48
Ekadharma International Tbk. Sebesar Rp. 1,98 dan nilai maksimum dimiliki oleh PT. Multi Bintang Indonesia Tbk. sebesar Rp. 21.212,00
dengan rata-rata nilai DPS perusahaan yang menjadi sampel penelitian ini sebesar Rp. 1.096,0767.
4.3 Pengujian Asumsi Klasik
Untuk menghasilkan suatu model regresi yang baik, analisis regresi memerlukan pengujian asumsi klasik sebelum melakukan pengujian hipotesis.
Apabila terjadi penyimpangan dalam pengujian asumsi klasik perlu dilakukan perbaikan terlebih dahulu.
4.3.1 Uji Normalitas Data
Uji normalitas data bertujuan untuk menguji apakah variabel residual berdistribusi normal atau tidak. Untuk melihat data residual berdistribusi normal
atau tidak dapat dilakukan dengan dua cara yaitu dengan analisis grafik dan melakukan uji statistik. Analisis grafik dilakukan dengan melihat histogram dan
grafik normal p-plot. Peneliti hanya menggunakan metode grafik normal p-plot, karena metode ini lebih handal. Distribusi normal akan membentuk satu garis
lurus diagonal, dan ploting data residual akan dibandingkan dengan garis diagonal. Jika distribusi data residual normal, maka garis yang menggambarkan
data sesungguhnya akan mengikuti garis diagonalnya. Uji statistik yang dapat digunakan untuk menguji apakah residual
berdistribusi normal adalah uji satistik non-parametrik Kolmogorov-Smirnov K- S dengan membuat hipotesis:
Universitas Sumatera utara
49
� : data residual berdistribusi normal.
�
�
: data residual tidak berdistribusi normal. Apabila nilai signifikansi lebih besar dari 0,05 maka
� diterim dan
�
�
ditolak, sebaliknya jika nilai siginifikansi lebih kecil dari 0,05 maka
� ditolak dan
�
�
diterima. Dari hasil pengolahan data pada Tabel 4.2 dibawah ini, diperoleh besarnya
nilai Kolmogorov-Smirnov adalah lebih besar dari 0,05 dan signifikansi pada 0,000. Nilai signifikansi ternyata lebih kecil dari 0,05 maka H
a
diterima yang berarti data residual tersebut tidak berdistribusi normal, ini dapat disebabkan oleh
adanya data yang outliner, yaitu data yang memiliki nilai yang sangat menyimpang dari nilai data lainnya.
Tabel 4.2 Hasil Uji Normalitas Sebelum
Trimming
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 136
Normal Parameters
a,b
Mean .0000000
Std. Deviation 31291.5205361
3 Most Extreme Differences
Absolute .332
Positive .332
Negative -.323
Kolmogorov-Smirnov Z 3.873
Asymp. Sig. 2-tailed .000
a. Test distribution is Normal. b. Calculated from data.
Sumber: Output SPSS
Universitas Sumatera utara
50
Beberapa cara mengatasi data outliner yaitu: - Lakukan transformasi data ke bentuk lainnya,
- Lakukan trimming, yaitu membuang data outliner, - Lakukan winsorizing, yaitu mengubah nilai data yang outliner kesuatu nilai
tertentu. Untuk mengubah nilai residual agar normal, peneliti melakukan trimming
membuang data outliner. Setelah dilakukan pembuangan data yang outliner, jumlah sampel observasi menjadi berjumlah 72 sampel. Kemudian data diuji
ulang berdasarkan asumsi normalitas, berikut ini hasil pengujian dengan Kolmogorov-Smirnov:
Tabel 4.3 Hasil Uji Normalitas Setelah
Trimming
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 72
Normal Parameters
a,b
Mean .0000000
Std. Deviation 1296.07397894
Most Extreme Differences Absolute
.143 Positive
.143 Negative
-.094 Kolmogorov-Smirnov Z
1.212 Asymp. Sig. 2-tailed
.106 a. Test distribution is Normal.
b. Calculated from data.
Sumber: Output SPSS Dari hasil pengolahan data pada Tabel 4.3 diperoleh besarnya nilai
Kolmogorov-Smirnov adalah 1,212 dan nilai signifikansi variabel lebih besar dari 0,05 maka
� diterima yang berarti data residual berdistribusi normal. Data yang
Universitas Sumatera utara
51
berdistribusi normal tersebut juga dapat dilihat melalui garfik p-plot data pada Gambar 4.2 berikut.
Gambar 4.2 Grafik Normal
P-plot
Sumber: Output SPSS
Pada grafik normal P-plot terlihat bahwa titik-titik menyebar mengikuti garis diagonal, serta penyebarannya mengikuti garis diagonal. Grafik ini
menunjukkan bahwa model regresi mengikuti asumsi normalitas dan ini sejalan dengan uji statistik Kolmogorov-Smirnov.
Universitas Sumatera utara
52
4.3.2 Uji Multikolinearitas