PENGOLAHAN DATA ANALISIS REGRESI BERGANDA

4.2.1 Uji Normalitas

Uji normalitas adalah uji yang dilakukan dengan tujuan untuk melihat

apakah data yang ada dalam penelitian sudah terdistribusi dengan normal

atau tidak. Model regresi yang baik adalah apabila data tersebut normal atau

mendekati normal. Dalam penelitian ini uji normalitas dilakukan dengan

dua cara yaitu dengan grafik dan uji statistik. Untuk grafik itu menggunakan

analisis grafik on probability plot dan untuk uji statistik menggunakan

Kolmogorov-Smirnov melalui pendekatan Monte carlo. Jika melalui grafik

suatu variabel dapat dikatakan normal apabila gambar titik-titik pada grafik

non probability plots mengikuti garis diagonal dan nilai signfikan atau

probabilitas, dan jika melalui uji statistik yaitu dengan menggunakan

metode Kolmogorov-Smirnov itu harus kurang dari 0,05.

Tabel 4.2
Hasil Uji Normalitas

One-Sample Kolmogorov-Smirnov Test

Unstandardized
Residual
N 129
Normal Parameters a,b
Mean .0023525
Std. Deviation 4840171055427
4.12000000
Most Extreme Differences Absolute .404
Positive .404
Negative -.368
Test Statistic .404
Asymp. Sig. (2-tailed) .000c

Page 1
 a. Test distribution is Normal.
b. Calculated from data.
c. Lilliefors Significance Correction.

Dari tabel diatas dapat dilihat nilai signifikansi dari Kolmogorv-

Smirnov di bawah tingkat kepercayaan 5% atau 0,05 yaitu dengan nilai

0,000 , hal ini menunjukkan data tidak terdistribusi dengan normal.

Sehingga data yang outlier perlu di keluarkan.

One-Sample Kolmogorov-Smirnov Test

Unstandardized
Residual
N 105
Normal Parameters a,b
Mean .0000000
Std. Deviation 1.64520073
Most Extreme Differences Absolute .083
Positive .083
Negative -.047
Test Statistic .083
Asymp. Sig. (2-tailed) .069c
a. Test distribution is Normal.
b. Calculated from data.
c. Lilliefors Significance Correction.

Dari tabel diatas dapat dilihat nilai signifikansi dari Kolmogorv-

Smirnov dengan pendekatan Monte Carlo di atas tingkat kepercayaan 5%

atau 0,05 yaitu dengan nilai 0,069, hal ini menunjukkan data terdistribusi

dengan normal.

Page 2
4.2.2 Uji Multikolinearitas

Uji multikolinearitas digunakan untuk mengetahui apakah ada

hubungan atau korelasi diantara variabel independen. Multikolinearitas

menyatakan hubungan antar sesama variabel independen. Model regresi

yang baik seharusnya tidak terjadi korelasi diantara variabel independen.

Pendektesian ada atau tidaknya multikolinearitas di dalam model regresi

dapat dilihat dari besaran VIF (Variance Inflation Factor) dan tolerance.

Regresi bebas dari multikolinearitas jika besar nilai VIF<10 dan nilai

tolerance>0.10.

Tabel 4.3
Hasil Uji Multikolinearitas

Correlations Collinearity Statistics

Model Zero-order Partial Part Tolerance VIF
1 (Constant)
Profitabilitas -.031 .073 .059 .865 1.156
Likuiditas -.497 -.494 -.459 .890 1.123
Struktur Asset -.111 -.160 -.131 .915 1.093
Ukuran Perusahaan -.246 -.319 -.272 .965 1.037
Tingkat Pertumbuhan -.222 -.124 -.101 .890 1.124
Perusahaaan
Sumber: Data diolah peneliti, (2023)

Berdasarkan Tabel 4 di atas dalam pengujian multikolinearitas, dapat

dilihat bahwa model regresi pada penelitian ini tidak terjadi

multikolinearitas pada variabel bebasnya karena semua nilai VIF < 10 dan

tolerance > 0.10.

4.2.3 Uji Heteroskedastisitas

Page 3
 Uji Heteroskedastisitas digunakan untuk menguji apakah dalam suatu

model regresi terdapat kesamaan atau ketidak samaan varians antara

pengamatan yang satu dengan pengamatan yang lainnya.Pengujian

heteroskedastisitas menggunakan uji Glejser.

Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 1.271 .528 2.408 .018
Profitabilitas -6.054 3.502 -.176 -1.729 .087
Likuiditas .354 .182 .195 1.940 .055
Struktur Asset 2.160 2.714 .079 .796 .428
Ukuran Perusahaan -.024 .022 -.104 -1.079 .283
Tingkat Pertumbuhan -.393 .192 -.206 -2.051 .053
Perusahaaan
a. Dependent Variable: Abs_Res

Berdasarkan hasil uji heteroskedastisitas tabel ditas dapat diketahui

bahwa nilai Sig. dari masing-masing variabel 0.087, 0.055, 0.428, 0.283

dam 0.053. Dari hasil tersebut, maka dapat disimpulkan, bahwa model

persamaan regresi tidak mengalami heteroskedastisitas. Hal ini dikarenakan

nilai dari masing-masing variabel tidak signifikan, atau nilai Sig. lebih besar

dari 0.05

4.2.4 Uji Autokorelasi

Uji autokorelasi ini bertujuan menguji apakah dalam model regresi

linear ada korelasi antara kesalahan pengganggu pada periode t dengan

kesalahan pengganggu pada periode t-1 (sebelumnya). Model regresi yang

baik adalah yang tidak adanya masalah autokorelasi.Untuk mendeteksi ada

Page 4
 tidaknya autokorelasi dalam model regresi ini ialah menggunakan uji

Durbin-Watson (DW). Apabila tidak terjadi masalah autokorelasi maka

persamaan regresi yang digunakan yaitu :

du< dw< 4−du

Adapun tabel hasil uji autokorelasinya adalah sebagai berikut :

Tabel 4.5
Hasil Uji Autokorelasi

Model Summaryb
Adjusted R Std. Error of the
Model R R Square Square Estimate Durbin-Watson
1 .589 a
.347 .314 1.68623 1.894
a. Predictors: (Constant), Tingkat Pertumbuhan Perusahaaan , Struktur Asset, Ukuran
Perusahaan, Likuiditas, Profitabilitas
b. Dependent Variable: Struktur Modal

Sumber: Data diolah peneliti, (2023)

Berdasarkan tabel 4.3, nilai Durbin-Watson hitung dalam penelitian

ini sebesar 1,894 akan dibandingkan dengan nilai Durbin-Watson tabel.

Untuk membandingkan nila DW hitung dengan DW tabel maka perlu

diperhatikan DW tabel. Dengan menggunakan α=5% serta menggunakan

maka diperoleh DW dl = 1,5873 dan du= 1.7827,

Berdasarkan persamaan du < d < 4 – du maka dapat dijelaskan

sebagai berikut :

Page 5
 = du< dw< 4−du

= 1.7827<1,8 94 <4−1 , 7827

= 1.7311<2.099<2,2173

Sehingga dapat dijelaskan bahwa dalam persamaan regresi tersebut

tidak ada masalah autokorelasi, baik positif maupun negative

4.1 Analisis Regresi Linear Berganda

Penelitian ini menggunakan analisis regresi berganda untuk menguji

pengaruh dua atau lebih variabel independen terhadap satu variabel dependen,

dengan tujuan untuk mengestimasikan variabel dependen berdasarkan nilai

variabel independen yang diketahui. Hasil perhitungan regresi linear berganda

dengan menggunakan software adalah sebagai berikut:

Tabel 4.6
Analisis Regresi Linear Berganda

Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 10.307 .942 10.937 .000
Profitabilitas 4.578 6.251 .064 .732 .466
Likuiditas -1.840 .325 -.487 -5.654 .000
Struktur Asset -7.824 4.844 -.137 -1.615 .109
Ukuran Perusahaan -.131 .039 -.276 -3.344 .001
Tingkat Pertumbuhan -.426 .342 -.107 -1.247 .215
Perusahaaan
Sumber: Data diolah peneliti, (2023)

Page 6
 Pada tabel di atas dapat dijelaskan tentang persamaan regresi linear

berganda pada penelitian ini. Adapun rumus persamaan regresi dalam penelitian

ini adalah sebagai berikut:

Y^ =α + β 1 X 1+ β 2 X 2 + β 3 X 3 + β 4 X 4 + β 5 X 5 e

Y^ =10,307 +4,578 X 1−1, 840 X 2−7 , 824 X 3−0 ,131 X 4 −0 , 426 X 5+ e

Persamaan regresi di atas dapat dijelaskan sebagai berikut :

a. Nilai konstanta sebesar 10,307 menunjukkan bahwa jika variabel

profitabilitas, likuiditas struktur asset, ukuran perusahaan dan tingkat

pertumbuhan perusahaan sama dengan nol maka struktur modal bernilai

10,307 data asumsi hal hal lain konstan.

b. Koefisien regresi profitabilitas sebesar 4,578 menunjukkan bahwa apabila

profitabilitas mengalami peningkatan sebesar satu-satuan, maka struktur

modal akan meningkat sebesar 4,578. Satuan dengan asumsi hal hal lain

bersifat konstan.

c. Koefisien regresi likuiditas sebesar -1,840 menunjukkan bahwa apabila

likuiditas mengalami peningkatan sebesar satu-satuan, maka struktur

modal akan menurun sebesar -1,840. Satuan dengan asumsi hal hal lain

bersifat konstan.

d. Koefisien regresi struktur aset sebesar -7,824 menunjukkan bahwa apabila

struktur aset mengalami peningkatan sebesar satu-satuan, maka struktur

modal akan menurun sebesar -7,824. Satuan dengan asumsi hal hal lain

bersifat konstan.

Page 7
 e. Koefisien regresi ukuran perusahaan sebesar -0,131 menunjukkan bahwa

apabila ukuran perusahaan mengalami peningkatan sebesar satu-satuan,

maka struktur modal akan menurun sebesar -,131. Satuan dengan asumsi

hal hal lain bersifat konstan.

f. Koefisien regresi tingkat pertumbuhan perusahaan sebesar -0,426

menunjukkan bahwa apabila tingkat pertumbuhan perusahaan mengalami

peningkatan sebesar satu-satuan, maka struktur modal akan menurun

sebesar -,426. Satuan dengan asumsi hal hal lain bersifat konstan.

4.2 Uji Hipotesis

4.6.1 Uji Simultan (Uji F)

Uji ini digunakan untuk melihat apakah semua variabel independen

yang ada dalam model regresi memiliki pengaruh secara bersama-sama

terhadap variabel dependen. Berikut hasil perhitungan yang didapatkan:

Tabel 4.7
Uji Simultan

ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 149.637 5 29.927 10.525 .000b
Residual 281.495 99 2.843
Total 431.132 104
a. Dependent Variable: Struktur Modal
b. Predictors: (Constant), Tingkat Pertumbuhan Perusahaaan , Struktur Asset, Ukuran
Perusahaan, Likuiditas, Profitabilitas
Sumber: Data diolah peneliti, (2023)

Page 8
 Hipotesis :

H0 : β i=0

H1 : minimal ada satu β i ≠ 0

Taraf Signifikansi :

α = 0,05

Kriteria Penolakan :

Fhitung> Ftabelatau Sig<α (0,05),maka tolak H0

Fhitung< Ftabelatau Sig>α (0,05), maka gagal tolak H0

Berdasarkan hasil regresi di atas diketahui nilai signifikan

untuk pengaruh profitabilitas, likuiditas struktur asset, ukuran perusahaan

dan tingkat pertumbuhan perusahaan secara bersama-sama terhadap struktur

modal adalah sebesar 0.000. Diketahui nilai Fhitung sebesar 10,525 dan

nilai Ftabel sebesar 2,306 sehingga nilai Fhitung (10,525> Ftabel (2,306)

dan nilai Sig (0.000) <α (0.05) maka tolak H0. Sehingga dapat disimpulkan

bahwa minimal ada satu variabel bebas berpengaruh positif dan signifikan

terhadap variabel terikat

4.6.2 Uji Parsial (Uji t)

Uji parsial digunakan untuk melihat apakah variabel independen (X)

berpengaruh secara tunggal terhadap variabel depnden (Y). Pengujian ini

dilakukan dengan menggunakan perbandingan nilai thitung dan ttabel yang

diukur berdasarkan rule of thumb. Berikut hasil perhitungan yang

didapatkan:

Page 9
 Tabel 4.8
Uji Parsial

Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 10.307 .942 10.937 .000
Profitabilitas 4.578 6.251 .064 .732 .466
Likuiditas -1.840 .325 -.487 -5.654 .000
Struktur Asset -7.824 4.844 -.137 -1.615 .109
Ukuran Perusahaan -.131 .039 -.276 -3.344 .001
Tingkat Pertumbuhan -.426 .342 -.107 -1.247 .215
Perusahaaan
Sumber: Data diolah peneliti, (2023)

Hipotesis :

H0 : β i=0

H1 : β i ≠ 0 ( i = 1,2,3)

Taraf Signifikansi :

α = 0,05

Kriteria Penolakan :

thitung>ttabel atau nilai Sig<α (0,05),maka tolak H0

thitung<ttabel atau nilai Sig>α (0,05), maka gagal tolak H0

Berdasarkan hasil output yang diperoleh dari aplikasi SPSS di atas, dapat

disimpulkan bahwa:

1. Pengaruh variabel Profitabilitas terhadap Struktur Modal

Dari hasil analisis didapatkan nilai thitung(0,732) > ttabel(1.98) atau

nilai Sig (0.466) >α (0.05), maka gagal tolak H0 artinya secara parsial

Page 10
 tidak terdapat pengaruh profitabilitas terhadap struktur modal. Nilai

koefisien yang dihasilkan sebesar 4,578, artinya variabel profitabilitas

tidak memiliki pengaruh positif dan signifikan terhadap struktur modal.

2. Pengaruh variabel Likuiditas terhadap Struktur Modal

Dari hasil analisis didapatkan nilai thitung(-5,654) > ttabel(1.98) atau

nilai Sig (0.000) <α (0.05), maka tolak H0 artinya secara parsial terdapat

pengaruh likuiditas terhadap struktur modal. Nilai koefisien yang

dihasilkan sebesar -1,840, artinya variabel likuiditas memiliki pengaruh

negative dan signifikan terhadap struktur modal.

3. Pengaruh variabel Struktur Asset terhadap Struktur Modal

Dari hasil analisis didapatkan nilai thitung(-1,615) < ttabel(1.98) atau

nilai Sig (0.109) >α (0.05), maka gagal tolak H0 artinya secara parsial

tidak terdapat pengaruh struktur asset terhadap struktur modal. Nilai

koefisien yang dihasilkan sebesar -7,824, artinya variabel struktur asset

tidak memiliki pengaruh negative dan signifikan terhadap struktur modal.

4. Pengaruh variabel Ukuran Perusahaan terhadap Struktur Modal

Dari hasil analisis didapatkan nilai thitung(-3,344) > ttabel(1.98) atau

nilai Sig (0.001) <α (0.05), maka tolak H0 artinya secara parsial terdapat

pengaruh ukuran perusahaan terhadap struktur modal. Nilai koefisien

yang dihasilkan sebesar -0,131, artinya variabel ukuran perusahaan

memiliki pengaruh negative dan signifikan terhadap struktur modal.

Page 11
 5. Pengaruh Variabel Tingkat Pertumbuhan Perusahaan terhadap

Struktur Modal

Dari hasil analisis didapatkan nilai thitung(-1,247) < ttabel(1.98) atau

nilai Sig (0.215) >α (0.05), maka gagal tolak H0 artinya secara parsial

tidak terdapat pengaruh Tingkat Pertumbuhan Perusahaan terhadap

struktur modal. Nilai koefisien yang dihasilkan sebesar -0,426, artinya

variabel tingkat pertumbuhan perusahaan tidak memiliki pengaruh

negative dan signifikan terhadap struktur modal.

4.3 Koefisien Determinasi (R Square)

Koefisien determinasi bertujuan untuk mengukur seberapa besar presentase

pengaruh variabel independen terhadap variabel dependen dalam satuan persen

dalam sebuah model regresi penelitian. Hasil uji koefisien determinasi adalah

sebagai berikut:

Tabel 4.9
Koefisien Determinasi

Model Summaryb
Adjusted R Std. Error of the
Model R R Square Square Estimate
1 .589a .347 .314 1.68623
a. Predictors: (Constant), Tingkat Pertumbuhan Perusahaaan , Struktur
Asset, Ukuran Perusahaan, Likuiditas, Profitabilitas
b. Dependent Variable: Struktur Modal
Sumber: Data diolah peneliti, (2023)

Berdasarkan hasil output diatas, dapat dilihat nillai R Square sebesar

0,347(34,7%), artinya variabel struktur modal dipengaruhi oleh variabel-variabel

Page 12
bebas yang diteliti. Sedangkan 65,3% lainnya dipengaruhi oleh faktor lain diluar

penelitian.

~THANK YOU~

Page 13
 LAMPIRAN

Lampiran Output Pengolahan Data

1. Uji Asumsi Klasik

1) Uji Normalitas

One-Sample Kolmogorov-Smirnov Test

Unstandardized
Residual
N 65
Normal Parameters a,b
Mean .0000000
Std. Deviation .73819138
Most Extreme Differences Absolute .152
Positive .152
Negative -.061
Test Statistic .152
Asymp. Sig. (2-tailed) .001c
Monte Carlo Sig. (2-tailed) Sig. .090d
95% Confidence Interval Lower Bound .084
Upper Bound .095
a. Test distribution is Normal.
b. Calculated from data.
c. Lilliefors Significance Correction.
d. Based on 10000 sampled tables with starting seed 1314643744.

2) Uji Multikolinearitas

Model Tolerance VIF

1 (Constant)
Ln(X1) .863 1.159
Ln(X2) .712 1.405
X3 .703 1.422
X4 .690 1.449

Page 14
 3) Uji Heterokedastisitas

4) Uji Autokorelasi

Model Summaryb
Adjusted R Std. Error of the
Model R R Square Square Estimate Durbin-Watson
1 .722a .522 .490 .76240 2.088
a. Predictors: (Constant), X4 , Ln(X1) , Ln(X2) , X3
b. Dependent Variable: Log(Y)

2. Analisis Regresi Berganda

Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 4.541 .404 11.234 .000
Ln(X1) .722 .175 .396 4.123 .000
Ln(X2) .572 .082 .738 6.974 .000
X3 -3.065 .774 -.421 -3.958 .000
X4 .416 .185 .241 2.245 .028

Page 15
3. Pengujian Hipotesis
1) Uji F

ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 38.077 4 9.519 16.377 .000b
Residual 34.875 60 .581
Total 72.953 64
a. Dependent Variable: Log(Y)
b. Predictors: (Constant), X4 , Ln(X1) , Ln(X2) , X3

2) Uji T

Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 4.541 .404 11.234 .000
Ln(X1) .722 .175 .396 4.123 .000
Ln(X2) .572 .082 .738 6.974 .000
X3 -3.065 .774 -.421 -3.958 .000
X4 .416 .185 .241 2.245 .028

3) Uji Koefisien Determinasi

Model Summaryb
Adjusted R Std. Error of the
Model R R Square Square Estimate Durbin-Watson
1 .722 a
.522 .490 .76240 2.088
a. Predictors: (Constant), X4 , Ln(X1) , Ln(X2) , X3
b. Dependent Variable: Log(Y)

Page 16