Uji Normalitas Hasil Uji Asumsi Klasik

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