BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Analisis Statistik Deskriptif Tabel output statistik deskriptif merupakan gambaran secara umum semua variable dalam penelitian ini. Gambaran umum tersebut meliputi nilai minimum, maksimum, mean dan standar deviasi . Tabel 4.1 Descriptive Statistics N
Minimum
Maximum
Mean
Std. Deviation
ROA
40
.0101
.3211
.130420
.0638820
DTA
40
.2027
.8660
.393268
.1549569
CurrentRatio
40
.7924
4.4229
2.138328
1.0589277
DPR
40
.0178
.9139
.249694
.2006277
Valid N (listwise)
40
Sumber : Data diolah menggunakan SPSS v.21 Tabel 4.1 menunjukkan bahwa dari jumlah pengamatan sebanyak 40, maka : 1. Variabel Return On Assets (ROA) merupakan efektivitas perusahaan dalam menghasilkan laba dengan memanfaatkan asset yang ada . Nilai terendah (minimum) adalah sebesar 10,1% dan nilai tertinggi (maximum) adalah sebesar 32,11% . Nilai tengah (mean) sebesar 13,04% dengan standar deviasi sebesar 6,38% . Terjadinya peningkatan ROA akan menunjukkan bahwa profitabilitas perusahaan membaik begitu pula sebaliknya . Dengan rata rata yang ditunjukkan sebesar 13,04% maka bisa
51
52
disimpulkan bahwa dari sampel yang digunakan tingkat pengembalian atas assetnya masih rendah . 2. Variabel Debt to Total Asset (DTA) merupakan kemampuan perusahaan dalam memenuhi seluruh kewajiban yang ditunjukkan oleh totel asset yang dimiliki. Nilai terendah (minimum) adalah sebesar 20,27% dan nilai tertinggi (maximum) adalah sebesar 86,60%. Nilai tengah (mean) sebesar 39,32% dengan standar deviasi sebesar 15,49% . Apabila debt ratio semakin tinggi maka risiko yang dihadapi perusahaan akan tingkat pembayaran utang baik jangka panjang maupun pendek juga akan semakin tinggi, begitu pula sebaliknya . Dengan nilai rata rata 39,32% menunjukkan bahwa setiap pendanaan perusahaan sebesar 39,32 dibiayai dengan utang sedangkan sisanya 60,68 disediakan oleh pemegang saham . 3. Variabel Current Ratio (CR) merupakan kemampuan perusahaan dalam memenuhi kewajiban jangka pendeknya dengan memanfaatkan aktiva lancar yang dimiliki . Nilai terendah (minimum) adalah sebesar 79,24% dan nilai tertinggi (maximum) adalah sebesar 442,29% . Nilai tengah (mean) sebesar 213,83% dengan standar deviasi sebesar 105,89% . Nilai standar umum yang digunakan untuk mengukur Current Ratio adalah 200% atau 2:1 yang berarti nilai satu nilai aktiva lancar harus dapat dijamin sedikitnya dengan nilai dua kali dari hutang lancar . Dengan nilai rata rata sebesar 213,83% maka nilai dari CR ini menunjukkan bahwa perusahaan memiliki kemampuan yang cukup untuk memenuhi kewajiban jangka pendeknya .
53
4. Variabel Dividend Payout Ratio (DPR) menunjukkan jumlah dividen yang dibayarkan kepada pemegang saham relatif terhadap jumlah total laba bersih perusahaan. Nilai terendah (minimum) adalah sebesar 1,78% dan nilai tertinggi (maximum) adalah sebesar 91,39%. Nilai tengah (mean) sebesar 24,96% dengan standar deviasi 20,06% . Nilai mean lebih besar dari standar deviasinya, ini menunjukkan bahwa data sampel yang digunakan terdistribusi normal .
B. Uji Asumsi Klasik Model regresi dapat digunakan untuk estimasi dengan signifikan dan representative jika model regresi tersebut tidak menyimpang dari asumsi klasik regresi
berupa
:
Normalitas,
Multikolinieritas,
Heteroskedastisitas,
dan
Autokorelasi.
1. Uji Normalitas Uji normalitas bertujuan untuk menguji apakah dalam model regresi, statistik residual memiliki distribusi normal. Untuk menguji apakah distribusi data normal atau tidak, ada dua cara untuk mendeteksinya, yaitu dengan analisis grafik dan uji statistik. Analisis grafik merupakan cara yang termudah untuk melihat normalitas residual dengan melihat grafik histogram yang membandingkan antara data observasi dengan distribusi yang mendekati distribusi normal. Pengujian normalitas data secara analisis statistik dapat dilakukan dengan menggunakan Uji Kolmogorov – Smirnov. Secara multivarians pengujian
54
normalitas data dilakukan terhadap nilai residualnya . Data yang berdistribusi normal ditunjukkan dengan nilai signifikansi di atas 0,05 (Ghozali, 2006). Tabel 4.2 Hasil Uji Normalitas One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N Normal Parameters
40 a,b
Most Extreme Differences
Mean Std. Deviation
.0000000 .17637438
Absolute
.146
Positive
.146
Negative
-.094
Kolmogorov-Smirnov Z
.924
Asymp. Sig. (2-tailed)
.360
a. Test distribution is Normal. b. Calculated from data.
Sumber : Data diolah menggunakan SPSS v.21 Dari tabel 4.2 di atas dapat dilihat bahwa nilai Asymp.Sig. (2-tailed) nya sebesar 0,360 atau nilainya > 0.05 (0.360 > 0.05), maka dapat disimpulkan bahwa data pada penelitian ini berdistribusi normal.
2. Uji Multikolinieritas Untuk mendeteksi ada atau tidaknya multikolinieritas, dapat dilihat berdasarkan nilai tolerance dan VIF. Jika tolerance lebih dari 0,1 dan VIF kurang dari 10 maka tidak terjadi masalah multikolinieritas. Model regresi yang baik seharusnya tidak ada multikolinieritas antar variable independen .
55
Tabel 4.3 Hasil Uji Multikolinieritas Coefficients Model
Unstandardized
Standardized
Coefficients
Coefficients
B (Constant)
a
Std. Error
t
Sig.
Collinearity Statistics
Beta
Tolerance
VIF
.820
.184
4.464 .000
ROA
-.209
.478
-.067
-.438 .664
.926
1.080
DTA
-.731
.267
-.565
-2.742 .009
.506
1.976
CurrentRatio
-.119
.040
-.630
-3.017 .005
.492
2.033
1
a. Dependent Variable: DPR
Sumber : Data diolah menggunakan SPSS v.21
Hasil uji multikolinieritas pada tabel 4.3 di atas terlihat bahwa variable ROA, DTA dan Current Ratio memiliki nilai tolerance tidak kurang dari 0,10 dan VIF juga menunjukkan bahwa tidak ada variable independen yang bernilai lebih dari 10. Maka dapat disimpulkan bahwa persamaan model regresi yang diajukan bebas atau tidak terdapat gangguan multikolinieritas .
3. Uji Heteroskedastisitas Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terdapat ketidaksamaan varians dari residual satu pengamatan ke pengamatan lainnya . Model regresi yang baik adalah yang tidak terjadi heteroskedastisitas.
Heteroskedastisitas
dapat
dideteksi
penyebaran plot melalui gambar scatterplot berikut ini :
dengan
melihat
56
Sumber : data diolah menggunakan SPSS v.21 Gambar 4.1 Grafik Scatterplot
Dari grafik scatterplot yang ditampilkan pada Gambar 4.1 terlihat titik yang menyebar secara acak dan tidak membentuk sebuah pola tertentu yang jelas serta tersebar baik di atas maupun di bawah angka nol pada sumbu Y. Hal ini menunjukkan bahwa tidak terjadi heteroskedastisitas pada model regresi .
4. Uji Autokorelasi Hasil analisis Durbin Watson (DW) dapat digunakan untuk mengetahui ada tidaknya penyimpangan asumsi klasik autokorelasi, yaitu korelasi yang terjadi antara residual pada satu pengamatan dengan pengamatan lain pada model regresi.
57
Model regresi yang baik adalah yang bebas dari autokorelasi. Ketentuan pengambilan keputusan ada tidaknya autokorelasi dapat dilihat pada tabel keputusan berikut : Tabel 4.4 Tabel Keputusan HipotesisNol
Keputusan
Jika
Tidakadaautokorelasipositif
Nol
0 < d < dl
Tidakadaautokorelasipositif
No Decision
Dl ≤ d ≤ du
Tidakadakorelasi negative
Tolak
4 – dl < d < 4
Tidakadakorelasi negative
No Decision
4 – du ≤ 4 – dl
Tidakditolak
du < d < 4 – du
Tidakadaautokorelasi, positifataunegative Sumber : Ghozali, 2006
Tabel 4.5 Hasil Uji Autokorelasi b
Model Summary Model
1
R
.477
R Square
a
Adjusted R
Std. Error of the
Square
Estimate
.227
.163
.1835763
Durbin-Watson
1.025
a. Predictors: (Constant), CurrentRatio, ROA, DTA b. Dependent Variable: DPR
Sumber : Data diolah menggunakan SPSS v.21
Dari tabel 4.5 tersebut memperlihatkan bahwa nilai Durbin Watson adalah sebesar 1.025. Sedangkan hasil pengujian menurut tabel adalah sebagai berikut : n = jumlah sampel = 40 ; k = jumlah variable = 3. Pada tingkat signifikansi α = 0.05 diperoleh du = 1.6589 dan dL = 1.3384 . 4 – du = 4 – 1.6589 = 2.3411; sedangkan
58
4 – dL = 4 – 1.3384 = 2.6616 . Karena 4 – du ≤ 4 – dL (2.3411 ≤ 2.6616) sehingga dari hasil tersebut menunjukkan bahwa tidak ada kesimpulan . Adapun untuk mengetahuinya menggunakan uji lainnya, uji yang digunakan adalah Run Test. Uji run test merupakan nonparametric yang dapat digunakan untuk melihat apakah residual terjadi secara random atau tidak. H0
: Residual Random (Tidak terjadi autokorelasi)
H1
: Residual Tidak Random (Terjadi autokorelasi) Tabel 4.6 Runs Test
Unstandardized Residual Test Value
a
-.03688
Cases < Test Value
20
Cases >= Test Value
20
Total Cases
40
Number of Runs
13
Z Asymp. Sig. (2-tailed)
-2.403 .016
a. Median
Dari tabel 4.6 di atas nilai Sig. 0.016 atau lebih kecil dari 0.05. Sehingga disimpulkan H0 ditolak residual random (terjadi autokorelasi) .
59
