5. Variabel independen profitability yang diukur melalu NPM net profit margin. Menunjukan nilai terendah -0,22 dan nilai tertinggi 0,37 dengan
nilai rata-rata 0,0607 dan standar deviasi 0,084.
4.2.2 Pengujian Asumsi Klasik
menguji hipotesis akan digunakan analisis regresi linier berganda. Namun demikian akan terlebih dahulu diuji mengenai ada tidaknya
penyimpangan terhadap asumsi klasik yang diperlukan untuk mendapatkan model regresi yang baik
.
4.2.2.1 Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel dependen dan variabel independen keduanya
mempunyai distribusi normal ataukah mendekati normal. Normalitas umumnya dideteksi dengan melihat penyebaran data titik pada sumbu
diagonal dari grafik atau dengan melihat histogram dari residualnya.
Gambar 4.1 Uji Normalitas Histrogram
Gambar 4.2 Uji Normalitas Grafik P-Plot
Analisis grafik dapat digunakan dengan dua alat yaitu grafik histogram dan grafik P-P Plot. Data yang baik adalah data yang memiliki
pola distribusi normal. Pada grafik histogram, data yang mengikuti atau mendekati distribusi normal adalah distribusi data dengan bentuk
lonceng. Pada grafik P-P Plot, sebuah data dikatakan berdistribusi normal apabila titik-titik datanya tidak menceng ke kiri atau ke kanan, melainkan
menyebar di sekitar garis diagonal. Berikut hasil uji normalitas dengan
menggunakan analisis grafik.
Dengan melihat tampilan grafik histogram pada gambar 4.1 diatas kita dapat melihat bahwa gambar grafik berbentuk lonceng dan menceng
ke kiri dan ke kanan yang menunjukkan bahwa data tidak terdistribusi secara normal. Pada grafik P-P Plot pada gambar 4.2 diatas terlihat titik-
titik tidak menyebar di sepanjang garis diagonal. Kedua grafik tersebut menunjukkan bahwa model regresi menyalahi asumsi normalitas.
Pengujian normalitas data dengan hanya melihat grafik tidak cukup, sehingga kita perlu melakukan uji normalitas data dengan
menggunakan statistik agar lebih meyakinkan. Untuk memastikan apakah data di sepanjang garis diagonal berdistribusi normal, maka dilakukan uji
Kolmogorov-Smirnov 1 sample KS dengan melihat data residualnya apakah berdistribusi normal atau tidak. Jika nilai signifikansinya lebih
besar dari 0,05 maka data tersebut terdistribusi normal. Jika nilai signifikansinya lebih kecil dari 0,05 maka distribusi data adalah tidak
normal. Pengujian normalitas dengan metode statistik ini dapat dilihat pada tabel 4.2 sebagai berikut:
Tabel 4.2 Uji Normalitas Data Awal
One-Sample Kolmogorov-Smirnov Test
Unstandardized Predicted Value
N 48
Normal Parameters
a,b
Mean 2.8164583
Std. Deviation 2.05957947
Most Extreme Differences Absolute
.142 Positive
.090 Negative
-.142 Kolmogorov-Smirnov Z
.986 Asymp. Sig. 2-tailed
.285 a. Test distribution is Normal.
b. Calculated from data.
Hasil uji Kolmogorov-Smirnov pada tabel diatas menunjukan nilai profitabilitas = 0,285. Dengan demikian, data pada penelitian ini tidak
berdistribusi normal dan tidak dapat digunakan untuk melakukan uji hipotesis karena 0,285 0,05.
Pada pengujian normalitas dengan analisis statistik dapat diketahui bahwa data yang digunakan oleh penulis tidak berdistribusi normal
sehingga data ini tidak dapat digunakan untuk melakukan uji hipotesis. Pada penelitian ini penulis menggunakan metode transformasi data untuk
menormalkan data penelitian. Menuru Ghozali 2006, “data yang tidak terdistribusi secara normal dapat ditransformasi agar menjadi normal”.
Salah satu transformasi data yang dapat dilakukan adalah dengan mentransformasikan data ke logaritma 10 atau LN. 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 dengan uji grafik dan statistik setelah ditansformasi dapat dilihat sebagai beriku :
Gambar 4.3 Uji Normalitas Histrogram setelah ditransformasi
Gambar 4.4 Uji Normalitas P-Plot setelah transformasi
Tabel 4.3 Uji Normalitas setelah transformasi
One-Sample Kolmogorov-Smirnov Test
Unstandardized Predicted Value
N 37
Normal Parameters
a,b
Mean .2711787
Std. Deviation .74751963
Most Extreme Differences Absolute
.082 Positive
.082 Negative
-.049 Kolmogorov-Smirnov Z
.496 Asymp. Sig. 2-tailed
.966 a. Test distribution is Normal.
b. Calculated from data.
Dengan melihat tampilan grafik histrogram pada gambar 4.3 diatas kita dapat melihat bahwa gambar grafik berbentuk lonceng dan tidak
menceng ke kiri dan ke kanan yang menunjukkan bahwa data terdistribusi secara normal. Pada grafik P-P Plot pada gambar 4.4 diatas
terlihat titik-titik menyebar di sepanjang dan tidak menjauhi garis diagonal. Kedua grafik tersebut menunjukkan bahwa model regresi tidak
menyalahi asumsi normalitas. Hasil uji Kolmogorov-Smirnov pada tabel 4.3 diatas menujukkan nilai probabilitas = 0,966. Dengan demikian, data
pada penelitian ini berdistribusi normal dan dapat digunakan untuk melakukan uji hipotesis karena 0,966 0,05.
4.2.2.2 Uji Heterokedastisitas
