Tabel 4.3 menunjukkan bahwa pada tahun 2009 nilai CR tertinggi adalah PT. Ristia Bintang Mahkotasejati Tbk dan terendah adalah PT.
Summarecon Agung Tbk. Nilai DER tertinggi adalah PT. Duta Anggada Realty Tbk dan
nilai terendah adalah PT. Ristia Bintang Mahkotasejati Tbk. Nilai TATO tertinggi adalah PT. Pelita Sejahtera Abadi Tbk dan terendah adalah PT.
Duta Ghara Indah Tbk. Nilai tertinggi GPM adalah PT. Intiland Development Tbk
dan nilai terendah adalah PT. Pelita Sejahtera Abadi Tbk
.
Nilai tertinggi perubahan laba adalah PT. Duta Pertiwi Tbk dan nilai terendah adalah PT.
Ristia Bintang Mahkotasejati Tbk.
B. Analisis Hasil Penelitian
1. Statistik Deskriptif
Statistik deskriptif ini memberikan gambaran mengenai nilai minimum, nilai maksimun, nilai rata-rata serta standar deviasi data yang digunakan dalam
penelitian.
Tabel 4.4 Descriptive Statistics
N Minimum Maximum Mean
Std. Deviation
Perubahan Laba PL 40
-4.89 3.12
-.8097 1.76879
Current Ratio CR 60
-1.47 2.84
.4722 .67852
Debt to Total Equity RatioDER 60
-3.06 1.40
-.1586 .85327
Total Assets TurnoverTATO 60
-4.71 .28
-1.4016 .77805
Gross Profit MarginGPM 60
-2.90 .46
-.8552 .60734
Valid N listwise 40
Sumber: Output SPSS, diolah Peneliti, 2010
Universitas Sumatera Utara
Berdasarkan data dari tabel 4.4 dapat dijelaskan bahwa : a.
variabel perubahan Laba Y memiliki sampel N sebanyak 40, dengan nilai minimum terkecil -4,89, nilai maksimum terbesar 3,12 dan mean
nilai rata-rata -0,8097. Standar Deviation simpangan baku variabel ini adalah 1,76879,
b. variabel Current Ratio X
1
memiliki sampel N sebanyak 60, dengan nilai minimum terkecil -1,47, nilai maksimum terbesar 2,84 dan mean nilai
rata-rata 0,4722. Standar Deviation simpangan baku variabel ini adalah 0,67852 ,
c. variabel Debt to Total Equity Ratio X
2
memiliki sampel N sebanyak 60, dengan nilai minimum terkecil -3,06, nilai maksimum terbesar 1,40 dan
mean nilai rata-rata -0,1586. Standar Deviation simpangan baku variabel ini adalah 0,85327 ,
d. variabel Total Assets Turnover X
3
memiliki sampel N sebanyak 60, dengan nilai minimum terkecil -4,71, nilai maksimum terbesar 0,28 dan
mean nilai rata-rata -1,4016. Standar Deviation simpangan baku variabel ini adalah 0,77805,
e. variabel Gross Profit Margin X
3
memiliki sampel N sebanyak 60, dengan nilai minimum terkecil -2,90, nilai maksimum terbesar 0,46 dan
mean nilai rata-rata -0,8552. Standar Deviation simpangan baku variabel ini adalah 0,60734,
f. jumlah sampel yang ada sebanyak 40.
Universitas Sumatera Utara
2. Pengujian Asumsi Klasik
Salah satu satu 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. Pengujian asumsi klasik dalam
penelitian ini dilakukan dengan bantuan program statistik. Menurut Ghozali 2005:123, asumsi klasik yang harus dipenuhi adalah:
1. Berdistibusi normal.
2. Non-Multikolinearitas, artinya antara variabel independen dalam model
regresi tidak memiliki korelasi atau hubungan secara sempurna ataupun mendekati sempurna.
3. Non-Autokorelasi, artinya kesalahan pengganggu dalam model regresi
tidak saling berkorelasi. 4.
Non-Heterokedastisitas, artinya variance variabel independen dari satu pengamatan ke pengamatan lain adalah konstan atau sama.
a. Uji Normalitas
Uji data statistik dengan model Kolmogorov-Smirnov dilakukan untuk mengetahui apakah data sudah terdistribusi secara normal atau tidak. Ghozali
2005:115, 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.
Universitas Sumatera Utara
Hasil uji normalitas dengan menggunakan model Kolmogorov-Smirnov adalah seperti yang ditampilkan berikut ini :
Tabel 4.5 Hasil Uji Normalitas 1
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 60
Normal Parameters
a
Mean .0000000
Std. Deviation 3.32038590
Most Extreme Differences Absolute
.278 Positive
.278 Negative
-.224 Kolmogorov-Smirnov Z
2.156 Asymp. Sig. 2-tailed
.000 a. Test distribution is Normal.
Sumber : Output SPSS, diolah Peneliti, 2010
Berdasarkan hasil uji statistik dengan model Kolmogorov-Smirnov
seperti yang terdapat dalam tabel 4.5 dapat disimpulkan bahwa data tidak terdistribusi normal, hal ini dapat dilihat dari nilai Asymp.Sig.2-tailed
Kolmogorov-Smirnov sebesar 0,000 yang lebih kecil dari 0,05, sehingga data tidak terdistribusi normal.
Untuk menguji apakah data grafik variabel CR, DER, TATO dan GPM memiliki distribusi normal atau tidak, dapat dilakukan dengan menggambarkan
kurva histogram dan grafik Normality Probability Plot yaitu sebagai berikut:
Universitas Sumatera Utara
Gambar 4.1. Histogram
Sumber : Output SPSS, diolah Peneliti, 2010
Dari hasil tampilan kurva histogram di atas dapat terlihat bahwa kemiringan kurva cenderung ke kanan, hal ini menunjukkan bahwa data tidak
terdistribusi dengan normal
.
Universitas Sumatera Utara
Gambar 4.2 Normal P-Plot Regression
Sumber : Output SPSS, diolah Peneliti, 2010 Dari hasil grafik Normal P-Plot Regression di atas dapat dilihat titik-titik
menyebar jauh dari garis diagonal yang menunjukkan data tidak terdistribusi dengan normal.
Menurut Erlina dan Mulyani 2007 : 106 ada beberapa cara mengubah model regresi menjadi normal yaitu :
a. lakukan transformasi data ke bentuk lainnya,
b. lakukan trimming, yaitu membuang data outlier,
c. lakukan winsorizing, yaitu mengubah nilai data yang outlier ke suatu nilai
tertentu.
Universitas Sumatera Utara
Untuk mengubah nilai residual agar berdistribusi normal, peneliti melakukan transformasi data ke model logaritma natural Ln. Setelah itu, data
diuji ulang berdasarkan asumsi normalitas. Berikut ini adalah hasil pengujian dengan Kolmogorov-Smirnov setelah dilakukan transformasi:
Tabel 4.6 Hasil Uji Normalitas 2
Setelah Transformasi Dengan Logaritma Natural
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 40
Normal Parameters
a
Mean .0000000
Std. Deviation 1.70444216
Most Extreme Differences Absolute
.106 Positive
.076 Negative
-.106 Kolmogorov-Smirnov Z
.667 Asymp. Sig. 2-tailed
.765 a. Test distribution is Normal.
Sumber : Output SPSS, diolah Peneliti, 2010 Tabel 4.6 menunjukkan bahwa hasil pengujian statistik dengan model
Kolmogorov-Smirnov menunjukkan bahwa data telah terdistribusi normal karena nilai Asymp.Sig 2-tailed Kolmogorov-Smirnov 0,765 lebih besar dari
0,05. Hasil pengujian normalitas dengan histogram dan Normal P-Plot Regression Standardized Residual juga dapat dilihat pada gambar berikut:
Universitas Sumatera Utara
Gambar 4.3 Histogram setelah transformasi
Sumber : Output SPSS, diolah Peneliti, 2010
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.
Menurut Ghozali 2005 : 112, pendeteksian normalitas dapat dilakukan dengan melihat penyebaran data titik pada sumbu diagonal dari grafik Grafik
Normal P-P Plot of Regression, yaitu jika data titik menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal, hal ini menunjukkan data yang
telah terdistribusi normal.
Universitas Sumatera Utara
Gambar 4.4 Normal P-P Plot of Regression setelah transformasi
Sumber : Output SPSS, diolah Peneliti, 2010
Menurut Ghozali 2005:112, 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
4.4 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.
Universitas Sumatera Utara
b. Uji Multikolinieritas
Tabel 4.7 Hasil Uji Multikolinearitas
Coefficients
a
Sumber : Output SPSS, diolah Peneliti, 2010
Berdasarkan tabel 4.7 dapat disimpulkan bahwa penelitian ini bebas dari adanya multikolinieritas. Hal
tersebut dapat
dilihat dengan membandingkannya dengan nilai Tolerence atau VIF. Masing-masing variabel
independen yang digunakan dalam penelitian ini memiliki nilai Tolerence yang lebih besar dari 0,10 yaitu: currennt ratio sebesar 0,469, debt to total equity
ratio sebesar 0,508, total asstes turnover sebesar 0,748, dan gross profit margin sebesar 0,683. Jika dilihat dari VIFnya, bahwa masing-masing variabel
independen lebih kecil dari 10 yaitu: currennt ratio sebesar 2,131, debt to total equity ratio sebesar 1,070, total asstes turnover sebesar 1,337, dan gross profit
margin sebesar 1,464. Dengan demikian dapat disimpulkan bahwa tidak terjadi gejala multikolinieritas dalam variabel independennyanya.
Model Collinearity Statistics
Tolerance VIF
1 Constant
LN_CR .469
2.131 LN_DER
.508 1.970
LN_TATO .748
1.337 LN_GPM
.683 1.464
a. Dependent Variable: LN_PL
Universitas Sumatera Utara
c. Uji Autokorelasi
Ghozali 2005 : 95 menyatakan bahwa, “Uji autokorelasi ini bertujuan untuk menguji apakah dalam model
regresi linear ada korelasi antar kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 sebelumnya. Jika terjadi korelasi,
maka dinamakan ada problem autokorelasi. Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lainnya.
Masalah ini timbul karena residual kesalahan pengganggu tidak bebas dari satu observasi ke observasi lainnya. Hal ini sering ditemukan pada data runtut
waktu time series.”
Hasil uji aurokorelasi dengan menggunakan Uji Durbin-Watson dapat dilihat pada tabel berikut:
Negatif No
Positif Autocorelation
Autocorelation Autocorelation
dl du
2 2,095 4-du 4-dl
4 1,29
1,72 2,28
2,71
Tabel 4.8 Hasil Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .267
a
.071 -.035
1.79920 2.095
a. Predictors: Constant, LN_GPM, LN_DER, LN_TATO, LN_CR b. Dependent Variable: LN_PL
Sumber : Output SPSS, diolah Peneliti, 2010 Berdasarkan uji tabel 4.8 diatas tampak bahwa nilai Durbin Watson
hitung 2,076. Dengan jumlah variabel independen k = 4, dengan jumlah
Universitas Sumatera Utara
sampel n = 40, maka du = 1,29 dan dl = 1,72. Nilai Durbin Watson hitung terletak antara batas atas atau upper bound du dan 4-du yaitu 2,28, sehingga
dapat disimpulkan bahwa model regresi linier berganda terbebas dari asumsi klasik statistik autokorelasi.
d. Uji Heteroskedastisitas
Menurut Ghozali 2005 : 105 “Uji heterokedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari
residual satu pengamatan ke pengamatan yang lain”. Dalam penelitian ini, untuk mendeteksi ada tidaknya gejala heterokedasitas dapat dilakukan dengan
pengujian melalui Scatter-Plot yang menggunakan SRESID dan ZPRED pada software SPSS. 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. Dasar
pengambilan keputusannya menurut Ghozali 2005:105 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 4.5 Hasil Uji Heteroskedastisitas
Sumber : Output SPSS, diolah Peneliti, 2010 Dari 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 tersebut menunjukkan bahwa tidak terjadi
heteroskedastisitas, sehingga model ini layak dipakai untuk memprediksi rentabilitas perusahaan real estate dan property yang terdaftar di Bursa Efek
Indonesia berdasarkan masukan variabel independen yaitu current assets, debt to total equity ratio, total assets turnover, dan gross profit margin.
3. Analisis Regresi