51
c. Variabel ROE mempunyai nilai minimum -1,050, nilai maksimum 1,620, nilai rata-rata 0,199, dan standar deviasi 0,335646 dengan jumlah pengamatan sebanyak
90. d. Variabel EPS mempunyai nilai minimum -80,96, nilai maksimum 24.074, nilai
rata-rata 1642,81511, dan standar deviasi 4164,855970 dengan jumlah pengamatan sebanyak 90.
4.2.2 Pengujian Asumsi Klasik a.
Pengujian Normalitas
Uji Normalitas bertujuan untuk mengetahui apakah dalam model regresi variabel penganggu atau residual memiliki distribusi normal serta untuk menghindari
bias dalam model regresi. Pengujian normalitas dalam penelitian ini menggunakan uji statistik non-parametrik Kolmogorov-Smirnov K-S dengan membuat hipotesis :
H
a
H : Data residual berdistribusi normal
Nilai signifikansi yang lebih besar dari 0,05 berarti H : Data residual tidak berdistribusi normal
a
diterima, sedangkan jika nilai signifikansi lebih kecil dari 0,05 berarti H
a
tidak dapat diterima.
52
Tabel 4.2 One-Sample Kolmogorov-Smirnov Test
Sebelum Transformasi Data
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 90
Normal Parameters
a,,b
Mean .0000000
Std. Deviation 2.91786177E3
Most Extreme Differences Absolute
.215 Positive
.215 Negative
-.142 Kolmogorov-Smirnov Z
2.037 Asymp. Sig. 2-tailed
.000
Sumber : Hasil Pengolahan SPSS, 2012.
Berdasarkan hasil pengolahan data pada tabel 4.2, diperoleh besarnya nilai Kolmogorov-Smirnov MK ROCE adalah 2,642, signifikansinya 0,000, Kolmogorov-
Smirnov MK ROA sebesar 1,744, signifikansinya sebesar 0,005, Kolomogorv-Smirnov MK ROE sebesar 2,354, signifikansinya sebesar 0,000, Kolmogorov-Smirnov EPS
sebesar 3,734, signifikansinya sebesar 0,000. Nilai signifikansi ROCE, ROA, ROE dan EPS lebih kecil dari 0,05, maka H
a
tidak dapat diterima yang berarti data residual
berdistribusi tidak normal . Data yang berdistribusi tidak normal dapat disebabkan
oleh adanya data yang outlier yaitu data yang memiliki nilai yang sangat menyimpang dari nilai data lainnya. Beberapa cara mengatasi outlier menurut Erlina dan Mulyani
106:207 :
53
1 Lakukan transformasi data ke bentuk lainnya, 2 Lakukan trimming yaitu membuang data outlier,
3 Lakukan winsorizing, yaitu mengubah nilai data yang outlier ke suatu nilai tertentu.
Penulis melakukan transformasi data ke model logaritma natural LN untuk mengubah nilai residual agar berdistribusi normal. Hal tersebut dilakukan dengan
mengubah Rentabilitas Modal Sendiri = fMK,PM,ROE menjadi Ln_Rentabilitas Modal Sendiri = fLN_MK, LN_PM, LN_ROE, kemudian data diuji ulang
berdasarkan asumsi normalitas. Berikut ini adalah hasil pengujian dengan Kolmogorov-Smirnov setelah dilakukan transformasi data.
Tabel 4.3 One-Sample Kolmogorv-Smirnov Test
Setelah Transformasi Data
Sumber : Hasil Pengolahan SPSS, 2012.
Unstandardized Residual
N 81
Normal Parameters
a,,b
Mean .0000000
Std. Deviation .61332823
Most Extreme Differences Absolute
.106 Positive
.106 Negative
-.069 Kolmogorov-Smirnov Z
.954 Asymp. Sig. 2-tailed
.322
54
Berdasarkan tabel 4.3 dapat diambil kesimpulan bahwa data dalam model regresi
setelah dilakukan transformasi data dalam bentuk logaritma 10, terdistribusi secara normal
. Hal ini dapat dilihat dari nilai Asymp. Sig. 2-tailed lebih besar dari 0,05 yakni 0,322. Dengan demikian, data dilanjutkan dengan uji asumsi klasik lainnya.
Berikut ini turut dilampirkan grafik histogram dan grafik p-plot data yang terdistribusi normal.
Gambar 4.1 Histogram
Sumber : Hasil Pengolahan SPSS, 2012.
55
Grafik histogram pada gambar 4.1 menunjukkan pola distribusi normal karena grafik histogram menunjukkan distribusi data mengikuti garis diagonal yang tidak
menceng skewness kiri maupun melenceng. Demikian pula dengan hasil uji normaltias dengan menggunakan grafik P-P plot dan scatterplot berikut ini.
Gambar 4.2 Normal P-P Plot
Sumber : Hasil Pengolahan SPSS, 2012.
56
Pendeteksian normalitas dapat dilakukan dengan melihat penyebaran data titik pada sumbu diagonal dari grafik, yaitu jika data titik menyebar di sekitar garis
diagonal dan mengikuti arah garis diagonal, hal ini menunjukkan data yang telah terdistribusi normal. Pada uji normalitas gambar 4.2, normal P-P Plot menunjukkan
bahwa titik-titik menyebar disekitar garis diagonal dan mengikuti garis diagonal, maka dapat disimpulkan bahwa data yang diperoleh berdistribusi normal. Hla ini sejalan
dengan hasil pengujian dengan menggunakan histogram bahwa data telah terdistribusi normal. Karena secara keseluruhan data telah terdistribusi secara normal, maka dapat
dilakukan pengujian asumsi klasik lainnya.
b. Uji Autokorelasi