Uji signifikansi simultan F- test Uji signifikansi parsial t-test Deskripsi Data Penelitian Analisis Regresi

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