41
B. Pengujian Asumsi Klasik
Formula atau rumus regresi diturunkan dari suatu asumsi data tertentu. Dengan demikian tidak semua data dapat diterapkan regresi. Jika data tidak
memenuhi asumsi regresi, maka penerapan regresi akan menghasilkan estimasi yang bias. Berikut ini adalah hasil pengujian asumsi klasik yang
terdiri dari uji normalitas, multikolinearitas, heteroskedastisitas dan autokorelasi.
1. Uji Normalitas
Uji Normalitas merupakan pengujian untuk mengetahui apakah dalam sebuah model regresi, variabel dependen, variabel independen atau
keduanya mempunyai distribusi normal atau tidak. Model regresi yang baik adalah distribusi datanya normal atau tidak normal. Untuk menguji
normalitas dalam penelitian ini adalah dengan menggunakan uji kolmogorov Smirnov. Dasar pengambilan keputusan adalah jika
profitabilitas signikanya di atas tingkat kepercayaan 5, maka model regresi memenuhi asumsi normalitas Ghozali, 2001: 84. Berikut adalah
hasil pengujian normalitas: Tabel 4.4
Hasil Pengujian Normalitas
Variabel Kolmogorov Smirnov Z
p
value
Keterangan
Unstandardized Residual 0,99. 0,278 Normal
Sumber: data primer diolah, 2011 Berdasarkan hasil perhitungan dengan menggunakan bantuan
program komputer SPSS 15.0 for windows diperoleh nilai kolmogorov
42
smirnov z untuk residual µ
i
sebesar 0,993 dengan probability 0,278. Perbandingan antara probability dengan standar signifikansi yang sudah
ditentukan diketahui bahwa nilai probaility sebesar 0,278 lebih besar dari 0,05. Sehingga menunjukkan bahwa distribusi data dalam penelitian
normal. 2.
Uji Multikolinearitas Uji Multikolinieritas merupakan pengujian, apakah pada model
regresi ditemukan adanya korelasi antar variabel independen. Jika terjadi korelasi, maka terdapat masalah multikolinieritas Sularmi, 2003. Model
enter digunakan untuk menguji adanya multikonieritas yaitu dengan melihat pada tolerence value atau variance inflation facor VIF. Pedoman
suatu model regresi yang bebas multikolinieritas mempunyai tolerence value di atas angka 0,1, sedangkan batas VIF adalah 10 dan mempunyai
angkan mendekati 1 Ghozali, 2001: 67. Berikut adalah hasil pengujian multikolinearitas:
Tabel 4.5 Hasil Pengujian Multikolinearitas
No Variabel Tolerance VIF Keterangan
1. LAR X
1
0,879 1,138
Tidak Terjadi Multikolinearitas 2.
ROA X
2
0,690 1,449
Tidak Terjadi Multikolinearitas 3.
ROE X
3
0,725 1,380
Tidak Terjadi Multikolinearitas 4.
NPM X
4
0,893 1,119
Tidak Terjadi Multikolinearitas Sumber: data sekunder diolah, 2011
Dengan melihat hasil pengujian multikolinearitas di atas, diketahui bahwa tidak ada satupun dari variabel bebas yang mempunyai nilai
tolerance lebih kecil dari 0,1. Begitu juga nilai VIF masing-masing variabel tidak ada yang lebih besar dari 10. Dengan demikian dapat
43
disimpulkan bahwa tidak ada korelasi yang sempurna antara variabel bebas independent, sehingga model regresi ini tidak ada masalah
multikolinearitas. 3.
Uji Heteroskedastisitas Uji heteroskedastisitas merupakan pengujian apakah dalam
sebuah model regresi terjadi ketidaksamaan varian dari residual satu pengamatan ke pengamatan yang lain. Jika varian sama dari satu
pengamatan ke pengamatan yang lain, maka disebut homoskedastisitas Sularmi, 2003. Dalam penelitian ini pengujian heterokedastisitas
digunakan metode Lagrang Multiplier LM, yaitu dengan prosedur sebagai berikut.
a. Pengujian regresi dengan persamaan:
Y = a + b
1
X
1
+ b
2
X
2
+ b
3
X
3
+ b
4
X
4
+ e
i
b. Dapatkan e dan nilai estimasi Y Y Predicted
Ŷ c.
Kuadratkan kedua variabel baru. d.
Lakukan regresi dengan persamaan: e
2
= a + b Ŷ
2
+ U: e.
Hitung R
2
dan kalikan R
2
dengan jumlah sampel LM = R
2
× N. f.
Bandingkan hasil tersebut dengan tabel Chi Square dengan derajat bebas 1 yaitu sebesar 9,2.
g. Apabila R
2
× N lebih besar dari 9,2 maka standar error e mengalami heteroskedastisitas. Sebaliknya jika R
2
× N lebih kecil dari 9,2 maka standar error e tidak mengalami heteroskedastisitas.
44
Tabel 4.6 Hasil Pengujian Heteroskedastisitas
.592
a
.351 .339
523.50354 Model
1 R
R Square Adjusted
R Square Std. Error of
the Estimate Predictors: Constant, Res²
a.
Berdasarkan hasil analisis data dengan menggunakan bantuan progam komputer SPSS 15.0 for windows diperoleh R
2
= 0,351 sehingga diperolah nilai LM = 0,351 × 20 = 7,02 dengan demikian nilai LM lebih
kecil dari tabel Chi Square 9,2 yang menunjukkan bahwa standar error e tidak mengalami heteroskedastisitas.
4. Uji Autokorelasi
Uji Autokorelasi adalah adanya korelasi antar anggota sampel yang diurutkan berdasarkan waktu. Autokorelasi bisa diatasi dengan cara
melakukan transformasi data atau menambah data observasi Sularmi, 2003. Pengujian autokorelasi dengan menggunakan Durbin Watson Test.
Kriteria pengambilan keputusan pengujian autokorelasi adalah sebagai berikut:
a. Angka D-W antara 0 sampai 1,5 berarti ada autokorelasi positif.
b. Angka D-W antara 1,5 sampai 2,5 berarti tidak ada autokorelasi.
c. Angka D-W antara 2,5 sampai 4 berarti ada autokorelasi negatif.
45
Tabel 4.7 Hasil Pengujian Autokorelasi
2. 344
a
Model 1
Durbin- Watson
Berdasarkan hasil pengujian autokorelasi dengan menggunakan bantuan progam komputer SPSS 15.0 for windows diperoleh nilai Durbin-
Watson sebesar 2,344 lihat lampiran uji autokorelasi. Dengan nilai Durbin-Watson 2,344 yang berada di antara 1,5 sampai 2,5 maka dapat
disimpulkan bahwa model regresi dalam penelitian ini tidak ada masalah autokorelasi.
C. Pengujian Hipotesis
