Uji Normalitas Hasil Penelitian

ANOVA b Model Sum of Squares Df Mean Square F Sig. 1 Regression 258.366 8 32.296 24.205 .001 a Residual 8.006 6 1.334 Total 266.371 14 a. Predictors: Constant, interaksi, IRATE, INFRATE, BVEBVD, KURS, EBITTA, WCTA, RETA b. Dependent Variable: ZScore Sumber : Hasil Pengolahan Data SPSS Februari 2016 Karena nilai F hitung lebih besar dari F tabel yakni F hitung 24.205 F tabel 2.2009 dan nilai signifikansi 0,010,05 maka model regresi dapat digunakan untuk memprediksi ZScore.

4.1.4 Regresi dengan Variabel Pemoderasi

Uji asumsi klasik dilakukan untuk mengetahui kondisi data yang digunakan dalam sebuah penelitian. Hal ini dilakukan agar diperoleh model analisis yang tepat untuk digunakan dalam penelitian ini. Adapun uji asumsi klasik yang dilakukan meliputim; Uji normalitas, uji multikolinearitas, uji heteroskedastisitas dan uji autokorelasi.

4.1.4.1 Uji Normalitas

Uji normalitas dilakukan untuk mengetahui apakah data yang digunakan memiliki distribusi normal atau mendekati normal dengan melihat normal probability plot. Uji normalitas yang pertama dilakukan adalah berdasarkan grafik secara histrogram yang terlihat pada gambar 4.1 Universitas Sumatera Utara Sumber : Hasil Pengolahan Data SPSS Februari 2016 Gambar 4.1 Gambar Grafik Histogram Data Asli Berdasarkan gambar 4.1 Terlihat bahwa pola distribusi normal hal ini ditunjukkan oleh distribusi data tersebut tidak melenceng ke kiri atau melenceng ke kanan, akan tetapi jika kesimpulan normal atau tidaknya data hanya dilihat dari grafik histogram, maka hal ini dapat menyesatkan karena jumlah sampel pada penelitian ini kecil. Metode lain yang digunakan dalam analisis grafik adalah dengan melihat normal probability plot yang membandingkan distribusi kumulatif dan distribusi normal. Jika distribusi data residual normal, maka garis yang akan menggambarkan data sesungguhnya akan mengikuti garis diagonalnya. Uji normalitas dengan melihat normal probability plot dapat dilihat dalam gambar 4.2 Berikut : Universitas Sumatera Utara Sumber : Hasil Pengolahan Data SPSS Februari 2016 Gambar 4.2 Normal Probability Plot Data Asli Berdasakan garis profitabilitas pada gambar 4.2 di atas menunjukkan bahwa data telah terdistribusi secara normal karena distribusi data residualnya mengikuti arah garis diagonal garis normal. Pengujian normalitas data secara analisis statistik dapat dilakukan dengan melakukan uji kolmogorov-smirnov. Data yang terdistribusi normal ditunjukkan dengan nilai signifikansi di atas 0.05. Sedangkan, data yang tidak berdistribusi normal ditunjukkan dengan nilai signifikansi dibawah 0.05 Ghozali, 2007 : 12. Universitas Sumatera Utara Tabel 4.17 Hasil Uji Normalitas dengan Kolmogorov-Smirnov One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 15 Normal Parameters a Mean .0000000 Std. Deviation 3.98776965 Most Extreme Differences Absolute .180 Positive .125 Negative -.180 Kolmogorov-Smirnov Z .698 Asymp. Sig. 2-tailed .715 a. Test distribution is Normal. b. Calculated from data. Sumber : Hasil Pengolahan Data SPSS Februari 2016 Berdasarkan hasil uji normalitas dengan Kolmogorov-smirnov data Asli diatas terlihat bahwa data telah terdistribusi dengan normal yang mana terlihat bahwa nilai signifikansi diatas 0.005 yaitu sebesar 0.715 dan nilai kolmogorov-smirnov Z sebesar 0.698 lebih kecil dari 1,97 berarti tidak ada perbedaan antara distribusi teoritik dan distribusi empirik atau dengan kata lain data dikatakan normal. 4.1.4.2Uji Multikolinearitas Uji multikolinearitas dilakukan untuk mengetahui ada atau tidaknya hubungan linear antara variabel independen dalam model regresi dimana prasyarat dalam model regresi adalah tidak adanya multikolinearitas. Pada uji multikolinearitas ini dapat dilihat melalui nilai inflation factor VIF dan Tolerence. Universitas Sumatera Utara Tabel 4.18 Hasil Uji Multikolinearitas Sumber : Hasil Pengolahan Data SPSS Februari 2016 Berdasarkan aturan Variance Inflation Factor VIF dan Tolerance , apabila VIF melebihi angka 10 atau Tolerance kurang dari 0.10 maka dinyatakan terjadi gejala multikolinearitas, sebaliknya apabila VIF kurang dari 10 atau Tolerance lebih dari 0.10 maka dinyatakan tidak terjadi multikolinearitas. Dalam penelitian ini data yang digunakan dalam uji multikolinearitas ini adalah data dari variabel independen. Berdasrkan tabel 4. Diatas diketahui masing- masing VIF berada dibawah 10, dan nilai Tolerance diatas 0.1, maka dapat dipastikan data dari variabel independen tidak terjadi multikolinearitas. Coefficients a Model Collinearity Statistics Tolerance VIF 1 Constant WCTA .003 9.803 RETA .002 2.012 EBITTA .005 5.206 BVEBVD .026 9.031 IRATE .234 4.277 INFRATE .073 3.790 KURS .115 8.725 Interaksi .004 3.481 a. Dependend Variabel : Zscore Universitas Sumatera Utara

4.1.4.3 Uji Heteroskedastisitas