Sampel adalah sebagian dari unit populasi yang diperoleh melalui sampling tertentu Rochaety, 2007:64. Metode sampling yang
dilakukan adalah purposive sampling. Sesuai dengan namanya, sampel diambil dengan maksud atau tujuan tertentu. Seseorang atau sesuatu
diambil sebagai sampel karena peneliti menganggap bahwa seseorang atau sesuatu tersebut memiliki informasi yang diperlukan bagi
penelitiannya. Adapun kriteria sample yang akan dipilih adalah perusahaan
tersebut harus memiliki : 1.
Perusahaan sampel adalah perusahaan sektor pertambangan yang terdaftar di Bursa Efek Indonesia dan ICMD Indonesian Capital
Market Directory selama tahun 2008-2012 2.
Perusahaan sampel menerbitkan laporan keuangan yang selama periode penelitian yaitu tahun 2008-2012
3. Perusahaan yang diteliti tersebut tidak mengalami delisting selama
periode penelitian yaitu tahun 2008-2012 Berdasarkan kriteria yang telah ditetapkan diatas maka diperoleh
perusahaan yang menjadi sampel penelitian berjumlah 12 perusahaan.
3.4. Teknik Pengumpulan Data
Pengumpulan data dilakukan dengan metode dokumentasi. Metode dokumentasi merupakan merupakan suatu teknik pengumpulan data
dengan menghimpun dan menganalisis data sekunder berupa dokumen-
Universitas Sumatera Utara
dokumen, baik dokumen tertulis, gambar maupun elektronik, catatan- catatan, dan informasi lainnya yang berkaitan dengan penelitian ini.
Dokumen yang telah diperoleh kemudian dianalisis diurai, dibandingkan dan dipadukan sintesis membentuk satu hasil kajian yang sistematis, padu
dan utuh. Dalam penelitian ini, penulis mengumpulkan data melalui internet dengan mengambil data dari situs www.idx.co.id sesuai periode
pengamatan.
3.5. Variabel Penelitian dan Definisi Operasional Penelitian
Dalam penelitian ini terdapat dua variabel independen bebas dan satu variabel dependen terikat.
1. Variabel Bebas Independent Variable
Variabel independen adalah variabel yang menjadi sebab terjadinya atau terpengaruhnya variabel dependen. Yang digunakan dalam
penelitian ini adalah Struktur modal dan Return on Asset. a.
Struktur Modal Struktur modal dapat dihitung dengan menggunakan Longterm
Dept to Equity Ratio LDER. Longterm dept
LDER = Stockholder’s equity
b. Return on Asset ROA
Return on Asset dapat dihitung dengan menggunakan rumus sebagai berikut:
Universitas Sumatera Utara
Profit after taxes ROA =
Total Assets 2.
Variabel Terikat Dependent Variable Variabel dependen atau variabel terikat dijelaskan atau dipengaruhi
oleh variabel independen. Variaabel dependen adalah konsekuensi dari variabel independen. Erlina, 2008:42. Variabel dependen yang
digunakan dalam penelitian ini adalah Return on Equity ROE. Profit after taxes
ROE = Stockholder’s equity
Tabel 3.1 Variabel Penelitian dan Definisi Operasional Penelitian
Jenis Variabel
Nama Variabel
Definisi Pengukuran
Skala
Universitas Sumatera Utara
3.6. Metode Analisis Data
Metode Analisis data terlebih dahulu menggunakan uji asumsi klasik yang dilanjutkan dengan pengujian atas hipotesis. Pengujian asumsi klasik
diperlukan untuk mengetahui apakah hasil estimasi regresi yang dilakukan benar-benar bebas dari adanya gejala heteroskedastisitas, gejala
multikolinearitas, dan gejala autokorelasi. Uji yang dilakukan adalah uji normalitas, uji multikolinearitas, heteroskedastisitas, dan autokorelasi.
Tujuan utama dari analisis data adalah meringkas data dalam bentuk yang Variabel
Independen Longterm
Dept to Equity Ratio LDER
Return on Asset ROA
Mengukur tingkat struktur modal yang ada
di perusahaan dengan membandingkan hutang
jangka panjang dengan ekuitas pemegang
saham. Mengukur kemampuan
perusahaan dalam menghasilkan laba dari
aktiva yang digunakan. Longterm debt
Stockoholder’s equity
Net Income Total Asset
Rasio Rasio
Variabbel Dependen
Rentabilitas Modal Sendiri
ROE Mengukur kemampuan
perusahaan dalam memperoleh
keuntungan bagi pemegang saham
Profit after taxes Stockholder’s Equity
Rasio
Universitas Sumatera Utara
mudah dipahami dan mudah ditafsirkan, sehingga hubungan antara problem penelitian dapat dipelajari dan diuji.
3.6.1. Analisis Deskriptif
Analisis yang digunakan dalam penelitian ini adalah dengan mengumpulkan, mengklasifikasi dan menginterpretasikan data penelitian
sehingga diperoleh gambaran yang lebih jelas mengenai keadaan perusahaan yang sedang diteliti.
3.6.2. Uji Asumsi Klasik
a. Uji Normalitas Menurut Erlina dan Mulyani 2007:103, ”Tujuan uji normalitas
adalah ingin mengetahui apakah dalam model regresi variabel pengganggu atau residual memiliki distribusi normal. Pengujian ini
diperlukan karena untuk melakukan uji t dan uji F mengasumsikan bahwa nilai residual mengikuti distribusi normal”.
Cara yang digunakan untuk mendeteksi apakah residual berdistribusi normal atau tidak adalah dengan desain grafik. Jika data
menyebar di sekitar garis diagonal atau mengikuti arah garis diagonal, atau grafik histogramnya menunjukkan pola distribusi
normal, maka model regresi memenuhi asumsi normalitas, demikian sebaliknya. Selain itu dapat juga digunakan uji statistik non-
parametrik Kolmogorov Smirnov K-S. Cara pengambilan keputusannya adalah :
Ho : Data residual berdistribusi normal
Universitas Sumatera Utara
Ha : Data residual tidak berdistribusi normal Jika signifikan pada nilai Kolmogorov Smirnov 0.05 maka Ho
ditolak , jadi data residual berdistribusi tidak normal. Jika signifikan pada nilai K-S 0.05, maka Ho diterima, jadi data residual
berdistribusi normal. Dalam penelitian ini, uji normalitas dilakukan dengan menggunkan grafik histogram, normal probability plot, dan
uji Kolmogorov-Smirnov. b. Uji Multikolinearitas
Multikolineritas merupakan suatu keadaan dimana terjadinya satu atau lebih variabel independen berkorelasi sempurna atau
mendekati sempurna dengan variabel independen lainnya.
Konsekuensinya adalah pada koefisien regresi menjadi tidak dapat ditaksir. Uji multikolinearitas bertujuan untuk menguji apakah model
regresi ditemukan adanya korelasi antar variabel independen. Jika terjadi korelasi, berarti terjadi masalah multikolinieritas. Model
regresi yang baik seharusnya tidak terjadi korelasi diantara variabel independen Ghozali, 2005:91.
Salah satu cara untuk mendeteksi ada atau tidaknya gejala multikolinieritas bias dilihat dari variance inflation factor VIF dari
masing-masing variabel independen terhadap variabel dependen dan juga nilai Toleransinya. Jika suatu model regresi mempunyai nilai
VIF lebih kecil dari 10 dan mempunyai angka Tolerance lebih besar
Universitas Sumatera Utara
dari 0,1 maka model regresi tersebut tidak mengandung gangguan multikolinearitas.
c. Uji Heteroskedastisitas Heterokedastisitas muncul apabila kesalahan atau residual dari
model-model yang diamati tidak memiliki varians yang konstan dari suatu observasi ke observasi lainnya. Uji heteroskedastisitas
bertujuan untuk melihat apakah dalam model regresi terjadi ketidaksamaan variabel dari residual satu pengamatan ke
pengamatan lain. Model regresi yang baik adalah tidak terjadi heteroskedastisitas.
Salah satu cara mendeteksi terjadinya heteroskedastisitas dapat dilakukan dengan melihat ada tidaknya pola tertentu pada grafik
Scatter-Plot. Dasar analisis menurut Ghozali, 2005:105 adalah: 1.
Jika pola tertentu, seperti titik yang ada membentuk pola tertentu yang teratur bergelombang, melebar, kemudian menyempit,
maka mengindikasikan terjadinya heteroskedastisitas. 2.
Jika tidak ada pola yang jelas, serta titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi
heteroskedastisitas. d. Uji Autokorelasi
Uji Autokorelasi bertujuan untuk menguji apakah dalam suatu model regresi linier ada korelasi antara kesalahan pengganggu pada
periode t dengan kesalahan pada periode t-1 atau sebelumnya
Universitas Sumatera Utara
Ghozali, 2005:95. Autokorelasi akan muncul bila data sesudahnya merupakan fungsi dari data sebelumnya, atau data sesudahnya
memiliki korelasi yang tinggi dengan data sebelumnya pada data time series dan besaran data sangat tergantung pada tempat data
tersebut terjadi. Adanya autokorelasi bertentangan dengan salah satu asumsi dasar regresi linier berganda “yang tidak ada korelasi antara
anggota sampel”. Konsekuensi dari adanya gejala autokorelasi ini adalah varian sampel tidak dapat menggambarkan varian
populasinya dan model regresi yang dihasilkan tidak dapat digunakan untuk menaksir nilai variabel dependen pada nilai variabel
independen tertentu. Untuk mendeteksi adanya problem autokorelasi dengan
penggunaan program SPSS adalah dengan melihat besaran Durbin- Watson yaitu panduan mengenai angka D-W pada table D-X.
Pengambilan keputusan ada tidaknya autokorelasi adalah sebagai berikut:
1. Angka D-W dibawah -2 berarti ada autokorelasi positif
2. Angka D-W diantara -2 sampai +2 berarti tidak ada
autokorelasi 3.
Angka D-W diatas +2 berarti ada autokorelasi negative Autokorelasi dapat diatasi dengan berbagai cara, misalnya
dengan melakukan transformasi data dan menambah data observasi.
Pengujian Hipotesis Penelitian
Universitas Sumatera Utara
Uji Hipotesis adalah metode pengambilan keputusan yang didasarkan dari analisa data, baik dari percobaan yang terkontrol,
maupun dari observasi tidak terkontrol. Dalam statistik sebuah hasil bisa dikatakan signifikan secara statistik jika kejadian tersebut hampir
tidak mungkin disebapkan oleh faktor yang kebetulan, sesuai dengan batas probabilitas
a. Analisis regresi berganda yang sudah ditentukan sebelumnya. Analisis regresi
digunakan untuk memprediksi pengaruh variabel bebas terhadap variabel terikat. Analisis regresi juga dapat dilakukan untuk mengetahui
kelinieritas variabel terikat dengan varibel bebasnya, selain itu juga dapat menunjukkan ada atau tidaknya data yang outlier atau data yang
ekstrim. Hipotesis diuji dengan analisis regresi linier berganda untuk menganalisis pengaruh variabel independen terhadap dependen. Untuk
menguji apakah hipotesis yang diajukan diterima atau ditolak, digunakan uji t t-test dan uji F F-test.
Model regresi yang digunakan adalah sebagai berikut: Y = a + b1X1 + b2X2 + e
Dimana: Y
= Rentabilitas Modal Sendiri a
= Konstanta X1
= Return on Asset X2
= Struktur Modal b1, b2 = Koefisien regresi dari masing-masing variabel
Universitas Sumatera Utara
e = Error
Besarnya konstanta dalam a, dan besarnya koefisien regresi masing-masing variabel independen yang ditunjukkan pada X1 dan
X2. Analisis regresi dilakukan untuk mengetahui seberapa besar hubungan antara variabel independen dengan variable dependennya.
b. Uji signifikan parsial Uji t Uji ini dilakukan untuk mengetahui pengaruh variabel
independen secara parsial terhadap variabel dependen. Menurut Ghozali 2005:84, “uji statistic t pada dasarnya menunjukkan
seberapa jauh pengaruh satu variabel penjelas independen secara individual dalam menerangkan variabel dependen”.
Bentuk pengujian : H
H : b1 : b2 = 0, artinya tidak terdapat pengaruh yang signifikan dari
LDER dan ROA terhadap variabel ROE.
a
Pada penelitian ini nilai t hitung akan dibandingkan dengan t tabel pada tingkat signifikan α = 5, dimana :
: b1 : b2 ≠ 0, artinya terdapat pengaruh yang signifikan dari
LDER dan ROA terhadap variabel ROE.
H H
diterima jika : signifikan 0,05
Kriteria pengambilan keputusan pada uji t ini adalah : ditolak jika : signifikan
≤ 0,05
- Jika Thitung Ttabel pada α 0.05, maka H
a
- Jika Thitung Ttabel pada α 0.05, maka H
ditolak dan
a
diterima
Universitas Sumatera Utara
c. Uji signifikan Simultan Uji F Uji ini dilakukan untuk mengetahui pengaruh variabel
independen secara bersama-sama terhadap variabel dependen. Menurut Ghozali 2005:84, “uji statistik F pada dasarnya
menunjukkan apakah semua variabel independen atau bebas yang dimasukkan dalam model mempunyai pengaruh secara bersama-
sama terhadap variabel dependenterikat”. Bentuk Pengujian :
H
H : b1 : b2 = 0, artinya variabel LDER dan ROA yang terdapat pada
model ini tidak berpengaruh signifikan terhadap variabel ROE
a
Pada penelitian ini nilai FHitung akan dibandingkan dengan FTabel pada tingkat signifikan α = 5, dimana:
: b1 : b2 ≠ 0, artinya variabel LDER dan ROA yang terdapat pada
model ini berpengaruh signifikan terhadap variabel ROE
H H
diterima jika : signifikan 0.05
Kriteria penilaian hipotesis pada uji F ini adalah : ditolak jika : signifikan
≤ 0.05
- Jika FHitung FTabel pada α 0.05, maka H
a
- Jika FHitung FTabel pada α 0.05, maka H
ditolak dan
a
diterima
Universitas Sumatera Utara
BAB IV HASIL ANALISI DAN PEMBAHASAN
4.1 Hasil Penelitian
4.1.1 Data Penelitian
Objek penelitian ini adalah perusahaan sektor pertambangan yang terdaftar di Bursa Efek Indonesia. Setelah dilakukan pemilihan sample
dengan teknik purposive sampling diperoleh 18 perusahaan dari 36 perusahaan- perusahaan sektor pertambangan yang terdaftar di Bursa Efek
Indonesia dengan time series selama 5 tahun pengamatan pada periode 2008 – 2012.
Universitas Sumatera Utara
Metode analisis data yang digunakan dalam penelitian ini adalah metode analisis statistik yang menggunakan persamaan regresi berganda.
Statistik deskriptif digunakan untuk menunjukkan nilai maksimum, nilai minimum, nilai rata-rata serta standar deviasi dari variabel independen dan
variabel dependen.
Tabel 4.1 Statistik Deskriptif
Descriptive Statistics
N Minimum
Maximum Mean
Std. Deviation LDER
60 .005
9.177 .80285
1.347410 ROA
60 -.168
.460 .10512
.123065 ROE
60 -1.400
.685 .15395
.307674 Valid N
listwise 60
Sumber : Output SPSS, 2013
Pada table 4.1 di atas menunjukkan bahwa variabel LDER memiliki nilai minimum dan maksimum positif, sedangkan pada variabel ROA dan ROE
memiliki nilai minimum negative, maksimum positif dan rata-rata positif. Berikut ini perincian data deskriptif yang telah diolah :
a. Variabel LDER memiliki nilai minimum 0,05 dan maksimum 9,177
dengan rata-rata 0,80285 dan standar deviasi sebesar 1,347410 dengan jumlah sampel sebanyak 60.
b. Variabel ROA memiliki nilai minimum -0,168 dan maksimum 0,460
dengan rata-rata 0,10512 dan standar deviasi sebesar 0,123065 dengan jumlah sampel sebanyak 60.
Universitas Sumatera Utara
c. Variabel ROE memiliki nilai minimum -1,400 dan maksimum 0,685
dengan rata-rata 0,307674 dan standar deviasi sebesar 1,347410 dengan jumlah sampel sebanyak 60.
4.1.2 Uji Asumsi Klasik
4.1.2.1 Uji Normalitas Uji normalitas bertujuan untuk menguji apakah dalam model
regresi variabel terikat dan variabel bebas, keduanya mempunyai distribusi normal atau tidak. Pengujian normalitas data dalam penelitian ini
menggunakan uji statistik non parametrik Kolmogorov-Smirnov K-S dengan membuat hipotesis :
H H
: Data residual berdistribusi normal
a
Apabila nilai signifikansinya lebih besar dari 0,05 maka H : Data residua l tidak berdistribusi normal
diterima dan sebaliknya, bila nilai signifikansinya lebih kecil dari 0,05 maka H
Gambar 4.1 Grafik Histogram
ditolak. Uji normalitas yang pertama dengan melihat grafik histogram sebagaimana terlihat dalam gambar 4.1 di bawah ini:
Universitas Sumatera Utara
Sumber : Output SPSS, 2013
Dari Gambar 4.1 dapat dilihat bahwa bentuk cenderung di tengah dan mendekati normal, akan tetapi kesimpulan normal tidak dapat ditarik hanya
dengan melihat grafik histogram. Kesimpulan normal dapat dilihat dengan menggunakan metode lain. Metode lain yang digunakan dalam analisis grafik
adalah dengan melihat normal probability plot yang membandingkan distribusi kumulatif dari distribusi normal. Jika distribusi data residual
normal, maka garis yang akan menggambarkan data sesungguhnya akan mengikuti garis diagonalnya. Uji normalitas dengan melihat Normal
Probability Plot dapat dilihat pada gambar 4.2 berikut:
Gambar 4.2 Grafik Normal P-Plot
Universitas Sumatera Utara
Sumber : Output SPSS, 2013 Grafik probabilitas pada gambar 4.2 data menyebar di sekitar garis
diagonal dan tidak mengikuti arah garis diagonal atau grafik histogramnya menunjukkan pola distribusi tidak normal. Pengujian normalitas data secara
analisis statistik dapat dilakukan dengan menggunakan uji kolmogorov – Smirnov. Data yang berdistribusi normal ditunjukkan dengan nilai signifikansi di atas 0,05
Ghozali, 2009:165. Hasil pengujian normalitas terhadap 60 data terlihat dalam Tabel 4.2 berikut ini:
Tabel 4.2 Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 60
Normal Parameters
a,,b
Mean .0000000
Std. Deviation .15216663
Most Extreme Differences Absolute
.210 Positive
.140 Negative
-.210 Kolmogorov-Smirnov Z
1.627 Asymp. Sig. 2-tailed
.010 a. Test distribution is Normal.
b. Calculated from data.
Sumber: Output SPSS, 2013
Universitas Sumatera Utara
Berdasarkan tabel diatas menunjukkan bahwa data belum terdistribusi secara normal. Hal ini ditunjukan nilai Kolmogorov-Smirnov sebesar 1,627
dengan nilai signifikan 0,010 atau nilai signifikan 0.05 yaitu 0.010. Hal ini menunjukkan bahwa data belum terdistribusi normal. Untuk memperoleh hasil
terbaik maka dilakukan transformasi normal agar data menjadi lebih normal dengan menggunakan natural logaritma Ln. Hasil pengujian normalitas
yang kedua tampak dalam Tabel 4.3 sebagai berikut:
Tabel 4.3 Uji Normalitas Setelah Transformasi Ln
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 52
Normal Parameters
a,,b
Mean .0000000
Std. Deviation .27467352
Most Extreme Differences Absolute
.102 Positive
.102 Negative
-.094 Kolmogorov-Smirnov Z
.736 Asymp. Sig. 2-tailed
.651 a. Test distribution is Normal.
b. Calculated from data.
Sumber: Output SPSS, 2013
Universitas Sumatera Utara
Dari pengujian kedua nilai Kolmogororov-Smirnov adalah 0,736 dan nilai signifikansi signifikansi yaitu sebesar 0.651 maka disimpulkan data
terdistribusi secara normal karena nilai signifikansinya lebih besar dari 0,05. Hasil terakhir di atas juga didukung hasil analisis grafiknya, yaitu grafik
histogram maupun grafik Normal Probability Plot. Seperti gambar 4.3 dan 4.4 dibawah ini:
Gambar 4.3 Grafik Histogram Setelah Transformasi Ln
Sumber: Output SPSS, 2013
Universitas Sumatera Utara
Gambar 4.4 Grafik Normal P – P Plot Setelah Transformasi Ln
Sumber : Output SPSS Berdasarkan grafik histogram di atas, dapat dilihat bahwa kurva
menyerupai bentuk lonceng yang hampir sempurna dengan kemiringan yang cenderung seimbang baik dari sisi kiri maupun dari sisi kanan. Hal ini
menunjukkan bahwa data telah terdistribusi secara normal. Pada gambar 4.3, terlihat titik – titik menyebar disekitar garis diagonal
serta penyebarannya mendekati garis diagonal sehingga dapat disimpulkan bahwa data dalam model regresi terdistribusi secara normal.
4.1.2.2 Uji Heteroskedastisitas
Uji Heteroskedastisitas dalam penelitian ini digunakan untuk mendeteksi ada tidaknya gejala heroskedastisitas yaitu dengan melihat grafik scatterplot
Universitas Sumatera Utara
variabel dependen, yaitu ZPRED dengan residualnya SRESID. Dasar pengambilan keputusannya adalah:
a. Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu
yang teratur bergelombang, melebar kemudian menyempit, maka mengindikasikan telah terjadi heteroskedastisitas.
b. Jika tidak ada pola yang jelas, seperti titik-titik menyebar di atas dan di
bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas atau terjadi homoskedastisitas.
Hasil uji heteroskedastisitas dengan menggunakan grafik Scatterplot ditunjukkan pada Gambar 4.5 dibawah ini:
Gambar 4.5 Grafik Scatterplot
Sumber : Output SPSS, 2013
Universitas Sumatera Utara
Pada 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 ini menunjukkan bahwa tidak terjadi heterokedastisitas.
4.1.2.4 Uji Autokorelasi
Uji autokorelasi bertujuan untuk melihat apakah dalam suatu model regresi linear ada korelasi antar kesalahan pengganggu pada periode t dengan kesalahan
pada periode t-1. Autokorelasi muncul karena observasi yang berurutan sepanjang tahun yang berkaitan satu dengan lainnya. Cara yang dapat digunakan untuk
mendeteksi masalah autokorelasi adalah dengan menggunakan nilai uji Durbin Watson. Berikut ini merupakan hasil uji Durbin-Watson yang digunakan.
Tabel 4.4 Hasil Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R Square Std. Error of the
Estimate Durbin-Watson
1 .974
a
.948 .946
.28022 .985
a. Predictors: Constant, LN_LDER, LN_ROA b. Dependent Variable: LN_ROE
Sumber : Output SPSS, 2013
Universitas Sumatera Utara
Dari hasil uji autokorelasi Durbin – Watson maka diperoleh nilai DW sebesar 0,985. Angka ini terletak diantara -2 dan +2, dari pengamatan ini dapat
disimpulkan bahwa tidak terjadi autokorelasi .
4.1.2.5 Uji Multikolonieritas
Uji multikolonieritas dalam penelitian ini digunakan untuk mendeteksi ada tidaknya gejala multikolonieritas dengan melihat nilai tolerance dan variance
inflation factor VIF. apabila nilai VIF 10 dan nilai Tolerance 0,1 maka terjadi multikolinearitas dan apabila nilai VIF 10 dan nilai Tolerance 0,1
maka tidak terajadi multikolineraritas. Hasil uji mutikolinearitas dapat dilihat pada tabel berikut :
Tabel 4.5 Hasil Uji Multikolonieritas
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity
Statistics B
Std. Error Beta
Tolerance VIF
1 Constant
.998 .126
7.908 .000
LN_ROA .976
.035 1.111
28.184 .000
.682 1.466
LN_LDER .261
.034 .300
7.609 .000
.682 1.466
a. Dependent Variable: LN_ROE
Sumber : Output SPSS, 2013
Universitas Sumatera Utara
Dari table 4.5 diatas, terlihat bahwa variabel independen yang ada mempunyai angka Variance Inflation Faktor VIF di bawah angka 10. Hal ini
berarti regresi yang dipakai untuk ke dua variabel independen diatas tidak terdapat persoalan multikolinieritas.
4.1.3 Pengujian Hipotesis 4.1.3.1 Analisis Regresi
Untuk menguji hipotesis, peneliti menggunakan analisis regresi berganda. Adapun hasil pengolahan data dengan analisis regresi menggunakan program
SPSS 17 dapat dilihat pada tabel dibawah ini.
Tabel 4.6 Analisis Hasil Regresi
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. B
Std. Error Beta
1 Constant .998
.126 7.908
.000 LN_ROA
.976 .035
1.111 28.184
.000 LN_LDER
.261 .034
.300 7.609
.000 a. Dependent Variable: LN_ROE
Sumber : Output SPSS,2013
Universitas Sumatera Utara
Berdasarkan tabel 4.6 pada kolom Unstandardized Coefficients bagian B diperoleh model persamaan regresi linier berganda sebagai berikut:
Y = 0,998 + 0.261X1 + 0,976X2 + e Keterangan :
a. Konstanta sebesar 0,998 menunjukkan bahwa apabila tidak ada variabel
independen LDER dan ROA = 0 maka Renatabilitas Modal Sendiri sebesar 0,998
b. Koefisien regresi LDER b1 sebesar 0,261 menyatakan bahwa setiap
penambahan LDER sebesar 1 maka akan meningkatkan Renatabilitas Modal Sendiri sebesar 0,261 dengan asumsi variabel lain tetap.
c. Koefisien regresi ROA b2 sebesar 0,976 menyatakan bahwa setiap
penambahan ROA sebesar 1 maka akan meningkatkan Renatabilitas Modal Sendiri sebesar 0,976 dengan asumsi variabel lain tetap.
4.1.3.2 Uji t Uji Parsial
Uji t digunakan untuk menguji signifikansi konstanta dan setiap variabel independen terhadap variabel dependen secara parsial. Berdasarkan hasil
pengolahan SPSS 17, diperoleh hasil sebagai berikut :
Tabel 4.7 Hasil Uji t
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. B
Std. Error Beta
1 Constant .998
.126 7.908
.000
Universitas Sumatera Utara
LN_ROA .976
.035 1.111
28.184 .000
LN_LDER .261
.034 .300
7.609 .000
a. Dependent Variable: LN_ROE
Sumber : Output SPSS, 2013 Tabel 4.7 menunjukkan hasil pengujian statistik t sehingga dapat
menjelaskan pengaruh variabel independen secara parsial sebagai berikut: a.
Pengaruh ROA terhadap Rentabilitas Modal Sendiri Besarnya t hitung untuk variabel ROA adalah sebesar 28,184 dengan nilai
signifikan 0,000, sedangkan t tabel adalah 2,008 sehingga t
hitung
t
tabel
28,184 2,008, ROA secara individual mempengaruhi Rentabilitas Modal Sendiri. Signifikansi penelitian juga menunjukkan angka 0,05
0,000 0,05, maka Ho ditolak dan Ha diterima, artinya ROA berpengaruh signifikan terhadap Rentabilitas Modal Sendiri.
b. Pengaruh LDER terhadap Rentabilitas Modal Sendiri
Besarnya t hitung untuk variabel LDER adalah sebesar 7,609 dengan nilai signifikan 0,000, sedangkan t tabel adalah 2,008 sehingga t
hitung
t
tabel
7,609 2,008, LDER secara individual mempengaruhi Rentabilitas Modal Sendiri. Signifikansi penelitian juga menunjukkan angka 0,05
0,000 0,05, maka Ho ditolak dan Ha diterima, artinya LDER berpengaruh signifikan terhadap Rentabilitas Modal Sendiri.
Universitas Sumatera Utara
4.1.3.3 Uji F Uji Simultan
Uji statistik F atau Analysis Of Variance ANOVA pada dasarnya menunjukkan apakah semua variabel independen yang dimasukkan dalam model
mempunyai pengaruh secara bersama – sama terhadap variabel dependennya. Berdasarkan hasil pengolahan data dengan program SPSS 17, maka diperoleh
hasil sebagai berikut :
Tabel 4.8 Hasil Uji F
ANOVA
b
Model Sum of Squares
df Mean Square
F Sig.
1 Regression 70.270
2 35.135
447.440 .000
a
Residual 3.848
49 .079
Total 74.118
51 a. Predictors: Constant, LN_LDER, LN_ROA
b. Dependent Variable: LN_ROE
Sumber: Output SPSS, 2013
Berdasarkan table di atas, dapat dilihat bahwa nilai F hitung sebesar 447,440, sedangkan nilai F tabel 3,19. Hal ini berarti F hitung lebih besar dari F
tabel 447,440 3,19 dengan signifikan yang lebih kecil dari 0,05 0,000 0,05. Hal ini menunjukkan bahwa variabel LDER dan ROA secara simultan
mempengaruhi ROE.
4.1.4 Koefisien Determinasi
Nilai koefisien korelasi R menunjukkan seberapa besar korelasi atau hubungan antara variabel-variabel independen dengan variabel dependen.
Universitas Sumatera Utara
Koefisien korelasi dikatakan kuat apabila data nilai R berada diantara 0,5 dan mendekati 1. Koefisien determinasi R Square menunjukkan seberapa besar
variabel independen menjelaskan variabel dependennya. Nilai R Square R
2
adalah 0 sampai dengan 1. Apabila nilai R Square R
2
Nilai R Square R semakin mendekati 1,
maka variabel-variabel independen mendekati semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen. Sebaliknya, semakin kecil nilai R
Square maka kemampuan variabel-variabel independen untuk menjelaskan variasi variabel dependen semakin terbatas.
2
memiliki kelemahan yaitu nilai R Square R
2
Tabel 4.9 Hasil Analisis Koefisien Determinasi
akan meningkat setiap ada penambahan satu variabel dependen meskipun variabel
independen tersebut tidak berpengaruh signifikan terhadap variabel dependen. Dalam kenyataannya nilai adjusted R Square dapat bernilai negatif, walaupun
yang dikehendaki harus bernilai positif. Jika dalam uji empiris didapat nilai adjusted R Square negatif, maka nilai adjusted R Square dianggap Nol.
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate 1
.974
a
.948 .946
.28022 a. Predictors: Constant, LN_LDER, LN_ROA
b. Dependent Variable: LN_ROE
Sumber: Output SPSS, 2013
Pada tabel 4.9, hasil analisis regresi dapat dilihat secara keseluruhan. Nilai R sebesar 0,974 menunjukkan bahwa korelasi atau keeratan hubungan return on
Universitas Sumatera Utara
equity dengan struktur modal dan return on asset mempunyai hubungan yang tinggi yaitu sebesar 97,4. Hubungan antara variabel independen dengan variabel
dependen rendah terjadi jika angka R berada diantara 0,2 dan 0,399. Nilai R Square R
2
sebesar 0,974 atau 97,4 mengindikasikan bahwa variasi atau perubahan dalam rentabilitas modal sendiri dapat dijelaskan oleh variasi Longterm
Dept to Equity Ratio LDER dan Return on Asset ROA. Sedangkan sisanya 2,6 dijelaskan oleh sebab-sebab lain. Standar Error of Estimate SEE adalah
sebesar 0,28022, yang mana semakin besar SEE akan membuat model regresi kurang tepat dalam memprediksi variabel dependen.
4.2 Pembahasan Hasil Penelitian
Berdasarkan hasil pengujian variabel bebas longterm debt to equity ratio dan return on asset terhadap variabel terikat return on equity yang telah diuraikan
secara statistik dengan menggunakan program SPSS 17, maka hipotesis dapat dijelaskan sebagai berikut:
1. Pengaruh longterm debt to equity ratio terhadap return on equity
Dari penjelasan uji t diatas diketahui bahwa longterm debt to equity ratio X1 memiliki koefisien regresi yang positif, yaitu sebesar 0,261 yang
mana setiap perubahan longterm debt to equity ratio sebesar 1 akan diikuti oleh kenaikan return on equity sebesar 0,261 dengan asumsi
variabel lain tetap. Dalam pengujian hipotesis yang dilakukan, diketahui bahwa t
hitung
sebesar 7,609 t
tabel
sebesar 2,008 artinya adalah H
a
diterima dan H
ditolak. Hasil ini sesuai dengan teori yang menyatakan longterm
Universitas Sumatera Utara
debt to equity ratio berpengaruh positif terhadap return on equity namun bertolak belakang dengan hasil yang diperoleh Hanna 2011 dimana
variabel longterm debt to equity ratio tidak memiliki pengaruh secara signifikan terhadap return on equity namun sejalan dengan hasil yang
diperoleh oleh Theresia 2010 dimana variabel longterm debt to equity ratio memiliki pengaruh secara signifikan terhadap return on equity.
Longterm debt to equity ratio secara parsial berpengaruh signifikan terhadap return on equity.
2. Pengaruh return on asset terhadap return on equity
Dari penjelasan uji t diatas diketahui bahwa return on asset X2 memiliki koefisien regresi yang positif, yaitu sebesar 0,976 yang mana setiap
perubahan return on asset sebesar 1 akan diikuti oleh kenaikan return on equity sebesar 0,976 dengan asumsi variabel lain tetap. Dalam pengujian
hipotesis yang dilakukan, diketahui bahwa t
hitung
sebesar 28,184 t
tabel
sebesar 2,008 sehingga H
a
diterima dan H
3. Dari hasil pengujian secara simultan dalam penelitian ini, diketahui bahwa
F hitung sebesar 447,440, sedangkan nilai F tabel 3,19. Hal ini berarti F hitung lebih besar dari F tabel 447,440 3,19 dengan signifikan yang
ditolak. Hasil ini sesuai teori yang menyatakan return on asset berpengaruh positif terhadap return on
equity sejalan dengan hasil yang diperoleh Usnan 2009, dimana variabel return on equity memiliki pengaruh secara signifikan terhadap return on
equity. Return on equity secara parsial berpengaruh signifikan terhadap return on equity.
Universitas Sumatera Utara
lebih kecil dari 0,05 0,000 0,05. Secara simultan longterm debt to equity ratio dan return on asset berpengaruh secara signifikan terhadap
return on equity. Hasil ini sejalan dengan penelitian yang dilakukan oleh Usnan 2009 dimana variabel longterm debt to equity ratio dan return on
asset secara simultan berpengaruh signifikan terhadap return on equity. Longterm debt to equity ratio dan return on asset secara simultan
berpengaruh signifikan terhadap return on equity.
BAB V KESIMPULAN DAN SARAN
5.1. Kesimpulan
