Uji Heteroskedastisitas Pengujian Asumsi Klasik .1. Uji Normalitas

Tabel 4.5 Uji Kolmogorov-Smirnov One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 60 Normal Parameters a,b Mean ,0000000 Std. Deviation 25,87156259 Most Extreme Differences Absolute ,147 Positive ,147 Negative -,086 Kolmogorov-Smirnov Z 1,139 Asymp. Sig. 2-tailed ,149 a. Test distribution is Normal. b. Calculated from data. Sumber: Hasil Olahan SPSS 2014 Pada Tabel 4.5 terlihat bahwa nilai Kolmogorov-Smirnov adalah 1,139 Nilai Asymp. Sig. 2-tailed adalah 0,149, nilai tersebut berada di atas nilai signifikan 0.05. Hal ini berarti variabel residual berdistribusi normal Situmorang dan Lufti, 2012 : 107.

4.3.2 Uji Heteroskedastisitas

Uji Heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varians dari residual dari satu pengamatan ke pengamatan yang lain. Jika varians berbeda disebut heteroskedastisitas. Model regresi yang baik seharusnya tidak terjadi heteroskedastisitas sehingga model regresi layak dipakai untuk memprediksi variabel dependen berdasarkan masukan variabel independennya. Untuk mendeteksi ada atau tidaknya heteroskedastisitas, dapat dilakukan dengan metode grafik. Metode ini dilakukan dengan melihat Universitas Sumatera Utara grafik plot antara nilai prediksi variabel dependen, yaitu ZPRED dengan residualnya SRESID Ghozali, 2009:36. Gambar 4.3: Scatterplot Sumber: Hasil Olahan SPSS 2014 Dari Gambar 4.3, dapat dilihat bahwa pada tampilan grafik scatterplot, titik-titik tidak menyebar secara acak baik di atas maupun di bawah angka 0 pada sumbu Y. Dengan demikian, dapat disimpulkan bahwa terjadi heteroskedastisitas pada model regresi. Menurut Situmorang dan Lufti 2012, jika terjadi heteroskedastisitas pada model residual, maka salah satu langkah perbaikan dilakukan dengan mentransformasikan variabel dependen dan variabel independen menjadi bentuk Universitas Sumatera Utara logaritma natural, sehingga persamaan regresinya menjadi LnTAG = f LnDER, LnCR, LnROI,. Setelah dilakukan transformasi, penulis melakukan pengujian ulang terhadap uji normalitas untuk melihat kembali apakah data penelitian ini telah berdistribusi normal atau tidak. Hasil pengujian normalitas setelah transformasi dapat dilihat sebagai berikut : 1. Uji Normalitas Setelah Transformasi Data Uji normalitas ini dilakukan untuk mengetahui apakah variabel dependen, independen, atau keduanya berdistribusi normal, mendekati normal, atau tidak. Gambar 4.4 Histogram setelah transformasi data Sumber: Hasil Olahan SPSS 2014 Universitas Sumatera Utara Grafik histogram di atas menunjukkan bahwa distribusi data yang berbentuk lonceng tidak menceng ke kiri atau menceng ke kanan. Oleh karena itu, data dikatakan berdistribusi normal. Gambar :4.5 Normal P-Plot setelah transformasi data Sumber: Hasil Olahan SPSS 2014 Pada grafik normal plot terlihat titik-titik menyebar disekitar garis diagonal, serta penyebarannya mengikuti arah garis diagonal. Hal ini berarti data berdistribusi normal. Secara visual seringkali data kelihatan normal karena mengikuti garis diagonal, padahal belum tentu data tersebut berdistribusi normal. Oleh sebab itu, analisis harus dilengkapi dengan uji statistik, diantaranya adalah uji statistik Kolmogorov-Smirnov KS. Universitas Sumatera Utara Tabel 4.6 Uji Kolmogorov-Smirnov setelah transformasi data One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 47 Normal Parameters a,b Mean ,0000000 Std. Deviation ,89122978 Most Extreme Differences Absolute ,121 Positive ,052 Negative -,121 Kolmogorov-Smirnov Z ,829 Asymp. Sig. 2-tailed ,497 a. Test distribution is Normal. b. Calculated from data. Sumber: Hasil Olahan SPSS 2014 Pada Tabel 4.8 terlihat bahwa nilai Kolmogorov-Smirnov adalah 0.829. Nilai Asymp. Sig. 2-tailed adalah 0.497, nilai tersebut berada di atas nilai signifikan 0.05. Hal ini berarti variabel residual berdistribusi normal Situmorang dan Lufti, 2012 : 107. 2. Uji Heteroskedastisitas Setelah Transformasi Data Uji Heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varians dari residual dari satu pengamatan ke pengamatan yang lain. Universitas Sumatera Utara Gambar 4.6: Scatterplot setelah transformasi data Sumber: Hasil Olahan SPSS 2014 Dengan melihat tampilan grafik scatterplot dapat disimpulkan titik-titik menyebar secara acak baik di atas maupun di bawah angka 0 pada sumbu Y jika dibandingkan dengan grafik scatterplot sebelum dilakukan transformasi ke logaritma natural. Dengan demikian, dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi. Analisis dengan grafik plot memiliki kelemahan yang cukup signifikan oleh karena jumlah pengamatan mempengaruhi hasil ploting. Semakin sedikit jumlah pengamatan semakin sulit menginterpretasikan hasil grafik plot. Universitas Sumatera Utara Tabel 4.7 Uji Gletjser setelah transformasi data Coefficients a Model Unstandardized Coefficients Standardized Coefficients T Sig. B Std. Error Beta 1 Constant ,174 ,923 ,189 ,851 LnDER ,296 ,160 ,337 1,856 ,070 LnCR ,088 ,184 ,087 ,479 ,635 LnROI ,019 ,107 ,027 ,181 ,857 a. Dependent Variable: ABSUT Sumber: Hasil Olahan SPSS 2014 Hasil tampilan ouput SPSS data setelah transformasi logaritma natural dengan jelas menunjukkan semua variabel independen tidak signifikan terhadap variabel dependen. Hal ini terlihat dari probabilitas signifikansi semua variabel yang berada di atas 0.05. Jadi disimpulkan model regresi tidak mengarah adanya heteroskedastisitas Situmorang dan Lufti, 2012 : 116. Uji asumsi klasik selanjutnya menggunakan persamaan regresi LnTAG = f Ln DER, LnCR, LnROI.

4.3.3 Uji Multikolinearitas