29
a. Uji signifikansi simultan F- test
Uji F digunakan untuk menunjukkan apakah semua variabel independen yang dimasukkan dalam model mempunyai pengaruh
secara bersama- sama terhadap variabel dependen. Uji ini dilakukan dengan membandingkan F hitung dengan F tabel dengan ketentuan
sebagai berikut: H
diterima dan Ha ditolak jika F hitung F tabel untuk α = 5 H
ditolak dan Ha diterima jika F hitung F tabel untuk α = 5
b. Uji signifikansi parsial t-test
Pengujian t- test digunakan untuk menunjukkan seberapa jauh pengaruh satu variabel independen terhadap variabel dependen. Uji ini dilakukan
dengan membandingkan t hitung dengan t tabel dengan ketentuan sebagai berikut:
H diterima dan Ha ditolak jika t hitung t tabel untuk α = 5
H ditolak dan Ha diterima jika t hitung t tabel unt
uk α = 5
Universitas Sumatera Utara
30
BAB IV HASIL PENELITIAN DAN PEMBAHASAN
4.1 Deskripsi Data Penelitian
Populasi yang diteliti dalam penelitian ini adalah perusahaan property dan real estate yang terdaftar di Bursa Efek Indonesia selama tahun 2009-2011.
Perusahaan yang dijadikan sampel berjumlah 30 perusahaan. Daftar perusahaan yang telah ditentukan dapat dilihat pada lampiran.
4.2 Analisis Hasil Penelitian 4.2.1 Statistik Deskriptif
Statistik deskriptif ini memberikan gambaran mengenai nilai minimum, nilai maksimun, mean, dan standar deviasi. Statistik deskriptif
akan dijelaskan dalam tabel berikut ini.
Tabel 4.1. STATISTIK DESKRIPTIF
Descriptive Statistics
N Minimum
Maximum Mean
Std. Deviation Firm Growth
93 -.82
2.05 .1239
.32725 DER
93 -1.82
3.83 .7858
.83861 DAR
93 .05
64.00 1.7454
8.85130 ROA
93 -10.18
20.43 4.8069
5.82200 Valid N listwise
93
Universitas Sumatera Utara
31
Berdasarkan dari tabel 4.1 bahwa dapat dijelaskan bahwa : 1.rata- rata dari ukuran perusahaan adalah 0.1239 dengan standar deviasi 0.32725
dan jumlah data yang ada adalah 93.Nilai tertinggi 2.05 dan terendah adalah -0.82, 2.rata- rata dari DER adalah 0.7859 dengan standar deviasi 0.83861dan jumlah
data yang ada adalah 93.Nilai tertinggi 3.83 dan terendah adalah -1.82, 3.rata-rata dari DAR adalah 1.7454 dengan standar deviasi 8.85130 dan jumlah
data yang ada adalah 93.Nilai tertinggi 64.00 dan terendah adalah 0.05, 4.rata-rata dari ROA adalah 4.8069 dengan standar deviasi 5.82200 dan jumlah
data yang ada adalah 93.Nilai tertinggi 20.43 dan terendah adalah -10.18.
4.2.2 Pengujian Asumsi Klasik
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 : 25, asumsi klasik yang harus dipenuhi adalah sebagai berikut ini.
• 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.
Universitas Sumatera Utara
32
4.2.2.1. Uji Normalitas
Uji data statistik dengan model Kolmogorov-Smirnov dilakukan untuk mengetahui apakah data sudah terdistribusi secara normal atau tidak.
Ghozali 2005 : 43, 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. Hipotesis yang digunakan adalah :
H : Data residual berdistribusi normal, dan
H
a
: Data residual tidak berdistribusi normal. Hasil uji normalitas dengan menggunakan model Kolmogorov-Smirnov
adalah seperti yang ditampilkan berikut ini
Universitas Sumatera Utara
33
Tabel 4.2 HASIL UJI NORMALITAS
One-Sample Kolmogorov-Smirnov Test
Unstandardize d Residual
N 93
Normal Parameters
a,,b
Mean .0000000
Std. Deviation 5.56742718
Most Extreme Differences
Absolute .136
Positive .136
Negative -.104
Kolmogorov-Smirnov Z 1.309
Asymp. Sig. 2-tailed .065
a. Test distribution is Normal. b. Calculated from data.
Hasil uji Kolmogorov-Smirnov pada penelitian ini menujukkan probabilitas = 0.065. Dengan demikian, data pada penelitian ini tidak
berdistribusi normal dan dapat digunakan untuk melakukan uji hipotesis karena 0.065 0,05. Pada pengujian normalitas dengan analisis statistik
dapat ketahui bahwa data yang digunakan oleh peneliti telah berdistribusi normal. Dengan demikian, dapat disimpulkan bahwa nilai-nilai observasi
data telah terdistribusi secara normal dan dapat dilanjutkan dengan uji asumsi klasik lainnya. Untuk lebih jelas, berikut ini turut dilampirkan grafik
histrogram dan plot data yang terdistribusi normal.
Universitas Sumatera Utara
34
Gambar 4.1 HASIL UJI NORMALITAS
Gambar 4.2 UJI NORMALITAS DATA
Universitas Sumatera Utara
35
Menurut Ghozali 2005 : 32, 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. Karena secara keseluruhan data telah terdistribusi secara normal,
maka dapat dilakukan pengujian asumsi klasik lainnya.
4.2.2.2. Uji Multikolinieritas
Untuk melihat ada atau tidaknya multikolinieritas dalam model regresi dapat dilihat dari:
1 nilai tolerence dan lawannya, 2 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 = 1tolerence. Nilai cutoff yang umum dipakai untuk menunjukkan adanya mutikolineritas adalah nilai Tolerence
≤ 0,10 atau sama dengan VIF
≥ 10 Ghozali, 2005 : 45.
Universitas Sumatera Utara
36
Tabel 4.4 HASIL UJI MULTIKOLINIERITAS
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients T
Sig. Collinearity Statistics
B Std. Error
Beta Tolerance
VIF 1
Constant 3.482
.832 4.183
.000 Firm
Growth -1.021
1.817 -.057
-.562 .575
.985 1.015
DER 1.640
.711 .236
2.308 .023
.981 1.020
DAR .093
.068 .142
1.375 .173
.967 1.034
a. Dependent Variable: ROA
Berdasarkan tabel 4.3 dapat disimpulkan bahwa penelitian ini bebas dari adanya multikolinieritas. Hal tersebut dapat dilihat dengan
membandingkannya dengan nilai Tolerance atau VIF. Masing-masing variabel independen yang digunakan dalam penelitian ini memiliki nilai
Tolerence yang lebih besar dari 0,10. Jika dilihat dari VIFnya, bahwa masing-masing variabel bebas lebih kecil dari 10. Dengan demikian dapat
disimpulkan bahwa tidak terjadi gejala multikolinieritas dalam variabel bebasnya.
Universitas Sumatera Utara
37
4.2.2.3. Uji Heteroskedastisitas
Ghozali 2005 : 34 menyatakan “uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance
dari residual satu pengamatan ke pengamatan yang lain. Jika variance dari satu pengamatan ke pengamatan lain tetap, maka disebut homoskedastisitas
dan jika berbeda disebut heteroskedastisitas”. Model regresi yang baik adalah tidak terjadi heteroskedastisitas. Cara mendeteksi ada tidaknya gejala
heteroskedastisitas adalah dengan melihat grafik scatterplot yang dihasilkan dari pengolahan data menggunakan program SPSS. Dasar pengambilan
keputusannya menurut Ghozali 2005 : 25 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 yang diambil dari lampiran G untuk menganalisis apakah terjadi gejala heteroskedastisitas atau tidak
dengan cara mengamati penyebaran titik-titik pada grafik.
Universitas Sumatera Utara
38
Gambar 4.3 HASIL UJI HETEROSKEDASTISITAS
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 tingkat pengungkapan wajib mandatory disclosure perusahaan property dan real estate yang terdaftar di Bursa Efek Indonesia
berdasarkan masukan variabel independen yaitu pertumbuhan perusahaan, struktur modal, dan leverage.
4.2.2.4. Uji Autokorelasi
Uji ini bertujuan untuk melihat apakah dalam suatu model linear ada korelasi antar kesalahan pengganggu pada periode t dengan kesalahan
pada periode t-1 sebelumnya. Model regresi yang baik adalah yang bebas dari autokorelasi. Masalah autokorelasi umumnya terjadi pada regresi yang
datanya time series. Ada beberapa cara yang dapat digunakan untuk mendeteksi masalah dalam autokorelasi diantaranya adalah dengan Uji
Universitas Sumatera Utara
39
Durbin Watson. Menurut Sunyoto 2009 : 32, untuk melihat ada tidaknya autokorelasi dilihat dari:
1 angka D-W dibawah –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 4.5 HASIL UJI AUTOKORELASI
Model Summary
b
Model R R Square
Adjusted R Square
Std. Error of the Estimate
Durbin- Watson
1 .292
a
.086 .055
5.66048 1.864
a. Predictors: Constant, DAR, Firm Growth, DER b. Dependent Variable: ROA
Tabel 4.5 menunjukkan hasil uji autokorelasi variabel penelitian. Berdasarkan hasil pengujiannya dapat dilihat bahwa terjadi autokorelasi antar
kesalahan pengganggu antar periode. Hal tersebut dilihat dari nilai Durbin-Watson D-W sebesar 1,885. Angka D-W di antara -2 sampai +2 yang mengartikan
bahwa angka DW lebih besar dari -2 dan lebih kecil dari 2. Dengan demikian, dapat dikemukakan bahwa tidak ada autokorelasi positif maupun negatif.
Universitas Sumatera Utara
40
4.3 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 sebagai berikut :
Tabel 4.6 Analisis Regresi
Coefficients
a
Model Unstandardized
Coefficients Standardize
d Coefficients
t Sig.
B Std. Error
Beta 1
Constant 3.482
.832 4.183
.000 Firm Growth
-1.021 1.817
-.057 -.562
.575 DER
1.640 .711
.236 2.308
.023 DAR
.093 .068
.142 1.375
.173 a. Dependent Variable: ROA
Berdasarkan tabel 4.6 pada kolom Unstandardized Coefficients bagian B diperoleh model persamaan regresi linier berganda yaitu:
Y= 3,482 – 1,021 X
1
+ 1,640 X
2
+ 0,093 X
3
+ e
dimana: Y = Profitabilitas
Universitas Sumatera Utara
41
a = Konstanta b1,b2,b3 = Parameter koefisien regresi
X
1
= Firm Growth X
2
= Struktur Modal X
3
= Leverage e = Pengganggu
Penjelasan dari nilai a, b1, b2 dan b3 pada Unstandardized Coefficients tersebut dapat dijelaskan dibawah ini.
• Nilai B Constant a = 3,482 =konstanta Nilai konstanta ini menunjukkan bahwa apabila tidak ada nilai variabel bebas
yaitu firm growth, struktur modal, dan leverage maka nilai profitabilitas yang dilihat dari nilai Y tetap sebesar 3,482.
• Nilai b
1
= -1,021 = Firm Growth Koefisisen regresi ini menunjukkan bahwa setiap kenaikan firm growth sebesar
1 satuan, maka perubahan profitabilitas yang dilihat dari nilai Y akan berkurang sebesar -1,021 dengan asumsi variabel lain dianggap tetap.
• Nilai b
2
= 1,640 = struktur modal Koefisisen regresi ini menunjukkan bahwa setiap kenaikan struktur modal
sebesar 1 satuan, maka perubahan profitabilitas yang dilihat dari nilai Y akan bertambah sebesar 1,640 dengan asumsi variabel lain dianggap tetap.
• Nilai b
3
= 0,093 = leverage
Universitas Sumatera Utara
42
Koefisisen regresi ini menunjukkan bahwa setiap kenaikan leverage sebesar 1 satuan, maka perubahan profitabilitas yang dilihat dari nilai Y akan bertambah
sebesar 0,093 dengan asumsi variabel lain dianggap tetap.
4.4. Pengujian Hipotesis