Berdasarkan rata-rata
variabel profitabilitas ternyata nilai tertinggi
adalah PT. Bank Rakyat Indonesia Persero Tbk dengan nilai sebesar 4,62 sedangkan nilai terendah adalah PT. Bank Kesawan Tbk dengan nilai
sebesar 0,32.
4.3. Analisis Regresi Linier Berganda 4.3.1. Uji Normalitas
Uji normalitas digunakan untuk mengetahui apakah suatu data mengikuti sebaran normal atau tidak Sumarsono, 2004: 40. Dalam
penelitian ini uji normalitas menggunakan metode Kolmogorov Smirnov. Hasil pengujian normalitas dapat dilihat pada tabel berikut:
Tabel 4.4 : Hasil Uji Normalitas
No. Variabel Penelitian
Kolmogorov Smirnov
Tingkat Signifikan
1. 2.
3. Pengendalian biaya X
1
Modal kerja X
2
Profitabilitas Y 0,599
3,675 1,020
0,865 0,000
0,249
Sumber : Lampiran 5 Berdasarkan
tabel 4.4
terlihat bahwa tingkat signifikan pada variabel
pengendalian biaya X
1
sebesar 0,865 dan tingkat signifikan pada variabel profitabilitas Y sebesar 0,249. Hal ini menyimpulkan bahwa variabel
pengendalian biaya X
1
dan profitabilitas Y adalah berdistribusi normal, karena nilai signifikan yang dihasilkan diatas 5.
Berbeda dengan variabel modal kerja X
2
, tingkat signifikan yang dihasilkan sebesar 0,000 yang berarti variabel modal kerja X
2
adalah tidak berdistribusi normal, karena nilai signifikan yang dihasilkan dibawah 5.
Analisis regresi linier berganda tetap dilanjutkan karena mempertimbangkan Teorema Central Limit, apabila n 30 maka variabel
variabel modal kerja X
2
dianggap mengikuti distribusi normal. Iskandar Itan, 2003 : 167
4.3.2. Uji Asumsi Klasik
Tujuan utama menggunakan uji asumsi klasik adalah untuk mendapatkan koefisien yang terbaik linier dan tidak bias BLUE : Best
Linier Unbiassed Estimator. Uji asumsi klasik tersebut meliputi asumsi
multikolinieritas, heteroskedastisitas dan autokorelasi.
1. Uji
Multikolinieritas
Tolerance mengukur
variabilitas variabel bebas yang terpilih yang
tidak dapat dijelaskan oleh variabel bebas lainnya. Jadi nilai tolerance yang rendah sama dengan nilai VIF tinggi karena VIF = 1tolerance dan
menunjukkan adanya kolinieritas yang tinggi. Nilai cut off yang umum dipakai adalah nilai tolerance 0,10 atau sama dengan nilai VIF diatas 10.
Adapun besaran VIF dari masing-masing variabel bebas adalah sebagai berikut :
Tabel 4.5: Nilai VIF Variance inflation Factor Variabel Bebas
VIF Pengendalian biaya X
1
Modal kerja X
2
1,214 1,214
Sumber : Lampiran 6
Berdasarkan tabel
4.5 terlihat bahwa model regresi tidak terjadi
multikolinieritas, karena besaran VIF yang dihasilkan oleh variabel pengendalian biaya X
1
dan modal kerja X
2
lebih kecil dari 10.
2. Uji
Heteroskedastisitas
Heteroskedastisitas dapat diidentifikasikan dengan cara menghitung koefisien korelasi Rank Spearman antara nilai residual
dengan seluruh variabel bebas. Hasil dari uji Rank Spearman adalah sebagai berikut :
Tabel 4.6: Hasil Korelasi Rank Spearman Variabel Bebas
Koefisien korelasi Rank Spearman
Tingkat signifikansi
Pengendalian biaya X
1
Modal kerja X
2
-0,081 -0,244
0,536 0,060
Sumber : Lampiran 6 Berdasarkan
tabel 4.6
terlihat bahwa model regresi tidak terjadi heteroskedastisitas, karena tingkat signifikansi yang dihasilkan oleh
variabel pengendalian biaya X
1
dan modal kerja X
2
lebih besar dari 5 sig 5.
3. Uji
Autokorelasi
Adanya Autokorelasi
dalam model regresi artinya adanya korelasi
antar anggota sampel yang diurutkan berdasarkan waktu. Uji statistik yang digunakan untuk mengetahui ada tidaknya autokorelasi adalah uji
Durbin Watson. Berikut ini hasil uji Durbin Watson:
Tabel 4.7: Hasil Uji Durbin Watson
Model Summary
b
,766
a
,586 ,572
,84367 ,824
Model 1
R R Square
Adjusted R Square
Std. Error of the Estimate
Durbin- Watson
Predictors: Constant, modal kerja, pengendalian biaya a.
Dependent Variable: profitabilitas b.
Sumber : Lampiran 6 Nilai
DW Durbin
Watson yang dihasilkan adalah sebesar 0,824
karena nilai DW Durbin Watson berada diantara –2 dan +2 maka dapat disimpulkan bahwa antar residual kesalahan pengganggu tidak terdapat
korelasi atau model regresi linier berganda yang dihasilkan tidak terjadi autokorelasi.
Berdasarkan hasil uji asumsi klasik tersebut, maka model regresi yang diperoleh merupakan model yang menghasilkan estimasi linear tidak bias
yang baik yang artinya bahwa koefisien regresi pada persamaan tersebut linear dan tidak bias, karena memenuhi beberapa asumsi yaitu tidak terjadi
multikolinieritas, tidak terjadi heteroskedastisitas dan tidak terjadi autokorelasi.
4.3.3. Persamaan Regresi Berganda
Persamaan regresi
linier berganda yang dihasilkan dapat dilihat pada
tabel di bawah ini :
Tabel 4.8 : Persamaan Regresi Linier Berganda Variabel Bebas
Koefisien regresi Konstanta
Pengendalian biaya X
1
Modal kerja
X
2
9,575 -0,092
-3,6 x 10
-14
Sumber : Lampiran 6 Persamaan regresi linier berganda yang digunakan adalah sebagai berikut :
Y = 9,575 X
1
– 0,092 X
2
- 3,6.10
-14
X
3
Penjelasan persamaan regresi linier berganda tersebut di atas adalah sebagai berikut :
1. Konstanta
Konstanta yang dihasilkan sebesar 9,575 hal ini menunjukkan besarnya profitabilitas sebesar 9,575 jika variabel pengendalian biaya X
1
dan modal kerja X
2
adalah konstan.
2. Pengendalian
Biaya X
1
Koefisien regresi variabel ini adalah sebesar -0,092 hal ini menunjukkan bahwa pola hubungan variabel pengedalian biaya X
1
dengan profitabilitas Y adalah negatifberlawanan yang berarti jika pengendalian biaya X
1
naik persen, maka profitabilitas Y akan turun sebesar 0,092 persen dengan asumsi modal kerja X
2
adalah konstan.
3. Modal Kerja X
2
Koefisien regresi variabel ini adalah sebesar -3,6.10
-14
hal ini menunjukkan bahwa pola hubungan variabel modal kerja X
2
dengan profitabilitas Y adalah negatifberlawanan yang berarti jika modal kerja
X
2
naik Rp. 1, maka profitabilitas Y akan turun sebesar 3,6.10
-14
persen dengan asumsi pengendalian biaya X
1
adalah konstan.
4.4. Uji Hipotesis
