Pengujian Asumsi Klasik ANALISIS HASIL PENELITIAN

b. Laba bersih memiliki nilai maximum sebesar 5,087 x , yaitu Rp 5.087.339.000.000, yang diperoleh dari PT. HM Sampoerna Tbk. Pada tahun 2009. c. Laba bersih memiliki nilai rata-rata sebesar. 2,966 x d. Laba bersih memiliki nilai standar deviasi sebesar 7,967450 x

4. Arus kas masa depan

a. Arus kas masa depan memiliki nilai minimum sebesar -5,383 x , yaitu Rp -538.296.000.000, yang diperoleh dari PT. Unilever Indonesia Tbk. Pada tahun 2010. b. Arus kas masa depan memiliki nilai maximum sebesar 5,965 x , yaitu Rp 5.964.523.000.000, yang diperoleh dari PT. Indofood Sukses Makmur Tbk. Pada tahun 2009. c. Arus kas masa depan memiliki nilai rata-rata sebesar 1.959 x . d. Arus kas masa depan memiliki nilai standar deviasi sebesar 7,961136 x .

4.2 Pengujian Asumsi Klasik

4.2.1 Uji Normalitas

Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel dependen dan independen atau keduanya mempunyai distribusi normal atau tidak. Untuk meningkatkan hasil uji normalitas data, maka akan dilakukan dengan uji Kolmogorov-Smirnov. Uji ini Universitas Sumatera Utara digunakan untuk menghasilkan angka yang lebih detail, apakah suatu persamaan regresi yang akan dipakai lolos normalitas. Suatu persamaan regresi dikatakan lolos normalitas apabila nilai signifikansi uji Kolmogorov-Smirnov lebih besar dari 0,05 Imam Ghozali, 2006. Tabel 4.2 Uji Normalitas Sebelum Data Ditransformasi One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 90 Normal Parameters a,,b Mean -.0000027 Std. Deviation 6.92509615E11 Most Extreme Differences Absolute .340 Positive .340 Negative -.251 Kolmogorov-Smirnov Z 3.222 Asymp. Sig. 2-tailed .000 a. Test distribution is Normal. b. Calculated from data. Sumber : Data yang diolah penulis, 2011 Dari hasil pengolahan data tersebut, besarnya nilai Kolmogorov- Smirnov adalah 3,222 dan signifikansi pada 0,000. Maka disimpulkan data tidak terdistribusi secara normal. Data yang tidak terdistribusi secara normal tersebut juga dapat dilihat melalui grafik histogram dan grafik normal plot data. Dengan membandingkan antara data observasi dengan distribusi data yang mendekati distribusi normal, dari grafik dapat disimpulkan bahwa data tidak terdistribusi secara normal, karena grafik histogram menunjukkan distribusi data tidak mengikuti garis diagonal, yaitu menceng kekiri positif skewness. Universitas Sumatera Utara Gambar 4.1 Histogram Sebelum Data Ditransformasi Gambar 4.2 Grafik Normal P-P Plot Sebelum Data Ditransformasi Sumber : Data diolah oleh penulis, 2011 Universitas Sumatera Utara Demikian pula pengujian normalitas dengan menggunakan grafik plot. Pada grafik normal plot, terlihat titik-titik meneyebar disekitar garis diagonal, serta penyebarannya agak menjauh dari garis diagonal sehingga dapat disimpulkan bahwa data tidak terdistribusi secara normal. Untuk mengubah residual agar berdistribusi normal, penulis melakukan transformasi beberapa variabel ke dalam bentuk Logaritma natural Ln. Variabel yang ditransformasikan antara lain AKO, LB dan AKM. Tabel 4.3 Uji Normalitas Setelah Data Ditransformasi One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 52 Normal Parameters a,,b Mean .0000000 Std. Deviation 1.50175036 Most Extreme Differences Absolute .064 Positive .049 Negative -.064 Kolmogorov-Smirnov Z .462 Asymp. Sig. 2-tailed .983 a. Test distribution is Normal. b. Calculated from data. Sumber : Data diolah oleh peneliti, 2011 Dari tabel tersebut, besarnya nilai Kolmogorov-Smirnov adalah 0,462 dan signifikansi pada 0,983. Nilai ini jauh dari nilai signifikansi 0,05 sehingga dapat disimpulkan bahwa data terdistribusi secara normal. Untuk lebih jelas, turut dilampirkan grafik histogram dan plot data yang terdistribusi secara normal. Universitas Sumatera Utara Dengan membandingkan antara data observasi dengan distribusi yang mendekati distribusi normal, dari grafik di atas dapat disimpulkan bahwa data terdistribusi secara normal, karena grafik histogram menunjukkan distribusi data mengikuti garis diagonal yang tidak menceng skewness ke kiri maupun ke kanan. Gambar 4.3 Histogram Setelah Data Ditransformasi Sumber : Data diolah oleh peneliti, 2011 Demikian pula hasil uji normalitas dengan menggunakan grafik plot. Pada grafik normal plot terlihat titik-titik menyebar disekitar garis diagonal serta penyebarannya teratur mengikuti garis diagonal, sehingga dapat disimpulkan bahwa data dalam model regresi terdistribusi secara normal. Universitas Sumatera Utara Gambar 4.4 Grafik Normal P-P Plot Setelah Data Ditransformasi Sumber : Data diolah oleh peneliti, 2011

4.2.2 Uji Multikolinearitas

Uji multikolinearitas bertujuan untuk memberikan gambaran kepada peneliti apakah pada model regresi ditemukan adanya korelasi antar variabel bebasindependent. Model regresi yang baik adalah model yang tidak terdapat korelasi diantara variabel independen. Jika variabel independen saling berkorelasi, maka variabel-variabel ini tidak orthogonal. Variabel orthogonal merupakan variabel bebas yang nilai korelasi antar sesame variabel bebas sama dengan nol Imam Ghozali, 2006. Untuk mendeteksi ada atau tidaknya multikolinearitas dapat dilihat dari nilai tolerance dan lawannya serta Variance Inflation Factor VIF. Kedua ukuran ini menunjukkan setiap variabel bebas manakah Universitas Sumatera Utara yang dijelaskan oleh variabel bebas lainnya. Apabila nilai tolerance di atas 10 dan VIF dibawah 10, maka dapat disimpulkan bahwa model regresi bebas dari multikolinearitas. Tabel 4.4 Hasil Uji Multikolinearitas Coefficient Correlations a Model LNLB GPM LNAKO 1 Correlations LNLB 1.000 -.067 -.864 GPM -.067 1.000 .113 LNAKO -.864 .113 1.000 Covariances LNLB .039 -.020 -.035 GPM -.020 2.171 .034 LNAKO -.035 .034 .043 a. Dependent Variable: LNAKM Coefficients a Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics B Std. Error Beta Tolerance VIF 1 Constant 4.118 2.804 1.468 .148 LNAKO .267 .207 .250 1.288 .204 .251 3.981 GPM 1.651 1.473 .110 1.120 .268 .984 1.017 LNLB .523 .198 .511 2.640 .011 .253 3.948 a. Dependent Variable: LNAKM Sumber : Data diolah oleh peneliti, 2011 Melihat hasil besaran korelasi antar variabel independen tampak bahwa hanya variabel LNAKO yang mempunyai korelasi cukup tinggi dengan variabel LNLB dengan tingkat korelasi sebesar – 0,864 atau sekitar 86,4. Korelasi ini masih dibawah 95, maka dapat dikatakan bahwa tidak terjadi multikolinearitas yang serius. Universitas Sumatera Utara Hasil perhitungan tolerance juga menunjukkan tidak ada variabel independen yang memiliki nilai tolerance kurang dari 0,10 yang berarti tidak ada korelasi antar variabel independen yang nilainya lebih dari 95 . Berdasarkan hasil perhitungan VIF, diperoleh nilai sebesar 3,981 pada LNAKO; 1,017 pada GPM; dan 3,948 pada LNLB, yang mengindikasikan bahwa ketiga variabel independen memiliki nilai VIF ≤ 10, sehingga dapat disimpulkan bahwa tidak terdapat multikolinearitas antar variabel independen dalam model regresi.

4.2.3 Uji Heterokedastisitas

Dalam penelitian ini, untuk mendeteksi ada atau tidaknya heterokedastisitas adalah dengan melihat plot grafik yang dihasilkan melalui pengolahan data dengan menggunakan program SPSS. Dasar pengambilan keputusannya adalah: 1. jika pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur bergelombang, melebar, kemudian menyempit, maka mengindikasikan telah terjadi heterokedastisitas. 2. jika tidak ada pola yang jelas, seperti titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heterokedastisitas atau homokedastisitas. Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi heterokedastisitas atau homokedastisitas. Dengan mengamati penyebaran titik-titik pada gambar. Universitas Sumatera Utara Gambar 4.5 Hasil Uji Heterokedastisitas Scatterplot Sumber : Data diolah oleh peneliti, 2011 Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara acak baik di atas maupun di bawah angka 0 pada sumbu Y, sehingga dapat disimpulkan bahwa tidak terjadi heterokedastisitas pada model regresi. Adanya titik-titik yang menyebar menjauh dari titik-titik yang lain dikarenakan adanya data observasi yang sangat berbeda dengan data observasi lainnya.

4.2.4 Uji Autokorelasi

Uji ini bertujuan untuk melihat apakah dalam suatu model regresi linear ada korelasi antar kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1. Autokorelasi muncul karena observasi berurutan sepanjang tahun yang berkaitan satu dengan yang Universitas Sumatera Utara lainnya. Hal ini sering ditemukan pada data time series. Cara yang dapt digunakan untuk mendeteksi ada masalah autokorelasi adalah dengan menggunakan nilai uji Durbin-Watson. Dasar untuk pengambilan keputusan autokorelasi melalui uji Durbin-Watson adalah sebagai berikut: 1. Angka D-W di bawah -2 berarti ada autokorelsi positif 2. Angka D-W di antara -2 sampai +2, berarti tidak ada autokorelasi 3. Angka D-W di atas +2 berarti ada autokorelasi negatif Tabel 4.5 Hasil Uji Autokorelasi Durbin-Watson Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .738 a .544 .516 1.547969 1.455 a. Predictors: Constant, LNLB, GPM, LNAKO b. Dependent Variable: LNAKM Sumber : Data diolah oleh peneliti, 2011 Tabel 4.5 memperlihatkan nilai statistik D-W sebesar 1,455. Angka tersebut terletak di antara -2 dan +2, sehingga dapat disimpulkan bahwa tidak terjadi autokorelasi positif maupun negatif dalam penelitian ini. Run test sebagai bagian dari statistik non-parametrik dapat pula digunakan untuk menguji apakah antar residual terdapat korelasi yang tinggi. Jika antar residual tidak terdapat hubungan korelasi, maka dikatakan bahwa residual adalah acak atau random, yaitu dengan melihat probabilitasnya. Universitas Sumatera Utara Tabel 4.6 Hasil Uji Autokorelasi Runs Test Unstandardized Residual Test Value a .08172 Cases Test Value 26 Cases = Test Value 26 Total Cases 52 Number of Runs 23 Z -1.120 Asymp. Sig. 2-tailed .263 a. Median Sumber : Data diolah oleh penulis, 2011 Hasil output SPSS untuk run test menunjukkan nilai tes sebesar 0,08172 dengan probabilitas sebesar 0,263 signifikans dan lebih besar dari α= 0,050, yang artinya observasi terjadi secara acak. Berdasarkan hasil pengujian run test tersebut, dapat ditarik kesimpulan bahwa tidak pengalami problem autokorelasi

4.3 Pengujian Hipotesis