik deskriptif digunakan untuk menunjukkan nilai maksimum, nilai minimum, nilai rata-rata serta standar deviasi dari variabel independen dan
variabel dependen.
Tabel 4.1 Statistik Deskriptif
Descriptive Statistics
N Minimum
Maximum Mean
Std. Deviation LDER
60 .005
9.177 .80285
1.347410 ROA
60 -.168
.460 .10512
.123065 ROE
60 -1.400
.685 .15395
.307674 Valid N
listwise 60
Sumber : Output SPSS, 2013
Pada table 4.1 di atas menunjukkan bahwa variabel LDER memiliki nilai minimum dan maksimum positif, sedangkan pada variabel ROA dan ROE
memiliki nilai minimum negative, maksimum positif dan rata-rata positif. Berikut ini perincian data deskriptif yang telah diolah :
a. Variabel LDER memiliki nilai minimum 0,05 dan maksimum 9,177
dengan rata-rata 0,80285 dan standar deviasi sebesar 1,347410 dengan jumlah sampel sebanyak 60.
b. Variabel ROA memiliki nilai minimum -0,168 dan maksimum 0,460
dengan rata-rata 0,10512 dan standar deviasi sebesar 0,123065 dengan jumlah sampel sebanyak 60.
Universitas Sumatera Utara
c. Variabel ROE memiliki nilai minimum -1,400 dan maksimum 0,685
dengan rata-rata 0,307674 dan standar deviasi sebesar 1,347410 dengan jumlah sampel sebanyak 60.
4.1.2 Uji Asumsi Klasik
4.1.2.1 Uji Normalitas Uji normalitas bertujuan untuk menguji apakah dalam model
regresi variabel terikat dan variabel bebas, keduanya mempunyai distribusi normal atau tidak. Pengujian normalitas data dalam penelitian ini
menggunakan uji statistik non parametrik Kolmogorov-Smirnov K-S dengan membuat hipotesis :
H H
: Data residual berdistribusi normal
a
Apabila nilai signifikansinya lebih besar dari 0,05 maka H : Data residua l tidak berdistribusi normal
diterima dan sebaliknya, bila nilai signifikansinya lebih kecil dari 0,05 maka H
Gambar 4.1 Grafik Histogram
ditolak. Uji normalitas yang pertama dengan melihat grafik histogram sebagaimana terlihat dalam gambar 4.1 di bawah ini:
Universitas Sumatera Utara
Sumber : Output SPSS, 2013
Dari Gambar 4.1 dapat dilihat bahwa bentuk cenderung di tengah dan mendekati normal, akan tetapi kesimpulan normal tidak dapat ditarik hanya
dengan melihat grafik histogram. Kesimpulan normal dapat dilihat dengan menggunakan metode lain. Metode lain yang digunakan dalam analisis grafik
adalah dengan melihat normal probability plot yang membandingkan distribusi kumulatif dari distribusi normal. Jika distribusi data residual
normal, maka garis yang akan menggambarkan data sesungguhnya akan mengikuti garis diagonalnya. Uji normalitas dengan melihat Normal
Probability Plot dapat dilihat pada gambar 4.2 berikut:
Gambar 4.2 Grafik Normal P-Plot
Universitas Sumatera Utara
Sumber : Output SPSS, 2013 Grafik probabilitas pada gambar 4.2 data menyebar di sekitar garis
diagonal dan tidak mengikuti arah garis diagonal atau grafik histogramnya menunjukkan pola distribusi tidak normal. Pengujian normalitas data secara
analisis statistik dapat dilakukan dengan menggunakan uji kolmogorov – Smirnov. Data yang berdistribusi normal ditunjukkan dengan nilai signifikansi di atas 0,05
Ghozali, 2009:165. Hasil pengujian normalitas terhadap 60 data terlihat dalam Tabel 4.2 berikut ini:
Tabel 4.2 Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 60
Normal Parameters
a,,b
Mean .0000000
Std. Deviation .15216663
Most Extreme Differences Absolute
.210 Positive
.140 Negative
-.210 Kolmogorov-Smirnov Z
1.627 Asymp. Sig. 2-tailed
.010 a. Test distribution is Normal.
b. Calculated from data.
Sumber: Output SPSS, 2013
Universitas Sumatera Utara
Berdasarkan tabel diatas menunjukkan bahwa data belum terdistribusi secara normal. Hal ini ditunjukan nilai Kolmogorov-Smirnov sebesar 1,627
dengan nilai signifikan 0,010 atau nilai signifikan 0.05 yaitu 0.010. Hal ini menunjukkan bahwa data belum terdistribusi normal. Untuk memperoleh hasil
terbaik maka dilakukan transformasi normal agar data menjadi lebih normal dengan menggunakan natural logaritma Ln. Hasil pengujian normalitas
yang kedua tampak dalam Tabel 4.3 sebagai berikut:
Tabel 4.3 Uji Normalitas Setelah Transformasi Ln
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 52
Normal Parameters
a,,b
Mean .0000000
Std. Deviation .27467352
Most Extreme Differences Absolute
.102 Positive
.102 Negative
-.094 Kolmogorov-Smirnov Z
.736 Asymp. Sig. 2-tailed
.651 a. Test distribution is Normal.
b. Calculated from data.
Sumber: Output SPSS, 2013
Universitas Sumatera Utara
Dari pengujian kedua nilai Kolmogororov-Smirnov adalah 0,736 dan nilai signifikansi signifikansi yaitu sebesar 0.651 maka disimpulkan data
terdistribusi secara normal karena nilai signifikansinya lebih besar dari 0,05. Hasil terakhir di atas juga didukung hasil analisis grafiknya, yaitu grafik
histogram maupun grafik Normal Probability Plot. Seperti gambar 4.3 dan 4.4 dibawah ini:
Gambar 4.3 Grafik Histogram Setelah Transformasi Ln
Sumber: Output SPSS, 2013
Universitas Sumatera Utara
Gambar 4.4 Grafik Normal P – P Plot Setelah Transformasi Ln
Sumber : Output SPSS Berdasarkan grafik histogram di atas, dapat dilihat bahwa kurva
menyerupai bentuk lonceng yang hampir sempurna dengan kemiringan yang cenderung seimbang baik dari sisi kiri maupun dari sisi kanan. Hal ini
menunjukkan bahwa data telah terdistribusi secara normal. Pada gambar 4.3, terlihat titik – titik menyebar disekitar garis diagonal
serta penyebarannya mendekati garis diagonal sehingga dapat disimpulkan bahwa data dalam model regresi terdistribusi secara normal.
4.1.2.2 Uji Heteroskedastisitas
Uji Heteroskedastisitas dalam penelitian ini digunakan untuk mendeteksi ada tidaknya gejala heroskedastisitas yaitu dengan melihat grafik scatterplot
Universitas Sumatera Utara
variabel dependen, yaitu ZPRED dengan residualnya SRESID. Dasar pengambilan keputusannya adalah:
a. Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu
yang teratur bergelombang, melebar kemudian menyempit, maka mengindikasikan telah terjadi heteroskedastisitas.
b. Jika tidak ada pola yang jelas, seperti titik-titik menyebar di atas dan di
bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas atau terjadi homoskedastisitas.
Hasil uji heteroskedastisitas dengan menggunakan grafik Scatterplot ditunjukkan pada Gambar 4.5 dibawah ini:
Gambar 4.5 Grafik Scatterplot
Sumber : Output SPSS, 2013
Universitas Sumatera Utara
Pada 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. Hal ini menunjukkan bahwa tidak terjadi heterokedastisitas.
4.1.2.4 Uji Autokorelasi
Uji autokorelasi bertujuan untuk melihat apakah dalam suatu model regresi linear ada korelasi antar kesalahan pengganggu pada periode t dengan kesalahan
pada periode t-1. Autokorelasi muncul karena observasi yang berurutan sepanjang tahun yang berkaitan satu dengan lainnya. Cara yang dapat digunakan untuk
mendeteksi masalah autokorelasi adalah dengan menggunakan nilai uji Durbin Watson. Berikut ini merupakan hasil uji Durbin-Watson yang digunakan.
Tabel 4.4 Hasil Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R Square Std. Error of the
Estimate Durbin-Watson
1 .974
a
.948 .946
.28022 .985
a. Predictors: Constant, LN_LDER, LN_ROA b. Dependent Variable: LN_ROE
Sumber : Output SPSS, 2013
Universitas Sumatera Utara
Dari hasil uji autokorelasi Durbin – Watson maka diperoleh nilai DW sebesar 0,985. Angka ini terletak diantara -2 dan +2, dari pengamatan ini dapat
disimpulkan bahwa tidak terjadi autokorelasi .
4.1.2.5 Uji Multikolonieritas
Uji multikolonieritas dalam penelitian ini digunakan untuk mendeteksi ada tidaknya gejala multikolonieritas dengan melihat nilai tolerance dan variance
inflation factor VIF. apabila nilai VIF 10 dan nilai Tolerance 0,1 maka terjadi multikolinearitas dan apabila nilai VIF 10 dan nilai Tolerance 0,1
maka tidak terajadi multikolineraritas. Hasil uji mutikolinearitas dapat dilihat pada tabel berikut :
Tabel 4.5 Hasil Uji Multikolonieritas
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity
Statistics B
Std. Error Beta
Tolerance VIF
1 Constant
.998 .126
7.908 .000
LN_ROA .976
.035 1.111
28.184 .000
.682 1.466
LN_LDER .261
.034 .300
7.609 .000
.682 1.466
a. Dependent Variable: LN_ROE
Sumber : Output SPSS, 2013
Universitas Sumatera Utara
Dari table 4.5 diatas, terlihat bahwa variabel independen yang ada mempunyai angka Variance Inflation Faktor VIF di bawah angka 10. Hal ini
berarti regresi yang dipakai untuk ke dua variabel independen diatas tidak terdapat persoalan multikolinieritas.
4.1.3 Pengujian Hipotesis 4.1.3.1 Analisis Regresi
Untuk menguji hipotesis, peneliti menggunakan analisis regresi berganda. Adapun hasil pengolahan data dengan analisis regresi menggunakan program
SPSS 17 dapat dilihat pada tabel dibawah ini.
Tabel 4.6 Analisis Hasil Regresi
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. B
Std. Error Beta
1 Constant .998
.126 7.908
.000 LN_ROA
.976 .035
1.111 28.184
.000 LN_LDER
.261 .034
.300 7.609
.000 a. Dependent Variable: LN_ROE
Sumber : Output SPSS,2013
Universitas Sumatera Utara
Berdasarkan tabel 4.6 pada kolom Unstandardized Coefficients bagian B diperoleh model persamaan regresi linier berganda sebagai berikut:
Y = 0,998 + 0.261X1 + 0,976X2 + e Keterangan :
a. Konstanta sebesar 0,998 menunjukkan bahwa apabila tidak ada variabel
independen LDER dan ROA = 0 maka Renatabilitas Modal Sendiri sebesar 0,998
b. Koefisien regresi LDER b1 sebesar 0,261 menyatakan bahwa setiap
penambahan LDER sebesar 1 maka akan meningkatkan Renatabilitas Modal Sendiri sebesar 0,261 dengan asumsi variabel lain tetap.
c. Koefisien regresi ROA b2 sebesar 0,976 menyatakan bahwa setiap
penambahan ROA sebesar 1 maka akan meningkatkan Renatabilitas Modal Sendiri sebesar 0,976 dengan asumsi variabel lain tetap.
4.1.3.2 Uji t Uji Parsial
Uji t digunakan untuk menguji signifikansi konstanta dan setiap variabel independen terhadap variabel dependen secara parsial. Berdasarkan hasil
pengolahan SPSS 17, diperoleh hasil sebagai berikut :
Tabel 4.7 Hasil Uji t
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. B
Std. Error Beta
1 Constant .998
.126 7.908
.000
Universitas Sumatera Utara
LN_ROA .976
.035 1.111
28.184 .000
LN_LDER .261
.034 .300
7.609 .000
a. Dependent Variable: LN_ROE
Sumber : Output SPSS, 2013 Tabel 4.7 menunjukkan hasil pengujian statistik t sehingga dapat
menjelaskan pengaruh variabel independen secara parsial sebagai berikut: a.
Pengaruh ROA terhadap Rentabilitas Modal Sendiri Besarnya t hitung untuk variabel ROA adalah sebesar 28,184 dengan nilai
signifikan 0,000, sedangkan t tabel adalah 2,008 sehingga t
hitung
t
tabel
28,184 2,008, ROA secara individual mempengaruhi Rentabilitas Modal Sendiri. Signifikansi penelitian juga menunjukkan angka 0,05
0,000 0,05, maka Ho ditolak dan Ha diterima, artinya ROA berpengaruh signifikan terhadap Rentabilitas Modal Sendiri.
b. Pengaruh LDER terhadap Rentabilitas Modal Sendiri
Besarnya t hitung untuk variabel LDER adalah sebesar 7,609 dengan nilai signifikan 0,000, sedangkan t tabel adalah 2,008 sehingga t
hitung
t
tabel
7,609 2,008, LDER secara individual mempengaruhi Rentabilitas Modal Sendiri. Signifikansi penelitian juga menunjukkan angka 0,05
0,000 0,05, maka Ho ditolak dan Ha diterima, artinya LDER berpengaruh signifikan terhadap Rentabilitas Modal Sendiri.
Universitas Sumatera Utara
4.1.3.3 Uji F Uji Simultan
Uji statistik F atau Analysis Of Variance ANOVA pada dasarnya menunjukkan apakah semua variabel independen yang dimasukkan dalam model
mempunyai pengaruh secara bersama – sama terhadap variabel dependennya. Berdasarkan hasil pengolahan data dengan program SPSS 17, maka diperoleh
hasil sebagai berikut :
Tabel 4.8 Hasil Uji F
ANOVA
b
Model Sum of Squares
df Mean Square
F Sig.
1 Regression 70.270
2 35.135
447.440 .000
a
Residual 3.848
49 .079
Total 74.118
51 a. Predictors: Constant, LN_LDER, LN_ROA
b. Dependent Variable: LN_ROE
Sumber: Output SPSS, 2013
Berdasarkan table di atas, dapat dilihat bahwa nilai F hitung sebesar 447,440, sedangkan nilai F tabel 3,19. Hal ini berarti F hitung lebih besar dari F
tabel 447,440 3,19 dengan signifikan yang lebih kecil dari 0,05 0,000 0,05. Hal ini menunjukkan bahwa variabel LDER dan ROA secara simultan
mempengaruhi ROE.
4.1.4 Koefisien Determinasi
Nilai koefisien korelasi R menunjukkan seberapa besar korelasi atau hubungan antara variabel-variabel independen dengan variabel dependen.
Universitas Sumatera Utara
Koefisien korelasi dikatakan kuat apabila data nilai R berada diantara 0,5 dan mendekati 1. Koefisien determinasi R Square menunjukkan seberapa besar
variabel independen menjelaskan variabel dependennya. Nilai R Square R
2
adalah 0 sampai dengan 1. Apabila nilai R Square R
2
Nilai R Square R semakin mendekati 1,
maka variabel-variabel independen mendekati semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen. Sebaliknya, semakin kecil nilai R
Square maka kemampuan variabel-variabel independen untuk menjelaskan variasi variabel dependen semakin terbatas.
2
memiliki kelemahan yaitu nilai R Square R
2
Tabel 4.9 Hasil Analisis Koefisien Determinasi
akan meningkat setiap ada penambahan satu variabel dependen meskipun variabel
independen tersebut tidak berpengaruh signifikan terhadap variabel dependen. Dalam kenyataannya nilai adjusted R Square dapat bernilai negatif, walaupun
yang dikehendaki harus bernilai positif. Jika dalam uji empiris didapat nilai adjusted R Square negatif, maka nilai adjusted R Square dianggap Nol.
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate 1
.974
a
.948 .946
.28022 a. Predictors: Constant, LN_LDER, LN_ROA
b. Dependent Variable: LN_ROE
Sumber: Output SPSS, 2013
Pada tabel 4.9, hasil analisis regresi dapat dilihat secara keseluruhan. Nilai R sebesar 0,974 menunjukkan bahwa korelasi atau keeratan hubungan return on
Universitas Sumatera Utara
equity dengan struktur modal dan return on asset mempunyai hubungan yang tinggi yaitu sebesar 97,4. Hubungan antara variabel independen dengan variabel
dependen rendah terjadi jika angka R berada diantara 0,2 dan 0,399. Nilai R Square R
2
sebesar 0,974 atau 97,4 mengindikasikan bahwa variasi atau perubahan dalam rentabilitas modal sendiri dapat dijelaskan oleh variasi Longterm
Dept to Equity Ratio LDER dan Return on Asset ROA. Sedangkan sisanya 2,6 dijelaskan oleh sebab-sebab lain. Standar Error of Estimate SEE adalah
sebesar 0,28022, yang mana semakin besar SEE akan membuat model regresi kurang tepat dalam memprediksi variabel dependen.
4.2 Pembahasan Hasil Penelitian
Berdasarkan hasil pengujian variabel bebas longterm debt to equity ratio dan return on asset terhadap variabel terikat return on equity yang telah diuraikan
secara statistik dengan menggunakan program SPSS 17, maka hipotesis dapat dijelaskan sebagai berikut:
1. Pengaruh longterm debt to equity ratio terhadap return on equity
Dari penjelasan uji t diatas diketahui bahwa longterm debt to equity ratio X1 memiliki koefisien regresi yang positif, yaitu sebesar 0,261 yang
mana setiap perubahan longterm debt to equity ratio sebesar 1 akan diikuti oleh kenaikan return on equity sebesar 0,261 dengan asumsi
variabel lain tetap. Dalam pengujian hipotesis yang dilakukan, diketahui bahwa t
hitung
sebesar 7,609 t
tabel
sebesar 2,008 artinya adalah H
a
diterima dan H
ditolak. Hasil ini sesuai dengan teori yang menyatakan longterm
Universitas Sumatera Utara
Kategori