Uji Asumsi Klasik Hasil Uji Analisis Data Penelitian
berbagai data yang mewakili semua ukuran baik kecil, sedang, maupun besar.
2
Penelitian ini menggunakan uji statistik dengan uji glejser. Apabila variabel independen signifikan secara statistik mempengaruhi
variabel dependen kurang dari 5, maka terjadi heteroskedastisitas. Namun, apabila probabilitas signifikansi di atas 5 maka dapat dikatakan
bahwa model regresi tidak mengandung adanya heteroskedatisitas. Hasil dari uji heteroskedatisitas dapat dilihat dalam tabel 4.5 adalah :
Tabel 4.5 Hasil Uji Heteroskedastisitas
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. B
Std. Error Beta
1 Constant
.106 .622
.171 .866
IC .044
.024 .386
1.870 .076
GCG .080
.457 .055
.174 .863
CAR .003
.007 .116
.370 .716
a.
Dependent Variable: AbsUt Sumber : Data Diolah output SPSS 20.0
Dari tabel 4.5 dapat dilihat bahwa tingkat signifikansi semua variabel di atas 5 atau 0,05. Hal ini menunjukkan bahwa model regresi
dalam penelitian ini tidak terjadi heteroskedastisitas. Hasil output dalam tabel di atas menunjukkan bahwa tidak ada satupun variabel independen
2
Imam Ghozali, Aplikasi Analisis Multivariate dengan Program IBM SPSS 19, Edisi 5 Semarang: Badan Penerbit Universitas Diponegoro, 2011, h. 139
yang signifikan mempengaruhi variabel dependen ROA. Kondisi ini menunjukkan bahwa dalam penelitian tidak terjadi heteroskedastisitas.
c. Uji Normalitas Uji normalitas bertujuan untuk menguji variabel pengganggu atau
residual dalam model regresi mempunyai distribusi normal atau tidak. Dalam penelitian ini, peneliti menggunakan analisis uji statistik untuk
mengetahui residual berdistribusi normal atau tidak. Uji statistik non parametik Kolmogorov Smirnov K-S mempunyai kriteria jika nilai
Asymp. Sig. 2-tailed 0,05 maka distribusi data dapat dikatakan terkena problem normalitas. Apabila asumsi ini dilanggar maka uji
statistik tidak valid untuk jumlah sampel yang kecil. Data mengenai uji normalitas dapat dilihat pada tabel di bawah ini.
Tabel 4.6 Hasil Uji Normalitas
S
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 24
Normal Parameters
a
Mean .0000000
Std. Deviation .60803775
Most Extreme Differences
Absolute .152
Positive .088
Negative -.152
Kolmogorov-Smirnov Z .742
Asymp. Sig. 2-tailed .640
a. Test distribution is Normal.
Sumber : Data Diolah output SPSS 20.0
Dari data pada tabel 4.6 dapat dikatakan bahwa data residual terdistribusi normal. Hal ini tercermin dari nilai Asymp. Sig. 2-tailed
0,05 yaitu sebesar 0,640. d. Uji Autokorelasi
Uji autokorelasi bertujuan apakah dalam model regresi linear terdapat korelasi antara kesalahan pengganggu pada periode t dengan
kesalahan pengganggu pada periode t-1 sebelumnya. Problem autokorelasi muncul karena observasi yang berurutan sepanjang waktu
berkaitan satu sama lainnya. Kondisi ini sering ditemukan pada data runtut waktu time series karena adanya “gangguan” pada individu atau
kelompok cenderung mempengaruhi “gangguan” pada individu atau kelompok yang sama pada periode berikutnya. Penelitian ini
menggunakan pengujian run test untuk menguji apakah antar residual terdapat korelasi yang tinggi. Apabila nilai Asymp. Sig. 2-tailed 0,05
maka persamaan regresi dikatakan terkena problem autokorelasi.
Tabel 4.7 Hasil Uji Autokorelasi
Runs Test
Unstandardized Residual
Test Value
a
.09500 Cases Test Value
12 Cases = Test Value
12 Total Cases
24 Number of Runs
11 Z
-.626 Asymp. Sig. 2-tailed
.531 a. Median
Sumber : Data Diolah output SPSS 20.0
Tabel 4.7 menunjukkan bahwa residual dalam persamaan regresi random atau acak dengan nilai signifikansi 0,531 0,05. Hal ini
menyimpulkan bahwa tidak terjadi autokorelasi dalam data tersebut.