Kesawan pada tahun 2010, Bank Bumi Putra pada tahun 2012 dan 2013. Diketahui rata-rata mean Komposisi Dewan Komisaris dari tahun 2010-2013
adalah 0,599, dan standar deviasi dari Dewan Komisaris dari tahun 2010-2013 adalah 0,1218.
4.2 Uji Asumsi Klasik
Menurut Gujarati 2003 suatu model dikatakan baik untuk alat prediksi apabila mempunyai sifat-sifat best linear unbiased estimator BLUE.Di samping
itu suatu model dikatakan cukup baik dan dapat dipakai untuk memprediksi apabila sudah lolos dari serangkaian uji asumsi ekonometrika yang
melandasinya.Suatu model regresi berganda yang digunakan untuk menguji hipotesa harus memenuhi asumsi klasik. Uji asumsi klasik dilakukan juga untuk
mendapatkan model regresi yang tidak bias dan efisien. Estimasi dari parameter-parameter dengan metode ordinary least square
OLS akan memiliki sifat ketidakbiasan unbiasedness, varians yang minimum minimum varians, dan sebagainya, yang disebut best linear unbiased estimator
BLUE Gujarati, 2003:107, Supranto, 2005:70. Dalam penggunaan regresi linear berganda, terdapat empat uji asumsi klasik, yakni uji normalitas residual, uji
multikolinearitas, uji autokorelasi, dan uji heteroskedastisitas Supranto, 2005:151.
4.2.1 Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal.Seperti diketahui
bahwa uji t dan F mengasumsikan bahwa nilai residual mengikuti distribusi
normal.Kalau asumsi ini dilanggar maka uji statistik menjadi tidak valid untuk jumlah sampel kecil Ghozali, 2011:160, Gujarati, 2003:339, Field, 2009:221,
Supranto, 2005:90.Dalam penelitian ini, uji normalitas terhadap residual dengan menggunakan uji Kolmogorov-Smirnov. Dalam penelitian ini, tingkat signifikansi
yang digunakan � = 0,05. Dasar pengambilan keputusan adalah melihat angka
probabilitas �, dengan ketentuan sebagai berikut.
Jika nilai probabilitas � ≥ 0,05, maka asumsi normalitas terpenuhi.
Jika probabilitas 0,05, maka asumsi normalitas tidak terpenuhi.
Tabel 4.2 Uji Normalitas
Sumber: hasil olahan software SPSS 17
Perhatikan bahwa berdasarkan Tabel 4.2, diketahui nilai probabilitas p
atau Asymp.Sig. 2-tailed sebesar 0,000. Dalam penelitian ini, tingkat signifikansi yang digunakan adalah
α = 0,05. Karena nilai probabilitas p, yakni 0,000, lebih kecil dibandingkan tingkat signifikansi, yakni 0,05. Hal ini berarti asumsi
normalitas tidak terpenuhi. Untuk memperoleh hasil terbaik, maka data pencilan atau outlier yang ada
dihilangkan.Outlier adalah data yang memiliki karakteristik unik yang terlihat
sangat berbeda jauh dari observasi-obsevasi lainnya dan muncul dalam bentuk nilai ekstrim baik untuk sebuah variabel tunggal atau variabel kombinasi Ghozali,
2011:36.Sofyan Yamin 2014:87 menyatakan sebagai berikut. “Setidaknya ada 3 hal pengaruh outlier terhadap model yaitu berpotensial
menciptakan heywood cases dan improper solution, menciptakan taksiran yang bias serta ketidakjelasan terhadap tingkat signifikansi pengujian parameter. selain
itu outlier juga sangat memengaruhi distribusi variabel data yaitu mengakibatkan variabel data tidak berdistribusi normal. Data outlier dapat memengaruhi nilai
mean, standard deviasi, serta koefisien korelasi, oleh karena itu outlier harus
dijelaskan sebelum dianalisis, dihapus, atau direkomendasikan menggunakan
pendekatan robust statistics.” Untuk mengurangi pengaruh dari ketidaknormalan dapat dilakukan dengan
mengeliminasi atau menghapus data outlier.Gamst, dkk 57:2008 memberikan saran terhadap data outlier sebagai berikut.
“One way to reduce non-normality within a variable is to eliminate outliersthat
are clearly not representative of the population under study”. Sejalan dengan Gamst dkk, Field 2009:153 juga menyatakan sebagai berikut.
“If you detect outliers in the data there are several options for reducing impact of these values. However, before you do any of these things, it’s worth checking that
the data have been entered correctly for the problem cases. If the data are correct
then the three main options you have are: Remove the case: This entails deleting the data
from the person who contributed the outlier.”
Berdasarkan pendapat para pakar statistik di atas, maka untuk mengurangi pengaruh ketidaknormalan, maka data outlier dieliminasi. Setelah data outlier
dihilangkan, maka data yang semula 108 dieliminasi menjadi 103 .Hasil pengujian normalitas yang kedua diperlihatkan dalam Tabel 4.3. Berdasarkan Tabel 4.3,
nilai probabilitas atau Asymp. Sig 2-tailed adalah 0,992. Oleh karena nilai probabilitas, yakni 0,992 lebih besar dibandingkan tingkat signifikansi, yakni
0,05, maka asumsi normalitas terpenuhi.
Tabel 4.3 Uji Normalitas setelah Data Menyimpang Outlier Dihapus
Sumber: hasil olahan software SPSS 17
Pengujian asumsi normalitas dapat juga digunakan pendekatan analisis grafik, histogram.Pada untuk pendekatan histogram, jika kurva berbentuk kurva
normal, maka asumsi normalitas dipenuhi. Pada pendekatan normal probability plot, jika titik-titik dots menyebar jauh menyebar berliku-liku pada garis
diagonal seperti ular dari garis diagonal, maka diindikasi asumsi normalitas error tidak dipenuhi. Jika titik-titik menyebar sangat dekat pada garis diagonal, maka
asumsi normalitas dipenuhi.
Gambar 4.1 dan Gambar 4.2 merupakan output dari SPSS. Perhatikan bahwa kurva pada histogram berbentuk kurva normal, sehingga disimpulkan bahwa
asumsi normalitas error dipenuhi. Di samping itu pada normal probability plotGambar 4.2, titik-titik menyebar cukup dekat pada garis diagonal, maka
disimpulkan bahwa asumsi normalitas dipenuhi.
Gambar 4.1 Histogram untuk Pengujian Asumsi Normalitas
Gambar 4.2 Normalitas dengan Normal Probability Plot
4.2.2 Uji Multikolinearitas