48 1.
Rata-rata dari ROA adalah 14,6087 dengan standar deviasi 12,35102 dan jumlah data yang ada adalah 45. Nilai tertinggi ROA adalah 55,74
sedangkan nilai terendah adalah 1,29. 2.
Rata-rata dari Struktur Aset adalah 0,3376 dengan standar deviasi 0,12065 dan jumlah data yang ada adalah 45. Nilai Struktur Aktiva
tertinggi adalah 0,62 sedangkan nilai terendah adalah 0,14. 3.
Rata-rata dari Current Ratio adalah 194,0202 dengan standar deviasi 120,41472 dan jumlah data yang ada adalah 45. Nilai tertinggi Current
Ratio adalah 633,08 sedangkan nilai terendah adalah 65,89.
4. Rata-rata dari DER adalah 1,3009 dengan standar deviasi 1,30644 dan
jumlah data yang ada adalah 45. Nilai tertinggi DER adalah 8,44
sedangkan nilai terendah adalah 0,2.
4.2.2 Pengujian Asumsi Klasik
Salah satu 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 2006, 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.
Universitas Sumatera Utara
49 Non-Heterokedastisitas, artinya variance variabel independen dari
satu pengamatan ke pengamatan lain adalah konstan atau sama.
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 2006, 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 : H0 : Data residual berdistribusi normal, dan
Ha : Data residual tidak berdistribusi normal. Hasil uji normalitas dengan menggunakan model Kolmogorov-Smirnov
adalah seperti yang ditampilkan berikut ini :
Tabel 4.2 HASIL UJI NORMALITAS
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 45
Normal Parameters
a,,b
Mean .0000000
Std. Deviation 1.10052429
Universitas Sumatera Utara
50
Most Extreme Differences Absolute
.189 Positive
.189 Negative
-.151 Kolmogorov-Smirnov Z
1.266 Asymp. Sig. 2-tailed
.081 a. Test distribution is Normal.
b. Calculated from data.
Sumber : Output SPSS, diolah Peneliti, 2013 Berdasarkan hasil uji statistik dengan model Kolmogorov-Smirnov
seperti yang terdapat dalam tabel 4.2 dapat disimpulkan bahwa besarnya nilai Kolmogrov–Smirnov sebesar 1,266 dan signifikan lebih dari 0,05
karena Asymp. Sig. 2-tailed 0,081 dari 0,05. Nilai signifikansi lebih besar dari 0,05 maka H0 diterima atau Ha ditolak yang berarti data residual
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
51 Sumber : Output SPSS, diolah Peneliti, 2013
Gambar 4.1 Histogram
Grafik histogram di atas menunjukkan bahwa data telah terdistribusi secara normal, hal ini dapat dilihat dari grafik histogram yang menunjukkan
distribusi data mengikuti garis diagonal yang tidak menceng skewness kiri maupun menceng ke kanan, hal ini juga didukung dengan hasil uji
normalitas dengan menggunakan grafik plot yang ditampilkan pada Gambar 4.2
Universitas Sumatera Utara
52 Sumber : Output SPSS, diolah Peneliti, 2013
Gambar 4.2 Uji Normalitas Data
Menurut Ghozali 2006, 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
Universitas Sumatera Utara
53 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, 2006.
Tabel 4.3 HASIL UJI MULTIKOLINIERITAS
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity Statistics
B Std. Error
Beta Tolerance
VIF 1
Constant 2.123
.772 2.751
.009 X1
.037 .014
.347 2.589
.013 .962
1.040 X2
-1.189 1.565
-.110 -.760
.452 .829
1.207 X3
-.005 .002
-.455 -3.200
.003 .856
1.169 a. Dependent Variable: Y
Sumber : Output SPSS, diolah Peneliti, 2013
Universitas Sumatera Utara
54 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.
4.2.2.3. Uji Heteroskedastisitas
Ghozali 2006 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 2006 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.
Universitas Sumatera Utara
55 Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah
terjadi gejala heteroskedastisitas atau tidak dengan cara mengamati penyebaran titik-titik pada grafik.
Sumber : Output SPSS, diolah Peneliti, 2013
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 Struktur Modal perusahaan Makanan dan Minuman yang terdaftar di
Universitas Sumatera Utara
56 Bursa Efek Indonesia berdasarkan masukan variabel independen yaitu
Profitabilitas, Struktur Aset, Current Ratio.
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
Durbin Watson. 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 4.4 HASIL UJI AUTOKORELASI
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .539
a
.290 .238
1.14008 1.891
a. Predictors: Constant, X3, X1, X2 b. Dependent Variable: Y
Sumber : Output SPSS, diolah oleh peneliti, 2013
Tabel 4.4 menunjukkan hasil uji autokorelasi variabel penelitian. Berdasarkan hasil pengujiannya dapat dilihat bahwa tidak terjadi
autokorelasi antar kesalahan pengganggu antar periode, hal tersebut dilihat
Universitas Sumatera Utara
57 dari nilai Durbin-Watson D-W sebesar 1,891. 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.
4.3 Analisis Regresi
