48
Pedoman dalam mengambil keputusan apakah sebuah distribusi data mengikuti distribusi normal adalah :
Jika nilai signifikansi nilai probabilitasnya lebih kecil dari 5, maka
distribusi adalah tidak normal.
Jika nilai signifikansi nilai probabilitasnya lebih besar dari 5, maka distribusi adalah normal.
Tabel 4.4. Normalitas Data Masing-masing Variabel
One-Sample Kolmogorov-Smirnov Test
UKU.PERUSH PROFIT
PERTUMB.LA BA
NILAI PERUSH
N 46
46 46
46 Normal Parameters
a
Mean 3.1286E6
6.8057 -.3334
.9352 Std. Deviation
6.00933E6 6.48558
.89514 .61043
Most Extreme Differences Absolute
.305 .163
.223 .173
Positive .303
.163 .158
.173 Negative
-.305 -.147
-.223 -.121
Kolm ogorov-Smirnov Z 2.069
1.105 1.509
1.177 Asym p. Sig. 2-tailed
.000 .174
.021 .125
Sumber : Lampiran Dari tabel 4.4 diatas, terlihat bahwa nilai probabilitas setiap
variabel lebih besar dari 0,05 maka dapat disimpulkan bahwa distribusi dari data adalah mengikuti pola distribusi normal.
4.4.1.1. Uji Asumsi Klasik 4.4.1.1.1 Autokorelasi
Salah satu metode yang digunakan untuk mendeteksi adanya autokorelasi adalah dengan metode Uji Durbin-Watson d. Adapun
pengujiannya adalah sebagai berikut :
49
Tabel 4.5. Data Autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .389
a
.151 .090
.58221 2.117
a. Predictors: Constant, PERTUMB.LABA, UKU.PERUSH, PROFIT b. Dependent Variable: NILAI PERUSH
Untuk asumsi klasik yang mendeteksi adanya autokorelasi di sini dilihat dari hasil analisis yang menunjukkan hasil bahwa nilai Durbin Watson
sebesar 2,117, hal ini menunjukkan adanya gejala autokorelasi.negative, tetapi tidak menjadikan sesuatu masalah karena data penelitian ini
merupakan data Pooling yaitu gabungan data Cross section dan time series.
Jadi dapat disimpulkan bahwa model regresi linier berganda yang diperoleh pada penelitian ini telah memenuhi asumsi klasiknya yaitu tidak memenuhi
autokorelasi dan normalitas datanya untuk sebagian variabel,
4.4.1.1.2 Multikolinearitas
Untuk mengetahui ada atau tidaknya gejala multikolinier pada model regresi linier berganda yang dihasilkan dapat dilakukan dengan
menghitung nilai Variance Inflation Factor VIF dari masing-masing variabel bebas dalam model regresi.
Dalam pengujian asumsi klasik terhadap analisis regresi linier berganda ini menyatakan bahwa hasil analisis penelitian ini menunjukkan
tidak adanya gejala multikolinieritas pada semua variabel bebas dimana nilai VIF pada semua variabel lebih kecil dari 10. Syarat terjadi
50
multikolinieritas jika nilai VIF Variance Inflation Factor 10
Tabel 4.6 : Hasil Pengujian Multikolinieritas
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity Statistics
B Std. Error
Beta Tolerance
VIF 1 Constant
1.231 .144
8.561 .000
UKU.PERUSH -3.024E-8
.000 -.298
-2.076 .044
.982 1.018
PROFIT -.027
.014 -.285
-1.975 .055
.972 1.028
PERTUMB.LABA .057
.098 .084
.587 .560
.988 1.012
a. Dependent Variable: NILAI PERUSH
Sumber : Lampiran
Dari hasil perhitungan diperoleh bahwa pada bagian colliniearity statistics, nilai VIF pada seluruh variabel bebas lebih kecil dari 10, yang
artinya seluruh variabel bebas pada penelitian ini tidak ada gejala multikolinier.
4.4.1.1.3 Heteroskedastisitas
Penyimpangan asumsi model klasik yang lain adalah adanya heteroskedastisitas. Artinya, varians variabel dalam model tidak sama
konstan. Hal ini bisa diindentifikasi dengan cara menghitung korelasi Rank Spearman antara residual dengan seluruh variabel bebas.
51
Tabel 4.7 : Hasil Pengujian Heteroskedastisitas
UKU.PERU SH
PROFIT PERTUMB.
LABA Unstandar
dized Residual
Spearmans rho UKU.PERUSH
Correlation Coefficient
1.000 -.223
.064 -.077
Sig. 2-tailed .
.136 .672
.610 N
46 46
46 46
PROFIT Correlation
Coefficient -.223
1.000 .044
.055 Sig. 2-tailed
.136 .
.773 .715
N 46
46 46
46 PERTUMB.LABA
Correlation Coefficient
.064 .044
1.000 .087
Sig. 2-tailed .672
.773 .
.567 N
46 46
46 46
Unstandardized Residual
Correlation Coefficient
-.077 .055
.087 1.000
Sig. 2-tailed .610
.715 .567
. N
46 46
46 46
Hasil analisis menunjukkan bahwa pada variabel X1, X2 dan X3, tidak mempunyai korelasi yang signifikan antara residual dengan variabel
bebasnya,nilai Sig lebih besar dari 0,10 maka hasil analisis ini dapat disimpulkan seluruh variabel penelitian tidak terjadi Heteroskedastisitas.
4.4.1.2. Hasil Pengujian Regresi Linier Berganda