Analisis Data Dan Uji Hipotesis

68 Gambar 4.5. Grafik Batang ROE Perusahaan LQ 45 Yang Go Public di Bursa Efek Indonesia Periode Tahun 2004-2008 Sumber : Tabel 4.5

4.3. Analisis Data Dan Uji Hipotesis

Analisis diskriminan dilakukan untuk membedakan pengelompokan dua kategori perusahaan gagal dan perusahaan tidak gagal dalam indeks LQ 45”, dimana pengelompokan perusahaan yang berpotensi gagal dan perusahaan yang berpotensi tidak gagal dilakukan dengan menggunakan analisis cluster kelompok.

4.3.1. Analisis Kelompok Cluster

Analisis cluster yang digunakan adalah non hirarki cluster dengan K-means cluster, hal ini dilakukan karena kelompok yang dikehendaki sudah diketahui sebelumnya yaitu menjadi 2 kelompok, perusahaan yang 69 berpotensi tidak gagal dan perusahaan yang berpotensi gagal. Hasil pengelompokan dengan K-means cluster adalah sebagai berikut : Tabel 4.6. Pembentukan Kelompok Final Cluster Centers ,20 ,07 ,93 ,53 17,46 2,92 2,18 2,89 33,09 7,43 NPM TAT ROA FLM ROE 1 2 Cluster Sumber : Lampiran 4 Hasil proses cluster adalah terjadi 2 cluster atau 2 kelompok perusahaan yaitu perusahaan yang berpotensi tidak gagal dan perusahaan yang berpotensi gagal. Untuk melihat jumlah anggota kelompok tiap clustering dapat dilihat pada Tabel berikut : Tabel 4.7. Jumlah Anggota Kelompok Number of Cases in each Cluster 30,000 30,000 60,000 ,000 1 2 Cluster Valid Missing Sumber : Lampiran 4 Berdasarkan Tabel di atas dapat dilihat bahwa kelompok 1 mempunyai 30 perusahaan yang berpotensi tidak gagal, hal ini dapat dilihat pada raw data bahwa kelompok 1 merupakan kelompok perusahaan yang berpotensi tidak gagal karena memiliki net profit margin tinggi, total asset turnover tinggi, return on assets tinggi, financial leverage multiplier rendah dan return on equity tinggi. Kelompok 2 juga mempunyai 30 70 perusahaan yang berpotensi gagal, hal ini dapat dilihat pada raw data bahwa kelompok 2 merupakan perusahaan yang berpotensi gagal karena memiliki net profit margin rendah, total asset turnover rendah, return on assets rendah, financial leverage multiplier tinggi dan return on equity rendah.

4.3.2. Uji Asumsi Analisis Diskriminan

Asumsi-asumsi yang harus dipenuhi dalam analisis diskriminan adalah Santoso, 2002:145:

1. Variabel Bebas Berdistribusi Normal

Pada penelitian ini metode yang digunakan untuk menguji normalitas variabel bebas adalah metode Kolmogorov Smirnov. Apabila nilai signifikansi yang dihasilkan uji Kolmogorov Smirnov lebih besar dari 0.05, maka distribusi data adalah normal Santoso, 2002:35-36. Hasil pengujian normalitas variabel bebas adalah sebagai berikut: Tabel 4.8. Hasil Uji Normalitas Variabel Bebas One-Sample Kolmogorov-Smirnov Test 60 60 60 60 60 ,1337 ,7255 10,1905 2,5313 20,2593 ,12126 ,39891 10,13188 1,04095 16,21272 ,087 ,161 ,102 ,117 ,061 ,062 ,161 ,102 ,117 ,055 -,087 -,155 -,094 -,097 -,061 ,676 1,251 ,788 ,904 ,473 ,751 ,088 ,564 ,387 ,979 N Mean Std. Deviation Normal Parameters a,b Absolute Positive Negative Most Extreme Differences Kolmogorov-Smirnov Z Asymp. Sig. 2-tailed NPM TAT ROA FLM ROE Test distribution is Normal. a. Calculated from data. b. Sumber : Lampiran 5 71 Berdasarkan Tabel di atas dapat diketahui bahwa nilai signifikansi dari uji Kolmogorov Smirnov untuk semua variabel yang digunakan dalam penelitian ini yaitu NPM, TAT, ROA, FLM dan ROE lebih besar dari 0.05 yaitu masing-masing 0,751, 0,088, 0,564, 0,387 dan 0,979. Dengan demikian berdasarkan uji Kolmogorov Smirnov disimpulkan bahwa variabel-variabel yang digunakan dalam penelitian yang berdistribusi normal.

2. Tidak Ada Outlier Pada Variabel Bebas

Deteksi adanya multivariate outlier pada variabel bebas penelitian ini menggunakan kriteria Mahalonobis Distance. Terdapat outlier apabila nilai maksimum Mahalonobis Distance lebih besar dari nilai 2  tabel α=0.001; df=5 = 20,515 Ferdinand, 2005:147-152. Berikut ini adalah hasil pengujian outlier: Tabel 4.9. Hasil Uji Outlier Pada Variabel Bebas Residuals Statistics a .66 2.59 1.50 .423 60 -1.986 2.563 .000 1.000 60 .050 .163 .086 .029 60 .54 2.75 1.50 .443 60 -.585 .612 .000 .274 60 -2.046 2.138 .000 .957 60 -2.314 2.215 .000 1.020 60 -.750 .656 .000 .313 60 -2.415 2.301 -.003 1.036 60 .829 18.271 4.917 4.265 60 .000 .325 .025 .055 60 .014 .310 .083 .072 60 Predicted Value Std. Predicted Value Standard Error of Predicted Value Adjusted Predicted Value Residual Std. Residual Stud. Residual Deleted Residual Stud. Deleted Residual Mahal. Distance Cooks Distance Centered Leverage Value Minimum Maximum Mean Std. Deviation N Dependent Variable: Potensi Kebangkrutan a. Sumber : Lampiran 5 72 Berdasarkan pada Tabel di atas, diketahui bahwa Maksimum Mahalonobis Distance mempunyai nilai 18,271 lebih kecil dari 20,515, maka disimpulkan data variabel bebas yang digunakan dalam penelitian ini, tidak mengandung multivariate outlier, sehingga asumsi terpenuhi. Deteksi univariate outlier juga perlu dilakukan, dimana pendeteksian univariate outlier dapat dilakukan dengan Z-Score. Jika nilai Z-Score terletak antara -3 sampai dengan +3 berarti tidak terdapat univariate outlier. Hasil pendeteksian univariate outlier adalah sebagai berikut : Tabel 4.10. Uji Univariate Outlier Putaran 1 Descriptive Statistics 60 -2,99897 2,44370 ,0000000 1,00000000 60 -1,71843 1,69085 ,0000000 1,00000000 60 -1,70556 3,18791 ,0000000 1,00000000 60 -1,29818 3,55317 ,0000000 1,00000000 60 -2,77679 2,35745 ,0000000 1,00000000 60 ZscoreNPM ZscoreTAT ZscoreROA ZscoreFLM ZscoreROE Valid N listwise N Minimum Maximum Mean Std. Deviation Sumber : Lampiran 5 Berdasarkan Tabel di atas diketahui pada variabel ROA dan FLM nilai maksimum yang dihasilkan lebih dari +3, sehingga diindikasikan pada variabel ini terdapat univariate outlier. Setelah dilakukan pengecekan pada raw data diketahui observasi 9 dan observasi 19 merupakan univariate outlier, sehingga harus dikeluarkan dari raw data. Kemudian dilakukan pendeteksian ulang terhadap raw data tanpa observasi 9 dan observasi 19 sebagai berikut : 73 Tabel 4.11. Uji Univariate Outlier Putaran 2 Descriptive Statistics 58 -2,99897 2,11384 -,0529859 ,95943363 58 -1,71843 1,69085 ,0117129 ,99691234 58 -1,70556 2,97669 -,0438680 ,92063538 58 -1,29818 2,36195 -,0421919 ,88900073 58 -2,77679 1,89793 -,0434432 ,96705959 58 ZscoreNPM ZscoreTAT ZscoreROA ZscoreFLM ZscoreROE Valid N listwise N Minimum Maximum Mean Std. Deviation Sumber : Lampiran 5 Berdasarkan Tabel di atas diketahui pada semua variabel nilai minimum dan nilai maksimum yang dihasilkan masuk dalam rentang -3 sampai dengan +3, sehingga diindikasikan pada variabel ini tidak terdapat univariate outlier.

3. Tidak Ada Korelasi Antar Variabel Bebas

Korelasi antar variabel bebas multikolinieritas dideteksi menggunakan nilai tolerance dan Variance Inflation Factor VIF tiap variabel bebas. Apabila nilai tolerance 0.10 atau nilai VIF 10, maka terdapat korelasi antar variabel bebas Ghozali, 2005:92. Berikut adalah nilai tolerance dan VIF yang diperoleh dari hasil pengujian: Tabel 4.12. Hasil Pengujian Korelasi Antar Variabel Bebas Coefficients a ,161 6,205 ,359 2,788 ,117 8,558 ,480 2,082 ,103 9,747 NPM TAT ROA FLM ROE Model 1 Tolerance VIF Collinearity Statistics Dependent Variable: Potensi Kebangkrutan a. Sumber : Lampiran 5 74 Berdasarkan hasil Tabel di atas, dapat diketahui bahwa semua nilai tolerance lebih besar dari 0,10, demikian pula nilai VIF semuanya kurang dari 10, maka disimpulkan tidak terdapat korelasi antar variabel bebas, sehingga asumsi terpenuhi.

4. Matriks Kovarian Dari Semua Variabel Bebas Sama

Pengujian kesamaan matriks kovarian dari semua variabel bebas group covariance matrices dilakukan dengan uji Box’s M. Apabila angka signifikansi dari uji Box’s M lebih besar dari 0.05, maka group covariance matrices adalah sama. Berikut adalah hasil uji Box’s M: Tabel 4.13. Hasil Pengujian Kesamaan Matriks Kovarian Test Results 135,780 8,179 15 12626,526 ,000 Boxs M Approx. df1 df2 Sig. F Tests null hypothesis of equal population covariance matrices. Sumber : Lampiran 5 Tabel di atas menunjukkan nilai signifikansi Box’s M sebesar 0,000 yang lebih kecil dari 0,05. Berdasarkan hasil tersebut disimpulkan bahwa matrik kovarian dari semua variabel bebas group covariance matrices adalah tidak sama. Akan tetapi menurut Ghozali 2005 : p. 188 analisis fungsi diskriminan tetap robust walaupun asumsi homogeneity of variance terpenuhi dengan syarat data tidak memiliki outlier. 75 4.4 Analisis dan Uji Hipotesis 4.4.1. Analisis Diskriminan