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.

3. Uji Hipotesis

Penelitian ini menggunakan analisis regresi berganda dalam pengolahan datanya. Analisis ini menggunakan uji statistik t dan uji statistik F dengan menggunakan tingkat signifikansi sebesar 5 atau 0,05. Apabila tingkat signifikansi lebih kecil dari 0,05 maka H diterima, sebaliknya apabila tingkat signifikansi lebih besar dari 0,05 maka H 1 diterima. a. Koefisien Determinasi Uji koefisien determinasi R² digunakan untuk mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel dependen. Nilai koefisien determinasi antara 0 dan 1. Apabila nilai koefisien determinasi mendekati satu, maka variabel independen memberikan hampir semua informasi yang dibutuhkan dalam memprediksi variabel dependen. Penelitian ini menggunakan koefisien determinasi dengan menggunakan nilai adjusted R-square untuk mengevaluasi model regresi. Nilai adjusted R-square dalam penelitian dapat dilihat dalam tabel 4.8 di bawah ini. Tabel 4.8 Koefisien Determinasi Adjusted R 2 Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate 1 .645 a .416 .329 .65205 a. Predictors: Constant, CAR, IC, GCG b. Dependent Variable: ROA Sumber : Data Diolah output SPSS 20.0 Dari tampilan output SPSS dalam tabel 4.8 dapat dilihat bahwa besarnya adjusted R-square sebesar 0,329 atau 32,9. Hal ini berarti 32,9 variabel dependen kinerja keuangan ROA dapat dijelaskan secara signifikan oleh variasi variabel independen. Variabel independen tersebut adalah intellectual capital, kualitas penerapan GCG, dan struktur modal. Sedangkan sisanya sebesar 67,1 100 - 32,9 dijelaskan oleh variabel lain di luar model regresi dalam penelitian ini. b. Uji Signifikansi Simultan Statistik F Uji F menunjukkan semua variabel independen yang ada dalam model regresi mempunyai pengaruh secara simultan terhadap variabel dependen. Apabila nilai signifikansi 0,05 maka Ha diterima. Pengaruh secara simultan intellectual capital, kualitas penerapan good corporate governance GCG, dan struktur modal dapat dilihat pada tabel 4.9 Tabel 4.9 Uji Signifikansi Simultan Uji Statistik F Sumber : Data Diolah output SPSS 20.0 Hasil pengolahan data dalam tabel 4.9 melalui uji Anova atau F- test terlihat bahwa nilai signifikansi sebesar 0,012 0,05. Nilai probabilitas pengujian lebih kecil dari 0,05 menunjukkan model regresi dapat digunakan secara bersama - sama untuk memprediksi tingkat ANOVA b Model Sum of Squares Df Mean Square F Sig. 1 Regression 6.063 3 2.021 4.753 .012 a Residual 8.503 20 .425 Total 14.566 23 a. Predictors: Constant, CAR, IC, GCG b. Dependent Variable: ROA