Uji asumsi klasik yang harus dipenuhi antara Uji Normalitas, Uji Multikolinieritas, Uji Autokorelasi dan Uji Heterokedastisitas
4.2.2.1. Uji Normalitas
Uji Normalitas bertujuan untuk mengetahui apakah distribusi sebuah data mengikuti atau mendekati distribusi normal.Dalam penelitian ini dilakukan
dengan menguji normalitas residual dengan menggunakan uji Kolmogorov- Smirnov, yaitu dengan membandingkan distribusi komulatif relatif hasil observasi
dengan distribusi komulatif relatif teoritisnya. Jika probabilitas signifikansi nilai residual lebih besar dari 0,05 berarti residual terdistribusi dengan normal.
Demikian pula sebaliknya, jika probabilitas signifikansi residual lebih rendah dari 0,05 berarti residual tidak terdistribusi secara normal. Uji Kolmogorov Smirnov
dapat dilihat pada Tabel 4.2 sebagai berikut:
Tabel 4.2 Hasil Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 88
Normal Parameters
a,b
Mean .0000000
Std. Deviation .61662872
Most Extreme Differences Absolute
.107 Positive
.107 Negative
-.061 Kolmogorov-Smirnov Z
1.003 Asymp. Sig. 2-tailed
.267 a. Test distribution is Normal.
b. Calculated from data.
Sumber: Hasil Penelitian, 2014 Data Diolah
Universitas Sumatera Utara
Tabel 4.2 menunjukkan Asym.Sig 2-tailed atau angka signifikansi sebesar 0,267lebih besar dari 0,05 hal ini berarti data terdistribusi normal.
Metode lain untuk mengetahui normalitas adalah dengan menggunakan metode analisis grafik baik dengan melihat grafik secara histogram ataupun
dengan melihat secaraNormal Probability Plot. Normalitas dapat dideteksi dengan melihat histogram dari residualnya:
1. Jika data menyebar disekitar garis diagonal dan mengikuti garis diagonal ataugrafik histogramnya menunjukkan pola distribusi normal regresi
memenuhi asumsi normalitas 2. Jika data menyebar jauh dari garis diagonal dan tidak mengikuti arah garis
diagonal atau grafik histogram tidak menunjukkan pola distribusi normal, maka model regresi tidak memenuhi asumsi normalitas.
Berikut hasil uji normalitas yang diperoleh dalam analisis penelitian ini pada Gambar 4.1
Sumber: Hasil Penelitian, 2014 Data Diolah
Gambar 4.1 Grafik Histogram
Universitas Sumatera Utara
Gambar 4.1 menunjukkan bahwa data terdistribusi secara normal karena bentuk kurva memiliki kemiringan yang cenderung imbang dan kurva berbentuk
menyerupai lonceng.Dapat disimpulkan bahwa variabel pengganggu atau residual memiliki pola mendekati distribusi normal.
Sumber : Hasil Penelitian, 2014 Data Diolah
Gambar 4.2 Normal P-Plot
Berdasarkan Gambar 4.2 Normal Probability Plot diatas dapat disimpulkan bahwa model regresi memnuhi asumsi normalitas, karena data
menyebar di sekitar garis diagonal dan penyebaran data searah mengikuti garis diagonal.
4.2.2.2. Uji Multikolinearitas
Masalah-masalah yang mungkin akan timbul pada penggunaan persamaan regresi berganda adalah multikolinieritas, yaitu suatu keadaan di mana antara
variabel bebas terdapat korelasi atau suatu variabel bebas merupakan fungsi linier dari variabel bebas lainnya. Adanya Multikolinieritas dapat dilihat dari
tolerancevalue atau nilai variance inflation factor VIF. Berdasarkan aturan
Universitas Sumatera Utara
variance inflation factor VIF dan tolerance, maka apabila VIF melebihi angka 10 atau tolerancekurang dari 0,10 maka dinyatakan terjadi gejala
multikolinearitas. Sebaliknya apabila nilai VIF kurang dari 10 atau tolerancelebih dari 0,10 maka dinyatakan tidak terjadi gejala multikolinearitas Ghozali, 2011
Tabel 4.3 Uji Multikolinearitas
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
Collinearity Statistics B
Std. Error Beta
Tolerance VIF
1 Constant 2.253
.766 2.942
.004 LN_ROI
.250 .110
.324 2.277
.025 .511
1.955 LN_MVE
-.003 .048
-.008 -.067
.946 .748
1.336 LN_CAP
.020 .078
.032 .258
.797 .672
1.488 LN_VARRET
.023 .216
.011 .105
.916 .972
1.028 LN_GROWTH
.208 .077
.286 2.712
.008 .927
1.079 a. Dependent Variable: LN_DPR
t+1
Sumber : Hasil Penelitian, 2014 Data Diolah Berdasarkan Tabel 4.3 nilai tolerancedan VIF dari variabel ROI adalah
sebesar 0,511 dan 1,955. Untuk variabel MVEBVE adalah sebesar 0,748 dan 1,336.Untuk variabel CAPMVA sebesar 0.672 dan 1,488.Untuk variabel
VARRET sebesar 0,972 dan 1,028.Untuk variabel Growth sebesar 0,927 dan 1,079.Oleh karena itu, dapat disimpulkan bahwa dalam model ini tidak terdapat
masalah multikolinearitas antara variabel bebas karena nilai tolerance berada dibawah 1 dan nilai VIF jauh dibawah angka 10.
4.2.2.3. Uji Heteroskedastisitas