terdistribusi dengan normal apabila nilai signifikansi lebih besar dari 0.05. Sehingga dapat disimpulkan bahwa variabel ukuran perusahaan SIZE,
pertumbuhan aktiva GROWTH, struktur aktiva STR_A, profitabilitas ROA, pertumbuhan penjualan SALES sudah terdistribusi dengan
normal, sedangkan variabel struktur modal LDER tidak terdistribusi dengan normal.
Model regresi linier yang baik mensyaratkan adanya data yang terdistribusi dengan normal, sehingga perlu dilakukan beberapa tindakan
untuk menormalkan data, diantaranya adalah dengan menghilangkan data- data outlier. Setelah data-data outlier dihilangkan, sampel yang digunakan
untuk membangun model regresi linier menjadi 32 sampel. Output SPSS uji K-S setelah tidak mengikutsertakan data outlier dalam membangun model
regresi linier disajikan pada Tabel 5.
Tabel 5. One-Sample Kolmogorov-Smirnov Test tanpa data outlier
Keterangan SIZE
GROWTH STR_A ROA SALES LDER Jumlah Sampel
32 32
32 32
32 32
Sig. K-S 0,714
0,885 0,425
0,351 0,644
0,157 Sumber: Output IBM SPSS Statistics 20.0 diolah
Hasil pengujian terhadap 32 sampel pada Tabel 5 menunjukkan bahwa masing-masing variabel sudah memiliki nilai signifikansi Kolmogorov-
Smirnov melebihi batas tingkat signifikan yang ditetapkan yaitu 0,05, sehingga dapat disimpulkan bahwa data masing-masing variabel tersebut
sudah terdistribusi dengan normal.
4.3.2 Uji Multikolinieritas Tabel 6. Hasil uji Multikolinieritas
Variabel Tolerance
VIF SIZE
0,769 1,300
GROWTH 0,533
1,876 STR_A
0,859 1,164
ROA 0,703
1,423 SALES
0,438 2,282
Sumber: Output IBM SPSS Statistics 20.0 diolah
Hasil uji multikolinieritas pada Tabel 6 menunjukkan bahwa masing- masing variabel independen memiliki nilai Variance Inflation Factor VIF
pada output IBM SPSS statistics 20.0 tidak lebih dari 10 dan nilai Tolerance tidak kurang dari 0,1 sehingga dapat disimpulkan bahwa data masing-
masing variabel independen terbebas dari asumsi klasik multikolinieritas.
4.3.3 Uji Autokorelasi
Pengujian autokorelasi dalam penelitian ini dilakukan dengan uji Durbin Watson. Output SPSS uji Durbin Watson disajikan sebagai berikut:
Tabel 7. Hasil uji Durbin-Watson
Sumber: Output IBM SPSS Statistics 20.0 diolah Tabel hasil uji Durbin Watson di atas menghasilkan nilai Durbin
Watson sebesar 1,894 dengan jumlah variabel bebas k = 5 dan jumlah sampel n = 32, maka diperoleh angka dl sebesar 1,109 dan du sebesar
1,819. Berdasarkan uji tersebut, dihasilkan nilai Durbin Watson hitung sebesar 1,894 dimana nilai tersebut terletak di antara du yaitu 1,819 dan 4-
du yaitu 4 –1,819 = 2,181 daerah No Autocorelation, sehingga dapat
disimpulkan bahwa model regresi linier berganda terbebas dari asumsi klasik statistik autokorelasi.
4.3.4 Uji Heteroskedastisitas
Pengujian dalam memprediksi ada tidaknya heteroskesdastisitas dalam penelitian ini dapat dilihat dari hasil output pola gambar scatterplot pada
model regresi yang disajikan sebagai berikut: Model
Durbin-Watson Regression
1,894
Gambar 4. Diagram Scatterplot Diagram Scatterplot pada Gambar 3 menunjukkan titik-titik data
menyebar di atas dan di bawah atau di sekitar angka 0, sehingga dapat disimpulkan bahwa dalam penelitian ini tidak terdapat asumsi klasik
heteroeskesdastisitas model regresi linier berganda.
4.4. Uji Hipotesis 4.4.1 Uji F Uji Simultan
