C. Pengujian Asumsi Klasik
Untuk menghasilkan suatu model regresi yang baik, analisis regresi memerlukan pengujian asumsi klasik sebelum melakukan pengujian hipotesis.
Apabila terjadi penyimpangan dalam pengujian asumsi klasik perlu dilakukan perbaikan terlebih dahulu.
1. Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah variabel residual berdistribusi normal. Uji statistik yang dapat digunakan untuk menguji apakah
residual berdistribusi normal adalah uji statistik non parametrik Kolmogorov- Smirnov K-S dengan membuat hipotesis.
H0 : Data residua l berdistribusi normal HA : Data residual tidak berdistribusi normal
Apabila nilai signifikansi lebih besar dari 0.05, maka H0 diterima dan sebaliknya jika nilai signifikansi lebih kecil dari 0.05, maka H0 ditolak atau HA
diterima.
Tabel 4.4 Hasil Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 30
Normal Parameters
a
Mean .0000000
Std. Deviation 1.50590617E3
Most Extreme Differences Absolute
.268 Positive
.268 Negative
-.193 Kolmogorov-Smirnov Z
1.468 Asymp. Sig. 2-tailed
.027
Sumber: Data diolah penulis, 2010
Universitas Sumatera Utara
Dari hasil pengolahan data pada tabel 4.4 diperoleh besarnya nilai Kolmogorov-Smirnov adalah 1.468 dan signifikan pada 0.027. Nilai
siginifikansi lebih kecil dari 0.05, maka H0 ditolak yang berarti data residual berdistribusi tidak normal. Data yang tidak berdistribusi normal dapat
disebabkan oleh adanya data yang outlier yaitu data yang memiliki nilai yang sangat menyimpang dari nilai data lainnya. Beberapa cara mengatasi data outlier
menurut Erlina 106 : 2007 yaitu: −
lakukan transformasi data ke bentuk lainnya, −
lakukan trimming, yaitu membuang data outlier −
lakukan winsorizing, yaitu mengubah nilai data yang outlier ke suatu nilai tertentu.
Untuk mengubah nilai residual agar berdistribusi normal, penulis melakukan transformasi data ke model logaritma natural Ln dari Perubahan
Laba= fNPM, MBV menjadi Ln_Perubahan Laba= fLn_NPM, Ln_MBV. Transformasi data ke dalam bentuk logaritma natural menyebabkan data yang
bernilai negatif tidak dapat ditransformasi sehingga menghasilkan missing values. Setiap data yang terdapat missing values akan dihilangkan dan
diperoleh jumlah sampel yang valid menjadi 25 pengamatan. Kemudian data diuji ulang berdasarkan asumsi normalitas, berikut ini hasil pengujian dengan
Kolmogorov-Smirnov.
Universitas Sumatera Utara
Tabel 4.5 Hasil Uji Normalitas Pada Data Setelah Transformasi Logaritma Natural
One-Sample Kolmogorov-Smirnov Test
Ln_NPM Ln_MBV
Ln_Pertumbuha n_laba
N 30
30 25
Normal Parameters
a
Mean 4.3016
4.0296 4.4951
Std. Deviation 1.53757
1.27526 1.77699
Most Extreme Differences Absolute
.145 .094
.184 Positive
.081 .082
.184 Negative
-.145 -.094
-.126 Kolmogorov-Smirnov Z
.794 .517
.922 Asymp. Sig. 2-tailed
.554 .952
.363
Sumber: Data diolah penulis, 2010 Dari hasil pengolahan data pada tabel 4.5 diperoleh besarnya nilai
Kolmogorov-Smirnov adalah 0.922 dan signifikan pada 0.363. Nilai signifikansi lebih besar dari 0.05, maka H0 diterima yang berarti data residual berdistribusi
normal. Setelah data berdistribusi normal dapat dilanjutkan dengan uji asumsi klasik lainnya. Untuk lebih jelas berikut ini dilampirkan grafik histogram dan
grafik p-plot data yang telah berdistribusi normal.
Universitas Sumatera Utara
Gambar 4.1 Histogram
Sumber : Data diolah penulis, 2010 Grafik histogram pada gambar 4.1 menunjukkan pola distribusi normal
karena grafik tidak menceng kiri maupun menceng kanan. Dengan demikian dapat disimpulkan bahwa model regresi telah memenuhi asumsi normalitas.
Demikian pula hasil uji normalitas dengan menggunakan grafik normal p-plot.
Universitas Sumatera Utara
Gambar 4.2 Grafik Normal P-Plot
Sumber: Data diolah penulis, 2010 Pada grafik normal p-plot terlihat bahwa data menyebar disekitar garis
diagonal dan mengikuti arah garis diagonal, maka dapat disimpulkan bahwa model regresi telah memenuhi asumsi normalitas.
2. Uji Multikolinearitas