Uji Asumsi Klasik a

4.1.3 Analisis Data

4.1.3.1 Uji Asumsi Klasik a

Uji Normalitas Pengujian normalitas data adalah untuk mengetahui apakah dalam model statistik variabel-variabel penelitian mempunyai distribusi data yang normal atau tidak normal. Proses uji normalitas data dilakukan dengan memperhatikan grafik histrogram dan penyebaran data titik-titik pada normal P-Plot of Regression Standardzed Residual dari variable-variabel independen dimana: 1. Jika data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal, atau grafik histrogramnya menunjukkan pola distibusi normal, maka model regresi memenuhi asumsi normalitas 2. Jika data menyebar jauh dari garis diagonal dan atau tidak mengikuti garis diagonal, atau grafik histrogram tidak menunjukkan pola distribusi normal, maka model regresi tidak memenuhi asumsi normalitas. Hasil uji normalitas dapat dilihat pada gambar 4.1 grafik histogram dan normal P-Plot of Regression standarzed residual sebagai berikut: 3 2 1 -1 -2 -3 Regression Standardized Residual 20 15 10 5 F re q u e n c y Mean = 3.62E-15 Std. Dev. = 0.981 N = 106 Dependent Variable: Y Histogram Gambar 4.1: Grafik Histogram dan Normal P-Plot Sumber: data diolah Dari grafik histrogran dan normal P-Plot dapat disimpulkan bahwa grafik histrogram memberikan pola distribusi yang normal. Sedangkan grafik normal P- Plot terlihat bahwa titik-titik menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal. Sehingga dapat disimpulkan dalam penelitian tidak terjadi gangguan normalitas, yang berarti data berdistribusi normal. b Uji Multikolonieritas Uji Multikolinearitas digunakan untuk menunjukkan ada tidaknya hubungan linear diantara variabel-variabel independen dalam model regresi. Salah satu cara untuk mengetahui ada tidaknya multikolonieritas pada suatu model adalah dengan melihat nilai yang dipakai untuk menandai adanya faktor multikolonieritas. Nilai yang dipakai adalah nilai tolerance lebih kecil dari 0,10 atau nilai VIF kurang dari 10. Jika nilai nilai tolerance lebih dari 0.10 dan nilai VIF lebih dari 10 maka terjadi multikolonieritas. Hasil uji multikolonieritas dapat dilihat pada tabel 4.2 berikut: Tabel 4.8 Uji Multikolonieritas keterangan X 1 X 2 X 3 X 4 sampel 106 106 106 106 Tolerance 0.947 0.962 0.958 0.926 VIF 1.056 1.039 1.044 1.079 Sumber: data diolah Dari tabel 4.8 hasil perhitungan nilai tolerance menunjukkan tidak ada variabel independen yang memiliki nilai tolerance kurang dari 0.10 yang berarti tidak ada korelasi antar variabel independen yang nilainya lebih dari 95. Hasil perhitungan nilai variance inflation factor VIF juga menunjukkan hal yang sama tidak ada satu variabel independen yang memiliki nilai VIF lebih dari 10. Jadi dapat disimpulkan bahwa tidak ada multikolonieritas antar variabel independen dalam regresi.

c Uji Heteroskedastisitas

Heteroskedastisitas adalah adanya varians yang berbeda yang dapat membiaskan hasil yang telah dihitung, serta menimbulkan konsekuensi adanya model yang akan menaksir terlalu rendah varians yang sesungguhnya. Salah satu cara untuk mendeteksi ada atau tidaknya heteroskedastisitas adalah dengan cara melihat grafik plot antara nilai prediksi variabel terikat ZPRED dengan nilai residualnya SRESID Hal yang mendasari dalam pengambilan keputusan adalah : 1. Jika ada pola tertentu seperti titik-titik yang membentuk suatu pola teratur gelombang, melebar kemudian menyempit maka terjadi masalah Heterokedastisitas. 2. Jika tidak ada pola jelas seperti titik-titik yang menyebar diatas dan dibawah angka nol pada sumbu Y, maka tidak terjadi masalah heterokedastisitas. Hasil pengujian heterokedastisitas dapat dilihat pada penelitian dapat dilihat pada gambar 4.2 berikut ini: 5 4 3 2 1 -1 -2 Regression Standardized Predicted Value 3 2 1 -1 -2 -3 R e g re s s io n S tu d e n ti ze d R e s id u a l Dependent Variable: Y Scatterplot Dari gambar 4.2 grafik scatterplots terlihat bahwa titik-titik menyebar secara acak serta tersebar baik diatas maupun dibawah angka 0 pada sumbu Y. Hal ini dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi, sehingga model regresi layak dipakai untuk memprediksi luas pengungkapan sukarela berdasarkan masukan variabel ukuran perusahaan, leverage, profitabilitas dan likuiditas.

4.1.4 Analisis Regresi Berganda