53
pengawasan yang lebih optimal terhadap kinerja manajemen sehingga kurang dapat menciptakan nilai tambah Economic Value Added EVA pada
perusahaan.
4.2 Uji Asumsi Klasik
Uji asumsi klasik bertujuan untuk mendapatkan model regresi yang baik, dan harus terbebas dari Multikolinieritas, Autokorelasi, Heteroskedastisitas, serta
data yang dihasilkan harus berdistribusi normal. Cara yang digunakan untuk menguji penyimpangan asumsi klasik adalah sebagai berikut :
1. Uji Multikolinieritas.
Uji Multikolinieritas dalam penelitian ini dengan menggunakan nilai VIF Variance Inflation Factor dan tolerance. Dari hasil pengujian model
regresi diperoleh hasil untuk masing-masing variabel sebagai berikut :
Tabel 4.5 Hasil Output SPSS : Uji Multikolinearitas VIF-Tolerance
Variabel Tolerance VIF
Financial Leverage X1 0,995
1,005 Proporsi saham X2
0,995 1,005
Sumber : Hasil Output SPSS Dari tabel 4.5 di atas menunjukkan tidak ada variabel bebas yang memiliki
nilai tolerance dibawah 0,1. Hasil perhitungan nilai VIF juga menunjukkan tidak ada variabel bebas yang memiliki nilai VIF di atas 10. Jadi dapat
54
disimpulkan bahwa tidak ada multikolinearitas antar variabel bebas dalam model regresi.
2. Uji Autokorelasi.
Uji Autokorelasi dalam penelitian ini dengan menggunakan uji statistik dari Durbin Watson. Langkah awal pendeteksian ini adalah mencari nilai
du dari analisis regresi dan selanjutnya mencari nilai d1 dan du pada tabel dengan kriteria. Untuk menguji apakah terhadap autokorelasi digunakan
Durbin Waston Test, diketahui :
Tabel 4.6 Hasil Output SPSS : Uji Autokorelasi Durbin Waston
Model Summary
b
.308
a
.095 .077
.06488 1.836
Model 1
R R Square
Adjusted R Square
Std. Error of the Estimate
Durbin-W atson
Predictors: Constant, Proporsi Saham, Fin Leverage a.
Dependent Variable: EVA b.
Sumber: Hasil Output SPSS Hasil uji Durbin Waston menunjukkan nilai sebesar 1,836 nilai tersebut
jika dibandingkan dengan nilai tabel dengan menggunakan derajat kepercayaan 5, jumlah sampel 105, Variabel bebas k = 2, Nilai Tabel
Durbin Watson dl= 1,706 dan du = 1,760 Autokorelasi
positif Uji No
Autokorelasi Uji
Autokorelasi Negatif
0 dl du
D W 2 4-du
4 1,706 1,760 1,836 2,24
55
Kesimpulan : Nilai DW terletak diantara batas atas du dan 4-du, 1,760 1,836 2,24
maka hasilnya tidak ada Autokorelasi. 3.
Uji Heteroskedastisitas. Uji Heteroskedastisitas dimaksudkan untuk mengetahui ada tidaknya
heteroskedastisitas pada model regresi yaitu dengan Analisis Grafik Plot dan Uji Glejser sebagai berikut :
a. Analisis Grafik Plot.
Hasil grafik scatterplot sebagai berikut :
Scatterplot Dependent Variable: EVA
Regression Standardized Predicted Value
2 1
-1 -2
-3
Regression St udent
ized Residual
4 3
2 1
-1 -2
-3
Gambar 4.4 Grafik Scatterplot
Sumber: Hasil Output SPSS
Uji berdasarkan grafik plot antara nilai prediksi variabel terikat dengan residualnya diperoleh hasil tidak adanya pola yang jelas, serta titik-titik
menyebar di atas dan di bawah angka 0 nol pada sumbu Y, maka tidak terjadi heteroskedastisitas. Dengan demikian, model regresi
56
layak dipakai untuk memprediksi Economic Value Added EVA Y berdasarkan variebel bebas yaitu Financial Leverage X1 dan
Proporsi Saham X2. b.
Uji Glejser . Pengujian ini dilakukan dengan meregres variabel Financial Leverage
X1 dan Proporsi Saham X2. sebagai variabel independen dengan nilai absolut unstandardized residual. Apabila hasil uji diatas level
signifikansi P0,05, berarti tidak terdapat heteroskedastisitas. Hasil Uji Glejser sebagai berikut :
Tabel 4.7 Hasil Output SPSS : Uji Glejser
Coefficients
a
.027 .019
1.402 .164
.001 .024
.006 .059
.953 .029
.024 .116
1.177 .242
Constant Fin Leverage
Proporsi Saham Model
1 B
Std. Error Unstandardized
Coefficients Beta
Standardized Coefficients
t Sig.
Dependent Variable: ABSUT a.
Sumber : Hasil Output SPSS Hasil tampilan output SPSS pada tabel 4.7 dengan jelas menunjukkan
bahwa tidak ada satupun variabel bebas yang signifikan secara statistik mempengaruhi variabel terikat nilai Absolut Ut Abs Ut. Hal ini
terlihat probabilitas signifikansinya di atas tingkat kepercayaan 5. Jadi dapat disimpulkan model regresi tidak mengandung adanya
Heteroskedastisitas.
57
4. Uji Normalitas .
Uji Normalitas bertujuan apakah dalam suatu model regresi variabel dependent, variabel independent atau keduanya mempunyai distribusi
normaltidak dengan analisis grafikkurva Normality P-Plot dan uji Kolmogorov-Smirnov.
a. Analisis
Grafik Analisis Grafik yaitu dengan melihat Normal Probability Plot yang
membandingkan distribusi kumulatif dari distribusi normal.
Regression Standardized Residual
3. 00
2.50 2.0
1.5 1.00
.5 0.00
-.50 -1
.00 -1
.5 -2
.00
Histogram Dependent Variable: EVA
Frequency
30
20
10 Std. Dev = .99
Mean = 0.00 N = 105.00
Gambar 4.5 Grafik Histogram
Sumber: Hasil Output SPSS
Pada gambar 4.5 kurva normal di atas terlihat bahwa data EVA berdistribusi secara normal yaitu tidak cenderung ke kiri maupun ke
58
kanan, melainkan memiliki kecenderungan di tengah. Hal ini dapat dijelaskan sebagai berikut:
i. Kira-kira 61 dari data observasi akan berada dalam daerah
satu 1.00 di sekitar 0.00. Jadi antara 0.00-0.50 dan 0.00+0.50 ii.
Kira-kira 89 dari data observasi akan berada dalam daerah 0.00-1.00 dan 0.00+1.00
iii. Kira-kira 97dari data observasi akan berada dalam daerah
0.00-2.00 dan 0.00+2.00 b.
Kurva Normal Untuk mengetahui data berdistribusi secara normal dilakukan uji
Normality P-Plot. Berikut gambar normalitas pada model:
Normal P-P Plot of Regression Standardized R Dependent Variable: EVA
Observed Cum Prob
1.00 .75
.50 .25
0.00
Expected Cum Prob
1.00 .75
.50 .25
0.00
Gambar 4.6 Grafik Normal P-Plot EVA
Sumber: Hasil Output SPSS Dengan melihat tampilan grafik histogram maupun grafik normal
dapat disimpulkan bahwa grafik histogram memberikan pola distribusi yang mendekati normal. Sedangkan pada grafik normal plot terlihat
59
titik-titik menyebar di sekitar diagonal, serta penyebarannya mengikuti garis diagonal sehingga menunjukkan bahwa model regresi layak
dipakai karena memenuhi asumsi normalitas. c.
Uji Kolmogorov Smirnov . Bila tingkat signifikansi dari 5 maka data berdistribusi normal.
Hasil uji normalitas dengan uji Kolmogorov-Smirnov dapat dilihat pada tabel dibawah ini:
Tabel 4.8 Hasil Output SPSS : Uji Kolmogorov-Smirnov
One-Sample Kolmogorov-Smirnov Test
105 105
105 .4419
.6781 .0495
.17647 .17424
.06754 .092
.094 .137
.083 .066
.137 -.092
-.094 -.084
.941 .962
.991 .339
.313 .299
N Mean
Std. Deviation Normal Parameters
a,b
Absolute Positive
Negative Most Extreme
Differences Kolmogorov-Smirnov Z
Asymp. Sig. 2-tailed Fin Leverage
Proporsi Saham
EVA
Test distribution is Normal. a.
Calculated from data. b.
Sumber : Hasil Output SPSS
Hasil tampilan output SPSS pada tabel 4.8 dengan jelas menunjukkan bahwa tidak ada satupun variabel yang signifikan atau probabilitas
signifikansinya di atas tingkat kepercayaan 5 sehingga menunjukkan bahwa model regresi layak dipakai karena memenuhi asumsi
normalitas
60
4.3 Analisis Regresi Linier Berganda
