Uji Normalitas Uji Asumsi Klasik

Gambar 4.2 Sumber: Output SPSS 22.0, diolah penulis 2015 Gambar 4.2 merupakan kurva P-P Plot. Pada scatterplot terlihat titik-titik data berada di sepanjang garis diagonal dan mengikuti arah garis diagonal tersebut. Hal ini berarti data pada variabel dependen yang digunakan, yaitu variabel struktur modal dengan menggunakan Underpricing, dapat berdistribusi dengan normal. Pengujian normalitas dengan menggunakan pendekatan histogram dan pendekatan grafik P-P plot dengan tujuan untuk melihat apakah terdistribusi normal atau tidak saja tidak cukup. Dan sering kali menimbulkan perbedaan persepsi dari para pengamat karena sifatnya yang subjektif, sehingga untuk memastikan apakah data disepanjang garis diagonal berdistribusi normal atau tidak maka, kita perlu melakukan uji normalitas data dengan analisis statistik agar lebih meyakinkan. Untuk meningkatkan akurasi pengujian normalitas data pada penelitian ini, maka digunakan uji statistik nonparametrik, yakni pendekatan Kolmogorov-Smirnov 1 Sample KS. Jika diperoleh nilai Asymp. Sig 2-tailed tingkat signifikan α, dalam penelitian ini α sebesar 0,05, maka dapat dikatakan variabel residual berdistribusi normal. Tabel 4.2 Pengujian Normalitas One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 47 Normal Parameters a,b Mean .0000000 Std. Deviation .91777510 Most Extreme Differences Absolute .084 Positive .058 Negative -.084 Test Statistic .084 Asymp. Sig. 2-tailed .200 c,d a. Test distribution is Normal. b. Calculated from data. c. Lilliefors Significance Correction. d. This is a lower bound of the true significance. Sumber: Output SPSS 22.0, diolah penulis 2015 Dari Tabel 4.2, Asymp. Sig 2-tailed = 0,200 dimana angka ini lebih besar dibandingkan nilai signifikannya 0,05. Berdasarkan hasil tersebut dapat disimpulkan bahwa varibel residual berdistribusi normal. 2. Uji Heteroskedastisitas Pada persamaan regresi pasti muncul residu, yakni variabel lain yang terlibat, tetapi tidak dimuat dalam model, sehingga variabel tersebut diasumsikan bersifat acak. Jika data residu tidak bersifat acak, maka dapat dikatakan data terkena heteroskedastisitas. Uji ini juga bertujuan untuk menguji apakah sebuah grup mempunyai varians yang sama diantara anggota grup tersebut. Jika variansnya sama, maka dapat dikatakan terdapat homokedastisitas, namun jika sebaliknya, maka dikatakan terjadi heteroskedastisitas. Data yang baik adalah data yang tidak mengalami heteroskedastisitas. Uji heteroskedastisitas yang digunakan dalam penelitian ini adalah metode Glejser Test dan grafik. Gambar 4.3 Sumber: Output SPSS 22.0, diolah penulis 2015 Gambar 4.3 merupakan grafik scatterplot dari variabel dependen underpricing. Grafik menunjukkan titik-titik 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. Metode pendekatan grafik ini memiliki kelemahan dalam memprediksi heteroskedastisitas. Kelemahannya yakni jika jumlah pengamatan yang dilakukan atau data yang ada jumlahnya sedikit, maka sulit untuk menginterpretasikan hasil grafik scatterplot. Oleh karena itu, dalam penelitian ini digunakan uji lain untuk memprediksi heteroskedastisitas, yakni Glejser Test. Tabel 4.3 Pengujian Heteroskedastisitas Coefficients a Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 Constant -1.309 2.109 -.621 .538 LNukuranperusahaan .064 .074 .143 .855 .397 Underwriter .033 .201 .028 .166 .869 LNleverage -.067 .162 -.067 -.414 .681 LNroe -.067 .086 -.122 -.774 .443 a. Dependent Variable: ABS Sumber: Output SPSS 22.0, diolah penulis 2015 Tabel 4.3 menunjukkan hasil pengujian Glejser Test. Jika variabel independen berpengaruh secara signifikan terhadap variabel dependen ABS, maka hal ini mengindikasikan terjadinya heteroskedastisitas. Namun hasil pengujian menunjukkan probabilitas signifikansi variabel independen berada di atas tingkat kepercayaan 5. Hal ini berarti model regresi tidak mengalami persoalan heteroskedastisitas.

3. Uji Multikolinearitas

Uji ini diperlukan untuk mengetahui ada tidaknya variabel independen yang memiliki kemiripan dengan variabel independen lain. Model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel independen. Cara untuk mendeteksi terjadinya multikolinearitas yaitu dengan melihat nilai VIF Variable Inflation Factor dan nilai tolerance. Jika nilai VIF 5 dan nilai tolerance 0, 10 maka dapat disimpulkan tidak terjadi multikolinearitas. Pengujian multikolinearitas juga dapat dilakukan dengan melihat korelasi di antara variabel independen. Berikut disajikan tabel hasil perhitungan nilai Tolerance dan VIF serta matrik korelasi antar variabel independen. Tabel 4.4 Pengujian Multikolinearitas Coefficients a Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics B Std. Error Beta Tolerance VIF 1 Constant 5.945 3.375 1.761 .085 LNukuranperusahaan -.300 .119 -.360 -2.516 .016 .823 1.215 Underwriter -.376 .321 -.170 -1.172 .248 .805 1.242 LNleverage .016 .260 .009 .063 .950 .868 1.152 LNroe -.248 .138 -.243 -1.796 .080 .920 1.087 a. Dependent Variable: LNunderpricing Sumber: Output SPSS 22.0, diolah penulis 2015 Berdasarkan Tabel 4.4 dapat diketahui bahwa nilai tolerance dari masing- masing variabel independen lebih besar dari 0,10, yaitu untuk variabel ukuran perusahaan sebesar 0,823, variabel underwriter sebesar 0,805, variabel leverage sebesar 0,868, variabel ROE sebesar 0,920. Nilai VIF dari masing-masing variabel independen diketahui kurang dari 5, yaitu untuk variabel ukuran perusahaan sebesar 1,215, variabel underwriter 1,242, variabel leverage sebesar 1,152, variabel ROE sebesar 1,087. Berdasarkan tabel di atas dapat disimpulkan bahwa tidak ada multikolinieritas antar variabel independen dalam model ini.

4. Uji Autokolerasi

Autokolerasi menunjukkan adanya kondisi yang berurutan antara gangguan atau distribusi yang masuk dalam regresi. Uji autokolerasi bertujuan