a. Uji Normalitas Data
Uji normalitas data bertujuan untuk menguji apakah variabel residual berdistribusi normal atau tidak. Uji statistik yang dapat digunakan untuk
menguji apakah residual berdistribusi normal adalah uji statitstik non parametrik Kolmogorov-Smirnov K-S dengan membuat hipotesis:
H : data residual berdistribusi normal,
Ha : data residual tidak berdistribusi normal. Apabila nilai siginifikansi lebih besar dari 0,05 maka H
diterima dan Ha ditolak, sebaliknya jika nilai signifikansi lebih kecil dari 0,05 maka H
ditolak dan Ha diterima. Dari hasil pengolahan data pada tabel 4.4 dibawah ini, diperoleh
besarnya nilai Kolmogorov-Smirnov adalah 0,473 dan signifikansi pada 0,979. Nilai signifikansi ternyata lebih besar dari 0,05 maka Ha ditolak
yang berarti data residual tersebut berdistribusi normal.
Tabel 4.4 Hasil Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 32
Universitas Sumatera Utara
Normal Parameters
a,,b
Mean .0000000
Std. Deviation .18665661
Most Extreme Differences Absolute
.084 Positive
.084 Negative
-.078 Kolmogorov-Smirnov Z
.473 Asymp. Sig. 2-tailed
.979 a. Test distribution is Normal.
b. Calculated from data.
Sumber: Output SPSS Data yang berdistribusi normal tersebut juga dapat dilihat melalui
grafik histrogram dan grafik normal p-plot data. Grafik histogram pada Gambar 4.1 menunjukkan pola distribusi normal karena grafik tidak
melenceng ke kiri maupun melenceng ke kanan. Demikian pula hasil uji normalitas dengan menggunakan grafik p-plot pada Gambar 4.2. Pada
grafik normal p-plot terlihat bahwa data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal, maka dapat disimpulkan bahwa model
regresi telah memenuhi asumsi normalitas.
Universitas Sumatera Utara
Sumber: Output SPSS
Gambar 4.1 Grafik Histogram
Universitas Sumatera Utara
Sumber: Output SPSS
Gambar 4.2 Grafik Normal
P-Plot b.
Uji Multikolinieritas
Uji multikolinieritas bertujuan untuk menguji apakah terdapat korelasi antar variabel independen dalam model regresi. Jika pada model regresi
terjadi multikolinieritas, maka koefisien regresi tidak dapat ditaksir dan nilai standard error menjadi tidak terhingga. Menurut Nugroho 2005:58,
“deteksi multikolinieritas pada suatu model dapat dilihat, yaitu jika nilai Variance Inflation Factor VIF tidak lebih dari 10 dan nilai tolerance
tidak kurang dari 0,1 maka model dapat dikatakan terbebas dari multikolinieritas.”
Tabel 4.5 Hasil Uji Multikolinieritas
Coefficients
a
Model Collinearity Statistics
Tolerance VIF
1 Constant
Dewan Komisaris .645
1.550 Debt to Equity Ratio
.629 1.589
LN_Ukuran Perusahaan .643
1.555 Net Profit Margin
.678 1.476
Universitas Sumatera Utara
Kepemilikan Manajemen .829
1.206 a. Dependent Variable: Informasi Sosial
Sumber: Output SPSS Dari data pada tabel 4.5, dapat disimpulkan bahwa tidak terjadi gejala
multikolinieritas antara variabel independen yang diindikasikan dari nilai tolerance setiap variabel independen lebih besar dari 0,1 yakni sebesar
0,131 dan nilai VIF lebih kecil dari 10 yakni sebesar 7,618. Maka dapat disimpulkan bahwa analisis lebih lanjut dapat dilakukan dengan
menggunakan model regresi berganda.
c. Uji Heteroskedastisitas