menunjukkan adanya efisiensi manajemen asset karena semakin tinggi ROA maka semakin tinggi kemampuan perusahaan untuk menghasilkan keuntungan. Rata-rata
dari ROA sebesar .0335 dengan standart deviasi 15679 hal ini menunjukkan bahwa kondisi ROA perusahaan sampel sangat berfluktuasi karena selisih antara ROA
maximum dengan ROA minimum cukup besar, nilai standart deviasi ROA lebih besar dari nilai rata-rata ROA. Hal ini mengindikasikan bahwa variabel ROA tidak
berdistribusi normal. Berdasarkan Tabel 5.1 diketahui bahwa nilai DER minimum sebesar -46.76
yang menunjukkan bahwa DER negatif mengindikasikan bahwa hutang yang digunakan oleh perusahaan tersebut tidak memberikan manfaat bagi perusahaan,
bahkan nilai hutang tersebut mengalami penurunan. Sedangkan nilai DER maximum sebesar 19.91 menunjukkan adanya efisiensi hutang karena semakin tinggi DER
maka semakin tinggi kemampuan perusahaan untuk menghasilkan keuntungan. Rata- rata dari DER sebesar 1.1910 dengan standart deviasi 5.13584 hal ini menunjukkan
bahwa kondisi DER perusahaan sampel sangat berfluktuasi karena selisih antara DER maximum dengan DER minimum cukup besar, nilai standart deviasi DER lebih besar
dari nilai rata-rata DER. Hal ini mengindikasikan bahwa variabel DER tidak berdistribusi normal.
5.1.2. Pengujian Asumsi Klasik Hipotesis Pertama
Untuk menghasilkan suatu model regresi yang baik, analisis regresi memerlukan pengujian asumsi klasik sebelum melakukan pengujian hipotesis.
Universitas Sumatera Utara
Apabila terjadi penyimpangan dalam pengujian asumsi klasik perlu dilakukan perbaikan terlebih dahulu.
5.1.2.1. Uji normalitas Uji normalitas berguna untuk mengetahui apakah variabel dependen dan variabel
independen yang digunakan dalam penelitian mempunyai distribusi normal atau tidak. Model regresi yang baik dan layak digunakan dalam penelitian adalah model
yang memiliki distribusi normal atau mendekati normal. Hasil uji normalitas data dengan normal Probability Plot dalam penelitian ini dapat ditunjukkan pada Gambar
5.1 berikut ini:
Sumber: Hasil Penelitian, 2010 Data diolah
Gambar 5.1. Hasil Uji Normalitas Sebelum Dilakukan Transformasi
Universitas Sumatera Utara
Dari Gambar 5.1 terlihat bahwa titik-titik menyebar jauh dari garis diagonal dan tidak mengikuti arah garis diagonal, maka model regresi tidak memenuhi asumsi
normalitas. Selain itu uji normalitas data dapat dilakukan dengan menggunakan uji statistik non parametrik Kolmogorov-Smirnov K-S, pengujian ini adalah pengujian
paling valid atas asumsi normalitas. Untuk mengetahui hasil uji normalitas dari masing-masing variabel dengan uji Kolmogorov-Smirnov dapat dilihat pada Tabel 5.2
berikut:
Tabel 5.2 Uji Kolmogorov-Smirnov Sebelum Transformasi
One-Sample Kolmogorov-Smirnov Test Unstandardized Residual
N 115
Normal Parameters
a,,b
Mean .0000000
Std. Deviation 8.47194484E2
Most Extreme Differences Absolute
.241 Positive
.210 Negative
-.241 Kolmogorov-Smirnov Z
2.581 Asymp. Sig. 2-tailed
.000 a. Test distribution is Normal.
b. Calculated from data.
Sumber: Hasil Penelitian, 2011 Data diolah Dari hasil uji normalitas pada Tabel 5.2 dapat dilihat bahwa variabel DER,
ROA, ROE, BVS, PER, HGS dan EPS memiliki data yang tidak berdistribusi normal karena nilai signifikansi dari masing-masing variabel sebesar 0,000 0,05. Untuk
mengubah nilai residual agar berdistribusi normal, peneliti melakukan transformasi
Universitas Sumatera Utara
data dengan Logaritma natural Ln dengan menggunakan SPSS. Caranya adalah dengan melakukan logaritma natural terhadap semua variabel yang tidak berdistribusi
normal. Setelah itu, data diuji ulang berdasarkan asumsi normalitas. Hasil uji normalitas setelah melakukan transformasi data yang tidak normal tersebut dapat
dilihat dari gambar normalitas Probability Plot pada Gambar 5.2 berikut ini:
Sumber: Hasil Penelitian, 2011 Data diolah
Gambar 5.2 Hasil Uji Normalitas Setelah Dilakukan Transformasi
Dari grafik normal Probability Plot pada Gambar 5.2 terlihat bahwa setelah dilakukan transformasi data menggunakan logaritma natural, grafik P-P Plot
memperlihatkan titik-titik menyebar disekitar garis diagonal dan mengikuti arah garis diagonal yang menunjukkan pola distribusi normal. Untuk meyakinkan bahwa data
penelitian ini benar-benar normal, maka akan dilakukan pengujian uji statistik non
Universitas Sumatera Utara
parametrik dengan menggunakan Kolmogorov-Smirnov seperti yang terdapat dalam Tabel 5.3 berikut:
Tabel 5.3. Uji Kolmogorov-Smirnov Setelah Transformasi
One-Sample Kolmogorov-Smirnov Test Unstandardized Residual
N 77
Normal Parameters
a,,b
Mean .0000000
Std. Deviation .66212781
Most Extreme Differences
Absolute .075
Positive .075
Negative -.059
Kolmogorov-Smirnov Z .657
Asymp. Sig. 2-tailed .781
a. Test distribution is Normal. b. Calculated from data.
Sumber: Hasil Penelitian, 2011 Data diolah Dari hasil uji Kolmogorov-Smirnov pada Tabel 5.3 dapat dilihat bahwa
setelah dilakukan transformasi data dengan logaritma natural, maka semua data variabel yang diuji menjadi normal dengan nilai signifikansi dari masing-masing
variabel lebih besar dari 0,05 dengan demikian dapat disimpulkan bahwa data telah berdistribusi normal.
5.1.2.2. Uji heteroskedastisitas Uji heteroskedastisitas dalam penelitian ini dilakukan dengan melihat grafik
Scatter-Plot antara nilai prediksi variabel terkait ZPRED dengan residualnya SRESID. Jika ada pola tertentu seperti titik-titik yang ada membentuk pola tertentu
Universitas Sumatera Utara
yang teratur maka mengindikasikan telah terjadi heteroskedastisitas dan jika tidak ada pola yang jelas serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y
maka tidak terjadi heteroskedastisitas. Di mana Y adalah nilai residual dan X adalah nilai yang telah diprediksi. Hasil uji heteroskedastisitas dapat dilihat pada grafik
Scatter-Plot berikut ini:
Sumber: Hasil Penelitian, 2011 Data diolah
Gambar 5.3. Uji Heteroskedastisitas
Dari grafik Scatterpplot pada Gambar 5.3 dapat dilihat bahwa tidak ada pola yang jelas serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y. Hal
ini menyimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi sehingga model regresi layak dipakai.
5.1.2.3. Uji autokorelasi Uji autokorelasi digunakan untuk mengetahui ada tidaknya korelasi antara
kesalahan pengganggu pada periode tertentu dengan kesalahan pengganggu periode
Universitas Sumatera Utara
sebelumnya. Model regresi yang baik adalah regresi yang bebas dari autokorelasi. Uji autokorelasi dapat dilakukan dengan pengujian Durbin-Watson DW. Hasil uji
autokorelasi dapat dilihat pada Tabel 5.4 berikut ini:
Tabel 5.4. Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of
the Estimate Durbin-Watson
1 .732
a
.536 .496
.65387 1.961
a. Predictors: Constant, Ln_EPS, Ln_DER, Ln_ROA, Ln_BVS, Ln_PER, Ln_ROE b. Dependent Variable: Ln_HGS
Sumber: Hasil Penelitian, 2011 Data diolah Nilai D-W tersebut berada di antara 1,5 sampai 2,5 berarti tidak terjadi
autokorelasi pada model regresi yang digunakan. a. Jika nilai D-W berada di bawah 0 sampai 1,5 berarti ada autokorelasi positif.
b. Jika nilai D-W berada di antara 1,5 sampai 2,5 berarti tidak terjadi autokorelasi. c. Jika nilai D-W berada di atas 2,5 berarti ada autokorelasi negatif.
Dari Tabel 5.4 dapat dilihat bahwa nilai Durbin-Watson dalam penelitian ini sebesar 1,544, dapat disimpulkan bahwa tidak terjadi autokorelasi pada model yang
digunakan pada penelitian ini. 5.1.2.4. Uji multikolinieritas
Uji Multikolinieritas digunakan untuk menguji apakah dalam model regresi ditemukan korelasi antar variabel bebas independen, model regresi yang baik
seharusnya tidak terjadi korelasi antar variabel bebas. Untuk mendeteksi ada tidaknya multikolinieritas yaitu dengan melihat Tolerance Value dan Variance Inflation Factor
Universitas Sumatera Utara
VIF. Multikolinieritas terjadi jika nilai tolerance 0,10 dan VIF 10 atau jika antar variabel independen ada korelasi yang cukup tinggi umumnya di atas 0,9. Hasil uji
multikolinieritas dapat dilihat pada Tabel 5.5 berikut:
Tabel 5.5. Uji Multikolinieritas
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients Collinearity Statistics
B Std. Error
Beta Tolerance
VIF
1 Constant
1.866 .808
Ln_DER .145
.083 .178
.698 1.433
Ln_ROA .293
.186 .328
.168 5.939
Ln_ROE -.026
.171 -.033
.155 6.455
Ln_BVS .784
.109 .656
.875 1.143
Ln_PER .245
.086 .276
.780 1.283
a. Dependent Variable: Ln_HGS
Sumber: Hasil Penelitian, 2011 Data diolah
Berdasarkan hasil pengujian multikolinieritas pada Tabel 5.5 dapat dilihat bahwa nilai tolerance pada variabel LnDER, LnROA, LnROE, LnBVS dan LnPER
0,10 dan VIF-nya 10. Hal ini menunjukkan bahwa tidak terjadi korelasi antar variabel independen artinya tidak terjadi multikolinieritas.
5.2. Hasil Analisis Data Model Pertama
