ANALISIS PENGARUH STRUKTURAL MODAL

TERHADAP KINERJA KEUANGAN MENGUNAKAN

ONE-WAY MANOVA

PRAKTIKUM ANALISIS MULTIVARIAT

NURUL ANISA G 501 17 050 (KELAS A)

MORINA A. FATHAN G 501 17 044 (KELAS B)

PROGRAM STUDI STATISTIKA JURUSAN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS TADULAKO

NOVEMBER 2019
ANALISIS PENGARUH STRUKTURAL MODAL TERHADAP
KINERJA KEUANGAN MENGGUNAKAN ONE-WAY
MANOVA

A. TINJAUAN PUSTAKA

A.1. MANOVA

MANOVA adalah singkatan dari Multivariate analysis of variance yang

merupakan pengembangan dari ANOVA. Tujuan dari MANOVA
adalah untuk menguji apakah vektor rataan dua atau lebih grup sampel
diambil dari sampel distribusi yang sama. MANOVA biasa digunakan
dalam dua kondisi utama. Kondisi pertama adalah saat terdapat
beberapa variabel dependen yang berkorelasi, sementara peneliti hanya
menginginkan satu kali tes keseluruhan pada kumpulan variabel ini
dibandingkan dengan beberapa kali tes individual. Kondisi kedua
adalah saat peneliti ingin mengetahui bagaimana variabel independen
mempengaruhi pola variabel dependennya (Santoso, 2010).

A.2. One-Way MANOVA

One Way MANOVA merupakan perluasan dari One Way ANOVA, jika
dalam ANOVA membandingkan satu populasi saja terheadap faktor,
maka dalam MANOVA membandingkan populasi lebih dari satu.
Dengan kata lain model ini dapat digunakan untuk menguji beberapa
populasi (dari satu faktor yang sama) menghasilkan vektor rata-rata
yang sama untuk p variabel respon atau variabel dependen yang diamati
dalam penelitian (Santoso, 2010).

A.3. Uji Signifikansi Multivariat Dalam MANOVA

Terdapat beberapa statistik uji yang dapat digunakan untuk membuat
keputusan dalam perbedaan antar-kelompok. Adapun statistik uji dalam
MANOVA, yaitu:
a. Pillai’s Trace merupakan statistik uji yang digunakan apabila tidak
terpenuhinya asumsi homogenitas pada varians-kovarians, memiliki
ukuran sampel kecil, dan jika hasil-hasil dari pengujian bertentangan
satu sama lain yaitu jika ada beberapa variabel dengan rata-rata yang
 berbeda sedang yang lain tidak. Semakin tinggi nilai statistik Pillai’s
Trace, maka pengaruh terhadap model akan semakin besar.
b. Wilk’s Lambda merupakan statistik uji yang digunakan apabila
terdapat lebih dari dua kelompok variabel independen dan asumsi
homogenitas matriks varians-kovarians dipenuhi. Semakin rendah
nilai statistik Wilk’s Lambda, pengaruh terhadap model semakin
besar. Nilai Wilk’s Lambda berkisar antara 0-1.
c. Hotelling’s Trace merupakan statistik uji yang digunakan apabila
hanya terdapat dua kelompok variabel independen. Semakin tinggi
Universitas Sumatera Utara 14 nilai statistik Hotelling’s Trace,
pengaruh terhadap model semakin besar.
d. Roy’s Largest Root merupakan statistik uji yang hanya digunakan
apabila asumsi homogenitas varians-kovarians dipenuhi. Semakin
tinggi nilai statistik Roy’s Largest Root, maka pengaruh terhadap
model akan semakin besar.

B. Hasil

B.1 Pillai’s Trace

 Hipotesis :

H0 : 𝜏1 = 𝜏2 = ⋯ = 𝜏𝑙 = ⋯ = 𝜏g = 0, dengan 𝜏𝑙 = dan 𝑙 =

1,2, … ,g.

H1 : minimal ada satu 𝜏𝑙 ≠ 𝜏g ,

 Kriteria Penolakan :

Tolak H0 jika P-Value > 𝛼 (0,05)

 Output :

 Interpetasi :
Berdasarkan output software R di atas dapat dilihat bahwa nilai
signifikansi yang diuji pada prosedur Pillai’s Trace menunjukkan nilai
di bawah 0,05 (H0 ditolak). Hal ini berarti bahwa variabel struktur
 modal menyatakan perbedaan pada berbagai Return on Assets (ROA),
Return on Equity(ROE) dan Loan to Debt Ratio (LDR).

B.2 Wilk’s Lambda

 Hipotesis :

H0 : 𝜏1 = 𝜏2 = ⋯ = 𝜏𝑙 = ⋯ = 𝜏g = 0, dengan 𝜏𝑙 = dan 𝑙 =

1,2, … ,g.

H1 : minimal ada satu 𝜏𝑙 ≠ 𝜏g ,

 Kriteria Penolakan :

Tolak H0 jika P-Value > 𝛼 (0,05)

 Output :

 Interpetasi :
Berdasarkan output software R di atas dapat dilihat bahwa nilai
signifikansi yang diuji pada prosedur Wilk’s Lambda menunjukkan
nilai di bawah 0,05 (H0 ditolak). Hal ini berarti bahwa variabel
struktur modal menyatakan perbedaan pada berbagai Return on Assets
(ROA), Return on Equity(ROE) dan Loan to Debt Ratio (LDR).

B.3 Hotelling’s Trace

 Hipotesis :

H0 : 𝜏1 = 𝜏2 = ⋯ = 𝜏𝑙 = ⋯ = 𝜏g = 0, dengan 𝜏𝑙 = dan 𝑙 =

1,2, … ,g.

H1 : minimal ada satu 𝜏𝑙 ≠ 𝜏g ,

 Kriteria Penolakan :

Tolak H0 jika P-Value > 𝛼 (0,05)

  Output :

 Interpetasi :
Berdasarkan output software R di atas dapat dilihat bahwa nilai
signifikansi yang diuji pada prosedur Hotelling’s Trace
menunjukkan nilai di bawah 0,05 (H0 ditolak). Hal ini berarti
bahwa variabel struktur modal menyatakan perbedaan pada
berbagai Return on Assets (ROA), Return on Equity(ROE) dan
Loan to Debt Ratio (LDR).

B.4 Roy’s Largest Root

 Hipotesis :

H0 : 𝜏1 = 𝜏2 = ⋯ = 𝜏𝑙 = ⋯ = 𝜏g = 0, dengan 𝜏𝑙 = dan 𝑙 =

1,2, … ,g.

H1 : minimal ada satu 𝜏𝑙 ≠ 𝜏g ,

 Kriteria Penolakan :

Tolak H0 jika P-Value > 𝛼 (0,05)

 Output :

 Interpetasi :
Berdasarkan output software R di atas dapat dilihat bahwa nilai
signifikansi yang diuji pada prosedur Roy’s Largest Root
menunjukkan nilai di bawah 0,05 (H0 ditolak). Hal ini berarti bahwa
variabel struktur modal menyatakan perbedaan pada berbagai Return
on Assets (ROA), Return on Equity(ROE) dan Loan to Debt Ratio
(LDR).
C. Kesimpulan

Berdasarkan pembahasan diatas, dapat kita ketahui bahwa variabel struktur

modal menyatakan perbedaan pada berbagai Return on Assets (ROA),
Return on Equity(ROE) dan Loan to Debt Ratio (LDR).
 LAMPIRAN-LAMPIRAN

A. Data

NO. DER (X) ROA (Y1) ROE (Y2) LDR (Y3)

1. 9,61 0,66 13,14 27,42
2. 7,63 3,59 30,44 68,61
3. 4,42 2,56 14,9 97,11
4. 10,96 1,62 15,79 92,97
5. 4,38 -0,81 -3,38 87,37
6. 8,3 2,41 17,67 80,56
7. 6,78 3,45 25,1 80,1
8. 7,07 2,74 57,98 52,39
9. 6,66 2,54 19,69 73,61
10. 11,42 1,57 14,37 84,94
11 6,29 1,96 15,37 88,46
12 9,55 1,16 12,79 89,5
13 7,28 5,15 38,66 79,85
14 5,79 3,4 16,82 93,21

B. Syntax

>library(ICSNP)
>library(openxlsx)
>data=read.xlsx("E:/A Pnc/A PRAKTIKUM/SEMESTER 5/ANALISIS
MULTIVARIAT/DataFix.xlsx")

>Y11<-matrix(c(0.66,3.59,2.56,1.62,-
0.81,2.41,3.45,2.74,2.54,1.57,1.96,1.16,5.15,3.4),7,2)
>Y12<-matrix(c(13.14,30.44,14.9,15.79,-
3.38,17.67,25.1,57.98,19.69,14.37,15.37,12.79,38.66,16.82),7,2)
>Y13<matrix(c(27.42,68.61,97.11,92.97,87.37,80.56,80.1,52.39,73.61,84.94,
88.46,89.5,79.85,93.21),7,2)

>P <- 3
>P
>Nj <- c(7, 7, 7)
>Nj
>IV=factor(rep(1:P, Nj))
>dfMan1 <- data.frame(Y =rbind(Y11, Y12, Y13))
>manRes1 <- manova(cbind(Y.1, Y.2) ~ IV, data=dfMan1)
>manRes1

>summary(manRes1, test="Wilks")
>summary(manRes1, test="Roy")
>summary(manRes1, test="Pillai")
>summary(manRes1, test="Hotelling-Lawley")