BAB V

ANALISIS DAN PEMBAHASAN

5.1 Anggaran Biaya Operasional, Anggaran Pendapatan dan Return on Asset

(ROA) Tahun 2014-2018

Pada dasarnya penetapan jumlah anggaran biaya operasional dan anggaran

pendapatan memiliki hubungan yang erat dengan laba yang didapatkan perusahaan.

Anggaran pendapatan dan anggaran biaya operasional PT PLN (Persero) pun

disusun secara bersama-sama dengan tujuan untuk memprediksi seberapa besar

laba yang akan diperoleh ditahun berikutnya.

. Berikut ini adalah data mengenai Anggaran biaya Operasional, Anggaran

pendapatan dan Return on Asset (ROA) PT PLN (Persero) Pusat Tahun 2014-2018.

Tabel 5.1

Anggaran Biaya Operasional, Anggaran Pendapatan, dan Return on Asset (ROA)

Anggaran Biaya Anggaran

Tahun ROA (%)
Operasional Pendapatan

2014 13,035,176,000,000 8,209,468,000,000 1.717

2015 20,385,615,573,668 9,402,961,996,835 0.509
2016 18,082,027,174,000 10,936,782,000,000 3.973
2017 19,921,623,106,000 10,934,517,800,000 2.887
2018 20,829,365,021,832 11,973,884,778,716 4.392
Sumber : PT PLN (Persero) Pusat data diolah kembali

Tabel 5.2

1
Ln Anggaran Biaya Operasional, Anggaran Pendapatan, dan Return on Asset (ROA)

Anggaran Biaya Anggaran

Tahun ROA (%)
Operasional Pendapatan

2014 30.1987 29.7363 0.5406

2015 30.6459 29.8720 -0.6753
2016 30.5259 30.0232 1.3795
2017 30.6228 30.0229 1.0602
2018 30.6674 30.1137 1.4798
Sumber : Data diolah

5.2 Uji Asumsi Klasik

Sebelum dilakukan analisis regresi terlebih dahulu dilakukan uji asumsi klasik

atau uji prasarat. Suatu model regresi berganda dapat digunakan apabila telah

memenuhi syarat-syarat tertentu dalam pengujian ini meliputi uji normalitas, uji

multikolinearitas, uji autokorelasi dan uji heteroskedastisitas.

5.2.1 Uji Normalitas

Data yang baik yaitu data yang berdistribusi normal artinya data mempunyai

sebaran yang rata sehingga mampu mewakili populasi. Pada penelitian ini uji

normalitas yang digunakan yaitu uji Kolmogorov Smirnov untuk menguji apakah data

dalam variabel yang akan dianalisis berdistribusi normal. Adapun konsep dasar dari

uji normalitas Kolmogorov Smirnov adalah dengan membandingkan distribusi data

(yang akan diuji normalitasnya) dengan distribusi normal baku.

2
 Pengujian normalitas dilakukan pada variabel terikat (dependent) dalam hal

ini yaitu Return on Asset (ROA). Suatu data dikatakan memiliki distribusi yang

normal atau tidak terdapat perbedaan yang signifikan antara data yang akan diuji

dengan data normal baku jika nilai asymp sig (2 – tailed) yang lebih besar dari 0,05.

Sebaliknya jika nilai asymp sig (2-tailed) lebih kecil dari 0.05 maka data tidak

berdistribusi normal atau terdapat perbedaan signifikan antara data uji denga data

normal baku.

Tabel 5.3

Pengujian Normalitas dengan Kolmogorov Smirnov menggunakan SPSS

One-Sample Kolmogorov-Smirnov Test

ROA

N 5
a,b
Normal Parameters Mean .7570
Std. Deviation .88037
Most Extreme Differences Absolute .235
Positive .206
Negative -.235
Test Statistic .235
Asymp. Sig. (2-tailed) .200c,d

a. Test distribution is Normal.

b. Calculated from data.

c. Lilliefors Significance Correction.

d. This is a lower bound of the true significance.

Dari Tabel 5.3 menunjukkan nilai Asymp.sig = 0.200 lebih besar dari 0.05

sehingga dapat disimpulkan bahwa data yang digunakan telah berdistribusi normal.

5.2.2 Uji multikolinearitas

3
 Uji multikolinearitas dalam penelitian ini adalah menguji apakah model

regresi ditemukan adanya korelasi (hubungan kuat) antar variabel bebas atau

variabel independent. Model regresi yang baik seharusnya tidak terjadi korelasi

diantara variabel bebas atau tidak terjadi gejala multikolinearitas.

Pengujian ada tidaknya gejala multikolinearitas dilakukan dengan melihat

nilai VIF (Variance Inflation Factor) dan Tolerance pada model regresi. Apabila nilai

VIF berada dibawah 10,00 dan nilaiTolerance lebih dari 0,100, maka diambil

kesimpulan bahwa model regresi tersebut tidak terdapat masalah multikolinearitas.

Tabel 5.4

Pengujian Multikolinearitas menggunakan Aplikasi SPSS

Collinearity Statistics

Model Tolerance VIF

1 (Constant)

BiayaOperasional .388 2.578

Pendapatan .388 2.578

Dari Tabel 5.3 dapat dilihat nilai VIF kurang dari 10 yaitu Anggaran Biaya

Operasional ( X 1 ¿ dan Anggaran Pendapatan ( X 2 ¿ bernilai 2.578. Sementara nilai

Tolerance kedua variabel bebas bernilai 0.388 artinya lebih dari 0.01. Berdasarkan

nilai dari VIF dan Tolerance disimpulkan bahwa tidak terdapat masalah

multikolinearitas.

5.2.3 Uji autokelasi

4
Uji Autokorelasi adalah sebuah analisis statistik yang dilakukan untuk mengetahui

adakah korelasi variabel yang ada di dalam model prediksi dengan waktu. Pada

penelitian ini dilakukan uji autokorelasi. Pada penelitian ini digunakan Uji Run Test

untuk mengetahui apakah terjadi gejala autokorelasi atau tidak. Adapun

pengambilan keputusan dalam uji run test, yaitu :

1. Jika nilai Asymp. Sig. (2-tailed) lebih kecil dari 0.05 maka terdapat gejala

autokorelasi

2. Sebaliknya, jika nilai Asymp.Sig (2-tailed) lebih besar dari 0.05 maka tidak

terdapat gejala autokorelasi.

Tabel 5.5

Pengujian Autokorelasi menggunakan Aplikasi SPSS

Runs Test

Unstandardized
Residual

Test Valuea -.04272

Cases < Test Value 2
Cases >= Test Value 3
Total Cases 5
Number of Runs 4
Z .109
Asymp. Sig. (2-tailed)
.913

a. Median
Dari Tabel 5.5 dapat dilihat bahwa nilai Asymp.Sig (2-tailed) adalah 0.913 dimana

nilai signifikannya lebih besar dari 0.05. Hal ini menunjukkan bahwa tidak terdapat

gejala terjadinya autokorelasi.

5
5.2.4 Uji Heteroskedastisitas

Uji heteroskedastistas adalah uji yang menilai apakah ada ketidaksamaan

varian dari residual untuk semua pengamatan pada model regresi linear.

Gambar 5.1 Scatterplot

Berdasarkan Gambar 5.1 terlihat bahwa data menyebar dan tidak membentuk pola

tertentu sehingga dapat disimpulkan bahwa tidak terdapat masalah

heteroskedasitas.

5.3 Persamaan Regresi Linear berganda

Setelah melakukan uji prasarat dan telah memenuhi akan dicari model

regresi dari kedua variabel tersebut yaitu ROA sebagai variabel terikat (Y) dan

Anggaran Biaya Operasional (X1) serta Anggaran pendapatan (X2) sebagai variabel

bebas. Model regresi ini akan menunjukkan seberapa besar pengaruh antara ROA

terhadap kedua anggaran tersebut. Berikut ini akan disajikan hasil olahan data

dengan menggunakan SPSS.

Tabel 5.6

6
 Model Regresi Linear Berganda Menggunakan SPSS

Standardized
Unstandardized Coefficients Coefficients

Model B Std. Error Beta

1 (Constant) -114.432 12.235

BiayaOperasional -5.461 .504 -1.204

Pendapatan 9.412 .656 1.596

Sumber : data diolah (output program SPSS 13.0)

Berdasarkan data di atas, persamaan regresinya sebagai berikut:

Y = a+ b1 X 1+ b2 X 2

Y = −114.432−5.461 X 1+ 9.412 X 2

Keterangan:

Y = ROA

a = konstanta

b1,b2 = Koefisien regresi

X1 = Anggaran Biaya Operasional

X2 = Anggaran Pendapatan

Dari persamaan regresi tersebut dapat dapat diketahui :

a = −114.432 merupakan nilai intercept atau konstanta, dengan kata lain bahwa

apabila keadaan tetap atau konstan (tidak dipengaruhi oleh Anggaran Biaya

Operasional maupun Anggaran Pendapatan) nilainya −114.432.

b1 = −5.461 yang diartikan bahwa setiap kinerja keuangan (ROA) pada PT. PLN

Wilayah Sulselbar akan berpengaruh sebesar −5.461 terhadap Anggaran Biaya

Operasional yang ditentukan oleh perusahaan tersebut. Adapun antara variabel X1

7
dan Y bersifat berbanding terbalik yaitu apabila nilai X 1 meningkat satu satuan maka

nilai Y menurun sebesar 5.461. Dalam hal ini dapat diartikan bahwa semakin besar

kinerja keuangan di PT PLN Sulselbar maka Anggaran Biaya Operasional yang

dikeluarkan perusahaan juga akan menurun.

b2 = 9.412yang diartikan bahwa setiap kinerja keuangan (ROA) pada PT. PLN

Wilayah Sulselbar akan berpengaruh sebesar 9.412 terhadap Anggaran Pendapatan

perusahaan tersebut. Sementara variabel X dan Y bersifat berbanding lurus yaitu

apabila nilai X2 meningkat satu satuan maka nilai Y meningkat sebesar -8.235 .

Dalam hal ini dapat diartikan bahwa semakin besar kinerja keuangan di PT PLN

Sulselbar maka Anggaran Pendapatan yang dikeluarkan perusahaan juga

meningkat.

5.4 Pengujian Hipotesis

Pengujian hipotesis dapat dilakukan dengan tiga cara yaitu melalui uji koefisien

determinansi, uji keseluruhan (Uji F) dan uji parsial (Uji t).

5.4.1 Uji Koefisien Determinansi

Tabel 5.7

Koefisien Determinansi

Adjusted R
Model R R Square Square

1 .995a .990 .981

8
Berdasarkan Koefisien Determinansi (R Square) pada Tabel 5.7 diperoleh nilai

0.990 atau sebesar 99%. Artinya pengaruh antara kinerja keuangan dengan

Anggaran Biaya Operasional dan Biaya Pendapatan memiliki hubungan sangat

tinggi mencapai 99%.

5.4.2 Uji Keseluruhan (Uji F)

Uji F dikenal dengan Uji Keseluruhanyaitu untuk melihat bagaimana

pengaruh semua variabel bebasnya dalam penelitian ini yaitu Anggaran Biaya

Operasonal dan Anggaran Pendapatan secara bersama-sama terhadap variabel

terikat yaitu kinerja keuangan (ROA). Atau untuk menguji apakah model regresi

yang kita buat baik/signifikan atau tidak/non signifikan.

Uji F dapat dilakukan dengan membandingkan antara F hitung dengan F

tabel. Jika F hitung lebih besar dari F tabel maka HO ditolak dan H1 diterima.

Begitupun sebalikanya jika F hitung lebih kecil dari F tabel maka HO diterima

dan H1 ditolak. Selain itu pengujian juga dapat dilakukan dengan melihat nilai

signfikasinya yaitu jika nilai signifikansi lebih kecil dari 0.05 maka HO ditolak dan

H1 diterima.

Tabel 5.8

Uji Keseluruhan menggunakan Aplikasi SPSS

Model Sum of Squares df Mean Square F Sig.
1 Regression 3.070 2 1.535 103.218 .010b
Residual .030 2 .015
Total 3.100 4
a. Dependent Variable: ROA_Y

9
b. Predictors: (Constant), pendapatan_X2, operasional_X1

Adapun Hipotesis yang digunakan yaitu :

Ho = anggaran biaya operasional dan anggaran pendapatan secara

simultan tidak mempunyai pengaruh yang signifikan terhadap

Return on Asset (ROA)

Ha = anggaran biaya operasional dan anggaran pendapatansecara

simultan mempunyai pengaruh yang signifikan terhadap

Return on Asset (ROA)

Berdasarkan Tabel 5.8 dapat dilihat bahwa nila signifikan yaitu 0.010 atau lebih

kecil 0.05 sehingga HO ditolak dan H1 diterima. Dengan demikian anggaran

biaya operasional dan anggaran pendapatan secara simultan tidak mempunyai

pengaruh yang signifikan terhadap Return on Asset (ROA).

5.4.3 Uji parsial (Uji t)

Uji t dikenal dengan uji parsial, yaitu untuk menguji bagaimana pengaruh masing-

masing variabel bebasnya secara sendiri-sendiri terhadapat variable terikatnya. Uji

ini dapat dilakukan dengan membandingkan t hitung dengan t tabel atau dengan

melihat kolom signifikansi pada masing-masing t hitung. Untuk menguji apakah

hipotesis yang diajukan diterima atau ditolak digunakan statistik t (uji satu sisi).

Adapun kriteria pengujia yaitu :

1. Jika –t tabel ≤ t hitung ≤ t tabel maka HO diterima dan Ha ditolak

2. Jika t hitung≤ -t tabel atau t hitung≥ t tabel maka Ho ditolak dan Ha diterima

Dalam uji t ini dilakukan pada derajat kebebasan ( n−k −1 ) dimana n adalah jumlah

sampel dan k adalah jumlah variabel. Untuk tingkat kepercayaan yang digunakan

yaitu 95% atau α =5 % .

10
 Tabel 5.9

Uji Parsial Menggunakan Aplikasi SPSS

Standardized
Unstandardized Coefficients Coefficients

Model B Std. Error Beta t Sig.

1 (Constant) -114.432 12.235 -9.353 .011

BiayaOperasional -5.461 .504 -1.204 -10.827 .008

Pendapatan 9.412 .656 1.596 14.353 .005

Pengujian koefisien regesi variabel anggaran biaya operasional

Langkah-langkah untuk melakukan uji t untuk variabel anggaran biaya operasional

sebagai berikut :

 Hipotesis

Ho = anggaran biaya operasional atau anggaran pendapatan secara

parsial tidak mempunyai pengaruh yang signifikan terhadap

Return on Asset (ROA)

Ha = anggaran biaya operasional atau anggaran pendapatan secara

parsial mempunyai pengaruh yang signifikan terhadap Return on

Asset (ROA)

 Tingkat Signifikansi

Tingkat signifikansi yang digunakan adalah 0,05 (α = 5%), berdasarkan

tabel 5.9 signifikansi variabel anggaran biaya operasional sebesar 0,008

dan variabel anggaran pendapatan sebesar 0.005. Artinya tingkat

signifikansi variabel anggaran biaya operasional dan anggaran pendapatan

lebih kecil dari standar signifikansi 0.05, sehingga dapat dikatakan bahwa

11
 Ho ditolak dan Ha diterima. Dengan demikian anggaran biaya operasional

atau anggaran pendapatan secara parsial mempunyai pengaruh yang

signifikan terhadap Return on Asset (ROA).

LAMPIRAN

NPar Tests
One-Sample Kolmogorov-Smirnov Test

ROA

12
N 5
a,b
Normal Parameters Mean .7570
Std. Deviation .88037
Most Extreme Differences Absolute .235
Positive .206
Negative -.235
Test Statistic .235
Asymp. Sig. (2-tailed) .200c,d

a. Test distribution is Normal.

b. Calculated from data.
c. Lilliefors Significance Correction.
d. This is a lower bound of the true significance.

NPar Tests

Runs Test

Unstandardized
Residual

Test Valuea -.04272

Cases < Test Value 2
Cases >= Test Value 3
Total Cases 5
Number of Runs 4
Z .109
Asymp. Sig. (2-tailed) .913

a. Median

Regression
Descriptive Statistics

Mean Std. Deviation N

ROA .7570 .88037 5

biaya_Operasional 30.5321 .19409 5

13
Pendapatan 29.9536 .14930 5

Correlations

ROA biaya_Operasional Pendapatan

Pearson Correlation ROA 1.000 .045 .654

biaya_Operasional .045 1.000 .782

Pendapatan .654 .782 1.000

Sig. (1-tailed) ROA . .472 .115
biaya_Operasional .472 . .059
Pendapatan .115 .059 .
N ROA 5 5 5

biaya_Operasional 5 5 5

Pendapatan 5 5 5

Variables Entered/Removeda

Variables
Model Variables Entered Removed Method

1 Pendapatan,
biaya_Operasional . Enter
b

a. Dependent Variable: ROA

b. All requested variables entered.

Adjusted R Std. Error of the

Model R R Square Square Estimate

1 .995a .990 .981 .12196

ANOVAa

Model Sum of Squares df Mean Square F Sig.

1 Regression 3.070 2 1.535 103.218 .010b

Residual .030 2 .015

Total 3.100 4

14
a. Dependent Variable: ROA
b. Predictors: (Constant), Pendapatan, biaya_Operasional

Unstandardized Standardized Collinearity

Coefficients Coefficients Statistics

Model B Std. Error Beta t Sig. Tolerance VIF

1 (Constant) -114.432 12.235 -9.353 .011

biaya_Operasion
-5.461 .504 -1.204 -10.827 .008 .388 2.578
al

Pendapatan 9.412 .656 1.596 14.353 .005 .388 2.578

Residuals Statisticsa

Minimum Maximum Mean Std. Deviation N

Predicted Value -.6326 1.5250 .7570 .87613 5

Std. Predicted Value -1.586 .877 .000 1.000 5
Standard Error of Predicted
.062 .119 .092 .026 5
Value
Adjusted Predicted Value .0041 1.5703 .8620 .67913 5
Residual -.06646 .14628 .00000 .08624 5
Std. Residual -.545 1.199 .000 .707 5
Stud. Residual -1.397 1.395 -.184 1.066 5
Deleted Residual -.67943 .19789 -.10507 .34888 5
Stud. Deleted Residual -6.347 6.011 -.215 4.378 5
Mahal. Distance .243 2.984 1.600 1.293 5
Cook's Distance .085 9.695 2.115 4.240 5
Centered Leverage Value .061 .746 .400 .323 5

a. Dependent Variable: ROA

Charts

15
16