56
4.3.1.2. Hasil Pengujian Regresi Asumsi Klasik
Teknik analisis yang digunakan dalam penelitian ini adalah model regresi yang diperoleh dari model kuadrat terkecil biasa ordinary least
squares merupakan model regresi yang menghasilkan estimasi linier tidak
bias yang terbaik Best linear Unbias Estimator BLUE. Kondisi ini akan terjadi jika dipenuhi beberapa asumsi klasik yaitu :
a. Pengujian Autokolerasi
Uji autokorelasi bertujuan menguji apakah dalam model regresi linier ada korelasi antara kesalahan pengganggu pada periode t dengan
kesalahan pengganggu pada periode t-1 sebelumnya. Jika terjadi korelasi, maka dinamakan ada problem autokorelasi. Autokorelasi muncul
karena observasi yang berurutan sepanjang waktu berkaitan satu sama lainnya Imam Ghozali, 2006 : 95.
Hasil uji autokorelasi menunjukkan nilai DW sebesar 0,875. Berdasarkan table DW dengan jumlah sample n = 30 dan variabel
independen k = 2 dengan tingkat signifikansi 0,05 diperoleh nilai d
L
= 1,284 dan d
U
= 1,567. Nilai DW 0,875 terletak antara 0 dan d
L
b. Pengujian Multikolinearitas
1,284 dan
terletak di daerah ada autokorelasi positif; sehingga dapat disimpulkan
bahwa asumsi tidak terjadi autokorelasi tidak dapat dipenuhi.
Identifikasi secara statistik ada atau tidaknya gejala multikolinier dapat dilakukan dengan menghitung Variance Inflation Factor VIF.
57
Berdasarkan hasil pengujian, diperoleh hasil bahwa nilai VIF untuk masing-masing variabel adalah sebagai berikut:
Tabel 4.5. Hasil Pengujian Multikolinier
No Variabel
Tolerance VIF
Keterangan
1 Return On Equity
X
1
0,997 1,003
Terjadi Multikolinier 2
Deviden Payout Ratio X
2
0,997 1,003
Terjadi Multikolinier Sumber : Lampiran 4
Hasil uji Multikolinieritas menunjukkan nilai VIF X1=1,003 dan X2=1,003 kurang dari 10, sehingga tidak terjadi multikolinieritas yang
tinggi. Dengan demikian dapat disimpulkan bahwa asumsi tidak terjadi multikolinieritas pada variabel bebas penelitian dapat dipenuhi.
c. Pengujian Heteroskedastisitas
Hasil uji heteroskedastisitas diperoleh dari hasil pengujian dengan menggunakan bantuan program SPSS 13.0 dengan melihat Rank
Spearman’s Correlation .
Hasil pengujian Rank Spearman’s dapat dilihat pada tabel berikut ini:
Tabel 4.6. Hasil Pengujian Heteroskedastisitas
No Variabel
Nilai mutlak dari residual
Taraf Signifikansi
Keterangan
1. Return On Equity
X
1
0,531 0,001
Non Heteroskedastisitas 2
Deviden Payout Ratio X
2
0,462 0,005
Non Heteroskedastisitas Sumber : Lampiran 4
Hasil Uji Heteroskedastisitas pada nilai residual variabel bebas
58
penelitian menunjukkan nilai signifikansi variabel X1=0,001 dan X2=0,005 0,05; berarti terjadi heteroskedastisitas. Dengan demikian
asumsi tidak terjadi heteroskedastisitas tidak dapat dipenuhi.
4.3.2. Hasil Perbaikan Data
Pada data sebelumnya terdapat nilai ≤ 0 negative yang dibaca
sebagai missing value dalam olah data SPSS: sehingga terdapat missing value untuk variabel X1=6 data; X2=20 data; dan Y=1 data. Dengan
demikian olah data selanjutnya dengan regresi berganda hanya dilakukan
terhadap data X1, X2, dan Y yang lengkap, yaitu 10 data saja. 4.3.2.1.
Uji Normalitas Data
Uji normalitas data digunakan untuk mengetahui apakah suatu data mengikuti sebaran normal yang dapat dilakukan dengan berbagai metode
diantaranya adalah uji regresi OLS Ordinary least Square. Berikut hasil uji normalitas:
Tabel 4.7. Hasil Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
10 .0000000
1.70461046 .148
.148 -.131
.469 .980
N Mean
Std. Deviation Normal Parameters
a,b
Absolute Positive
Negative Most Extreme
Differences Kolmogorov-Smirnov Z
As ymp. Sig. 2-tailed Unstandardiz
ed Res idual
Test distribution is Normal. a.
Calculated from data. b.
Sumber: lampiran 4
59
Berdasarkan tabel tersebut diatas dapat diketahui bahwa nilai statistik Kolmogorov-Smirnov yang diperoleh mempunyai taraf signifikan
yang lebih dari dari 0,05 yaitu sebesar 0,980, dimana nilai tersebut telah sesuai dengan kriteria bahwa sebaran data disebut berdistribusi normal
apabila memiliki taraf signifikan 0,05. 4.3.2.2.
Hasil Pengujian Regresi Asumsi Klasik
Teknik analisis yang digunakan dalam penelitian ini adalah model regresi yang diperoleh dari model kuadrat terkecil biasa ordinary least
squares merupakan model regresi yang menghasilkan estimasi linier tidak
bias yang terbaik Best linear Unbias Estimator BLUE. Kondisi ini akan terjadi jika dipenuhi beberapa asumsi klasik yaitu :
a. Pengujian Autokolerasi
Uji autokorelasi bertujuan menguji apakah dalam model regresi linier ada korelasi antara kesalahan pengganggu pada periode t dengan
kesalahan pengganggu pada periode t-1 sebelumnya. Jika terjadi korelasi, maka dinamakan ada problem autokorelasi. Autokorelasi muncul
karena observasi yang berurutan sepanjang waktu berkaitan satu sama lainnya Imam Ghozali, 2006 : 95.
Hasil uji autokorelasi menunjukkan nilai DW sebesar 2,461. Berdasarkan table DW dengan jumlah sample n = 10 dan variabel
independen k = 2 dengan tingkat signifikansi 0,05 diperoleh nilai d
L
= 0,699 dan d
U
= 1,641. Nilai DW 2,461 terletak antara 4- d
U
2,359 dan 4-
60
d
L
b. Pengujian Multikolinearitas
Kategori