juga terjadi pada tahun yang sama yaitu 113,62 yang berarti bahwa perusahaan lebih banyak berinvestasi pada aktiva lancar dibanding aktiva tetap.
Tabel 4.3 Deskripsi Statistik Struktur Keuangan
Statistik Tahun
2007 2008
2009 2010
2011 Mean
0.890 16.284
4.181 2.216
1.750 Standard
Deviation 8.235
63.822 14.534
5.246 5.199
Minimum -31.605
-25.245 -13.311
-3.740 -2.741
Maximum 27.039
322.268 75.606
27.063 27.977
Pada Tabel 4.3 terlihat bahwa selama periode 2008 hingga 2011 terjadi penggunaan hutang yang lebih besar dibanding ekuitas, hal ini terlihat dari rasio
yang ditunjukkan cukup besar yaitu melebihi 1. Kondisi terparah terjadi pada tahun 2008 dimana nilai rata-rata penggunaan hutang atas ekuitas sebesar 16,284
dengan nilai terendah mencapai -25,245 sedangkan nilai tertinggi mencapai 322,268 yang artinya terdapat penggunaan hutang yang tidak wajar pada
perusahaan tersebut. Pada nilai minimum terlihat setiap tahun ada perusahaan yang mengalami rasio yang negatif. Hal ini disebabkan karena terjadi defisit
modal ekuitas.
4.2.2 Pengujian Asumsi Klasik
Selanjutnya peneliti akan melakukan uji atas data yang peneliti peroleh yang disebut dengan uji asumsi klasik yang terdiri dari uji normalitas, uji
multikolinearitas, uji autokorelasi dan uji heteroskedastisitas. Berikut ini diuraikan hasil penelitiannya.
1 Uji Normalitas
Uji normalitas dalam penelitian ini dilakukan dengan dua cara, yaitu analisis grafik dan analisis statistik. Normalitas dapat dideteksi
dengan melihat penyebaran data titik pada sumbu diagonal dan grafik dengan melihat histogram dari residualnya. Adapun hasil pengujiannya
adalah sebagai berikut:
Gambar 4.1 Grafik histogram uji normalitas Sumber : Hasil pengolahan data dengan SPSS
Gambar 4.2. Normal P-P Plot of Regretion Standardized Residual Sumber : Hasil pengolahan data dengan SPSS
Grafik histogram menunjukkan data tidak terdistribusi normal, demikian juga dengan grafik Normal P-P Plot yang menunjukkan bahwa
penyebaran data titik pada sumbu diagonal menjauhi garis diagonal dan tidak mengikuti arah garis diagonal sehingga model regresi tidak
memenuhfi asumsi normalitas, berarti H ditolak.
Selanjutnya untuk uji statistik yaitu uji statistik Kolmogorov- Smirnov
K-S, hasil pengujiannya terlihat sebagai berikut.
Tabel 4.4 Uji Normalitas
Kolmogorov-Smirnov
Unstandardized Residual N
180 Normal
Parameters
a,,b
Mean .0000000
Std. Deviation .15203123
Most Extreme Differences
Absolute .181
Positive .150
Negative -.181
Kolmogorov-Smirnov Z 2.431
Asymp. Sig. 2-tailed .000
a. Test distribution is Normal. b. Calculated from data.
Sumber : Hasil pengolahan data dengan SPSS
Pada tabel terlihat bahwa nilai Asymp.Sig.2-tailed adalah 0.000, dan di bawah nilai signifikan 0.05, dengan kata lain variabel residual tidak
berdistribusi normal, yang artinya H ditolak. Hasil analisis grafik
penyebaran titik di sepanjang garis diagonal dan analisis statistik Kolmogorov-Smirnov, keduanya menunjukkan bahwa model regresi
tidak memenuhi asumsi normalitas. Untuk mengatasi masalah ini harus dilakukan perbaikan.
Caranya adalah dengan melakukan transformasi pada data. Menurut Imam 2006:32,
“Data yang tidak terdistribusi secara normal dapat ditransformasi agar menjadi normal”. Ada beberapa cara yang
dapat dilakukan jika data tidak menyebar secara normal yaitu dengan
transformasi data kedalam bentuk logaritma natural Ln; menambah jumlah data; mengilangkan data yang dianggap sebagai penyebab tidak
normalnya data; atau menerima data apa adanya Situmorang dan Lufti, 2011:107. Pada penelitian ini, peneliti melakukan transformasi data ke
dalam bentuk logaritma natural Ln. Setelah data ditransformasi ke dalam bentuk logaritma natural Ln, jumlah observasi menjadi 113. Hasil
analisis grafik setelah data ditransformasi terlihat sebagai berikut.
Gambar 4.3 Grafik histogram uji normalitas setelah transformasi Sumber : Hasil pengolahan data dengan SPSS
Gambar 4.4. Normal P-P Plot of Regretion Standardized Residual Setelah Transformasi
Sumber : Hasil pengolahan data dengan SPSS
Hasil analisis grafik di atas memperlihatkan bahwa titik menyebar disepanjang garis diagonal, dan mengikuti arah garis diagonal, demikian
juga dengan grafik histogram menunjukkan data terdistribusi normal sehingga memenuhi asumsi normalitas.
Selanjutnya dilakukan uji statistik dengan Kolmogorov-Smirnov KS pada data yang telah ditransformasi sehingga hasilnya terlihat pada
tabel berikut.
Tabel 4.5 Uji Normalitas
Kolmogorov-Smirnov Setelah Transformasi
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 113
Normal Parameters
a,,b
Mean .0047403
Std. Deviation 1.36898269
Most Extreme Differences
Absolute .099
Positive .070
Negative -.099
Kolmogorov-Smirnov Z 1.051
Asymp. Sig. 2-tailed .219
a. Test distribution is Normal. b. Calculated from data.
Sumber : Hasil pengolahan data dengan SPSS Tabel di atas memperlihatkan bahwa nilai Asymp.Sig. 2-tailed
adalah 0,219. Sehingga dapat disimpulkan bahwa nilai signifikansi lebih besar dari tingkat kepercayaan 0,05, berarti distribusi data normal dan H
diterima. Hasil ini konsisten dengan hasil yang ditunjukkan analisis grafik, dengan demikian model regresi bebas dari masalah normalitas.
2 Uji Multikolinieritas
Pengujian multikolinearitas dilakukan dengan melihat nilai tolerance
dan VIF masing-masing variabel. Nilai cutoff yang umum dipakai untuk menunjukkan adanya multikolinearitas adalah nilai tolerance
0,10 atau sama dengan nilai VIF 5. Uji ini juga dilakukan pada data yang telah ditransformasi dengan jumlah observasi sebanyak 113. Adapun
hasil pengujian multikolinearitas dapat dilihat pada tabel di bawah ini.
Tabel 4.6 Hasil Uji Multikolinieritas
Coefficients
a
Model Collinearity Statistics
Tolerance VIF
1 Constant
Ln_STR. AKTIVA .998
1.002 Ln_STR. KEUANGAN
.998 1.002
a. Dependent Variabel: Ln_ROA
Sumber : Hasil pengolahan data dengan SPSS
Dari tabel di atas, dapat dilihat bahwa tidak terjadi gejala multikolinearitas antar variabel independen, yang ditunjukkan dengan nilai
tolerance masing-masing variabel lebih besar dari 0.1 dan nilai VIF
masing-masing variabel lebih kecil dari 5.
3 Uji Autokorelasi
Uji ini digunakan untuk menguji apakah pada model regresi linear terdapat korelasi antara kesalahan pengganggu pada periode t dan
kesalahan pengganggu pada periode sebelumnya periode t-1. Pendeteksian ada tidaknya autokorelasi dalam penelitian ini dilakukan
dengan menggunakan uji BG Breusch-Godfrey karena jumlah data observasinya besar. Hasil ujinya terlihat pada tabel berikut.
Tabel 4.7 Hasil Uji Autokorelasi -
Breusch-Godfrey BG
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. B
Std. Error Beta
1 Constant
.017 .176
.098 .922
Ln_STR. AKTIVA -.034
.110 -.034
-.305 .761
Ln_STR. KEUANGAN .001
.162 .001
.008 .993
auto .216
.117 .209
1.848 .068
a. Dependent Variabel: Unstandardized Residual
Sumber : Hasil pengolahan data dengan SPSS Pada tabel di atas terlihat bahwa koefisien parameter untuk variabel
auto Lag menunjukkan probabilitas signifikan 0,068 dan di atas tingkat kepercayaan 0,05, berarti tidak terkena autokorelasi. Selanjutnya untuk
lebih memastikan tidak adanya autokorelasi dilakukan uji nonparametrik yaitu Run Test, hasilnya terlihat sebagai berikut.
Tabel 4.8 Hasil Uji Autokorelasi -
Runs Test
Unstandardized Residual Test Value
a
.28524 Cases Test Value
56 Cases = Test Value
57 Total Cases
113 Number of Runs
59 Z
.284 Asymp. Sig. 2-tailed
.776 a. Median
Sumber : Hasil pengolahan data dengan SPSS
Hasil Run Test menunjukkan bahwa nilai tes adalah 0,28524 dengan probabilitas 0.776 dan di atas nilai signifikan pada 0.05 yang
berarti nilai residual random dan tidak terjadi autokorelasi, konsisten dengan hasil yang ditnjukkan dengan uji BG, dengan demikian dapat
dipastikan tidak terjadi autokorelasi pada model regresi.
4 Uji Heteroskedastisitas
Uji ini dilakukan dengan uji Glesjer yang dipakai untuk menguji apakah di dalam model regresi terjadi ketidaksamaan varians dari suatu
pengamatan ke pengamatan lain. Hipotesisnya sebagai berikut:
H : data bebas dari indikasi adanya gejala heterokedastisitas
Ha : data terdapat adanya indikasi gejala heterokedastisitas Dalam penelitian ini, model yang diuji adalah model yang juga
telah ditransformasikan. Hasilnya terlihat pada tabel berikut.
Tabel 4.9 Uji Heteroskedastisitas
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. B
Std. Error Beta
1 Constant
12.691 2.244
5.656 .000
Ln_STR. AKTIVA -2.885
1.486 -.181
-1.941 .055
Ln_STR. KEUANGAN 2.299
1.871 .115
1.229 .222
a. Dependent Variabel: absut
Sumber : Hasil pengolahan data dengan SPSS
Tabel 4.9 menunjukkan bahwa kedua varabel independen memiliki nilai signifikan yang lebih besar dari α 0,05 sehingga H
diterima, artinya tidak terdapat indikasi adanya gejala heterokedastisitas.
4.1.3 Pengujian Hipotesis