76
menunjukkan bahwa data terdistribusi dengan baik. Pada variabel kontrol lnassets menunjukkan nilai minimum sebesar 24,968 dan nilai
maksimum 32,664. Sementara nilai rata-rata mean sebesar 28,027 dan standar deviasi standard deviation sebesar 1,659. Nilai rata-rata mean
yang lebih besar dibandingkan nilai standar deviasi standard deviation menunjukkan bahwa data terdistribusi dengan baik.
Hasil analisis dengan menggunakan statistik deskriptif terhadap variabel dependen lnfees menunjukkan nilai minimal sebesar 17,990 dan
nilai maksimal 27,894. Sementara nilai rata-rata mean sebesar 21,606 dan standar deviasi standard deviation sebesar 2,074. Hal ini
menunjukkan bahwa kualitas data dari penelitian ini cukup baik, karena nilai rata-rata mean lebih besar dari nilai standar deviasi yang
mengidentifikasikan bahwa standar erorr dari setiap variabel kecil.
2. Hasil Pengujian Asumsi Klasik
a. Hasil Uji Multikolonieritas
Uji multikolonieritas bertujuan untuk menguji apakah dalam persamaan regresi ditemukan adanya korelasi antar variabel
independen. Model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel independen. Uji multikolonieritas dilakukan dengan
menggunakan uji nilai tolerance value atau Varlance Inflation Factor VIF. Batas dari nilai batas tolerance value adalah 0,01 dan VIF
adalah 10. Apakah tolreancevalue dibawah 0,01 atau nilai Varlance
77
Infation Factor VIF di atas 10 maka terjadi multikolonieritas Ghozali, 2011:105. Berikut tabel 4.4 yang menjelaskan hasil uji
multikolonieritas yaitu sebagai berikut: Tabel 4.4
Hasil Uji Multikolonieritas
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients Collinearity Statistics
B Std. Error
Beta Tolerance
VIF Constant
-5,484 2,399
Boardind 1,544
,654 ,117
,787 1,271
Boardsize ,175
,069 ,182
,372 2,688
Acind -,798
1,057 -,036
,868 1,151
Acsize ,206
,266 ,043
,625 1,599
Acmeet ,018
,012 ,083
,636 1,574
Ia -,885
,373 -,113
,850 1,176
Lnassets ,934
,089 ,747
,386 2,591
a. Dependent Variable: lnfees
Sumber data : Hasil output SPSS diolah, 2011 Dari Tabel 4.4 coefficients, hasil perhitungan nilai Tolerance
menunjukkan tidak ada variabel independen yang memiliki nilai Tolerance kurang dari 0,10. Hasil Variance Inflation Factor VIF
juga menunjukkan hal yang sama bahwa tidak ada satu variabel independen yang memiliki nilai VIF lebih dari 10.
Pada variabel boardind memiliki nilai tolerance sebesar 0,787 0,10 dan VIF sebesar 1,271 10. Variabel boardsize memiliki nilai
tolerance sebesar 0,372 0,10 dan VIF sebesar 2,688 10. Variabel acind memiliki nilai tolerance sebesar 0,868 0,10 dan VIF sebesar
78
1,151 10. Variabel acsize memiliki nilai tolerance sebesar 0,625 0,10 dan VIF sebesar 1,599 10. Variabel acmeet memiliki nilai
tolerance sebesar 0,636 0,10 dan VIF sebesar 1,574 10. Variabel ia memiliki nilai tolerance sebesar 0,850 0,10 dan VIF sebesar
1,176 10. Variabel lnasset memiliki nilai tolerance sebesar 0,386 0,10 dan VIF sebesar 2,591 10. Dengan demikian dapat disimpulkan
bahwa tidak ada multikolonieritas antar variabel independen dalam model regresi.
b. Hasil Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t
dengan kesalahan pengganggu pada periode t-1 sebelumnya. Uji autokorelasi dilakukan dengan Runs Test untuk menguji apakah antar
residual terdapat korelasi yang tinggi Ghozali, 2011:110.
Tabel 4.5 Hasil Uji Autokorelasi
Runs Test
Unstandardized Residual
Test Value
a
-,00824 Cases Test Value
46 Cases = Test Value
47 Total Cases
93 Number of Runs
42 Z
-1,146 Asymp. Sig. 2-tailed
,252 a. Median
Sumber data : Hasil output diolah, 2011
79
Berdasarkan Uji Autokorelasi dapat dilihat pada Tabel 4.5 menunjukkan hasil bahwa nilai tes -0,00824 dengan probablitias
0,252. Karena nilai probabilitas lebih besar dari nilai signifikansi yang telah ditetapkan sebesar 0,05, sehingga dapat disimpulkan bahwa pada
model regresi tersebut tidak terjadi autokorelasi antar nilai residual.
c. Hasi Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah data dalam model regresi terjadi ketidaksamaan variance dari residual satu
pengamatan ke pengamatan lain. Jika variance dari residual satu pengamatan
ke pengamatan
lain tetap,
maka disebut
homoskedastisitas dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik adalah yang homokedastisitas atau tidak terjadi
heteroskedastisitas Ghozali, 2011:138.
Gambar 4.1 Grafik Scatterplot
Sumber data : Hasil ouput SPSS diolah, 2011
80
Pada Gambar 4.1 dapat dilihat hasil uji heteroskedastisitas menunjukkan bahwa model regresi tidak mengalami gangguan
heteroskedastisitas. Hal ini dapat terlihat dimana titik-titik tersebar tanpa membentuk suatu pola tertentu dan tersebar baik dibawah atau
diatas angka 0 pada sumbu Y.
d. Hasil Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual distribusi normal.
Normalitas umunya diditeksi dengan melihat tabel histogram. Namun demikian umumnya dideteksi dengan melihat tabel histogram bisa
menyesatkan, khususnya untuk jumlah sampel yang kecil. Metode yang lebih handal adalah dengan melihat normal probability plot yang
membandingkan distribusi kumulatif dari data sesungguhnya dengan distribusi kumulatif dari distribusi normal.
Gambar 4.2 Hasil Uji Normalitas Menggunakan Garfik P-Plot
Sumber data : Hasil output SPSS diolah, 2011
81
Berdasarkan Gambar 4.2 dapat dilihat bahwa grafik normal probability plot of regression standardized menunjukkan pola grafik
yang normal. Hal ini terlihat dari titik-titik yang menyear di sekitar garis diagonal dan penyebarannya mengikuti garis diagonal. Maka
dapat disimpulkan bahwa model regresi layak dipakai karena memenuhi asumsi normalitas. Untuk memperkuat pengujian
dilakukan pengujian normalitas dengan menggunakan uji One-Sample Klomograv Smirnov.
Tabel 4.6 One-Sample Kolmograv Smirvon test
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 93
Normal Parameters
a,b
Mean ,0000000
Std. Deviation ,84142450
Most Extreme Differences Absolute
,074 Positive
,044 Negative
-,074 Kolmogorov-Smirnov Z
,718 Asymp. Sig. 2-tailed
,681 a. Test distribution is Normal.
b. Calculated from data.
Sumber data : Hasil output SPSS diolah, 2011 Dari Tabel 4.6 menunjukkan bahwa besarnya nilai Kolmograv-
Smirnov Z adalah 0,718 dan variabel memiliki nilai probabilitas 0,681. Dasar pengambilan keputusan untuk pengujian One-Sample
Kolmograv-Smirnov adalah apabila nilai probabilitas untuk nilai residual lebih besar dari 0,05. Sehingga dapat disimpulkan bahwa
82
variabel dalam penelitian ini terdistribusi secara normal, mendukung pengujian dengan menggunakan grafik plot.
3. Hasil Pengujian Hipotesis
