Uji kenormalan data juga dapat dilakukan beberapa pendekatan, antara lain:
a. Pendekatan Kolmogorv-Smirnov
Alat uji ini digunakan untuk memastikan apakah data di sepanjang garis diagonal berdistribusi normal. Hipotesisnya sebagai berikut:
H = data residual berdistribusi normal
H
a
= data rasidual tidak berdistribusi normal Dengan menggunakan tingkat signifikan
� 5. Jika nilai Asymp.Sig 2 tailed taraf nyata α, maka H
diterima artinya data residual berdistribusi normal. Sebaliknya jika nilai Asymp.Sig 2 tailed taraf
nyata α, maka H
a
diterima artinya data residual tidak berdistribusi normal.
b. Pendekatan Histogram
Untuk menguji normalitas data dapat dilihat dengan kurva normal. Kurva normal yaitu kurva yang memiliki ciri-ciri khusus, salah satu diantaranya adalah
mean, modus, dan median pada tempat yang sama. Ukuran kemiringan puncak kurva ke kiri atau ke kanan dikenal dengan nama “kemiringan kurva” atau
“kemencengan kurva” skewness. Kemencengan suatu kurva distribusi data dapat bertanda positif arah kanan dan bertanda negatif arah kiri.
c. Pendekatan Grafik
Membentuk plot antara nilai-nilai teoritis sumbu x melawan nilai-nilai yang didapat dari sampel sumbu y. Apabila plot dari keduanya berbentuk linier
didekati garis lurus, maka hal ini merupakan indikasi bahwa residual menyebar normal. Bila pola-pola titik yang terletak selain di ujung-ujung plot masih
berbentuk linier, meskipun ujung-ujung plot agak menyimpang dari garis lurus, dapat dikatakan bahwa sebaran data adalah menyebar normal.
2. Uji Heteroskedastisitas
Uji Heteroskedastisitas digunakan untuk menguji apakah dalam model regresi terjadi ketidaksamaan atau perbedaan varians dari residual pengamatan
yang lain. Jika varians residual dari suatu pengamatan lain tetap, maka disebut homokedastisitas, dan jika varians berbeda disebut heteroskedastisitas. Deteksi
heteroskedastisitas dapat dilakukan dengan metode scatterplot dengan memplotkan nilai ZPRED nilai prediksi dengan SRESID nilai residualnya.
Model yang baik didapatkan jika pada grafik scatterplot yang disajikan, terlihat titik-titik menyebar secara acak tidak membentuk sebuah pola tertentu yang jelas
serta tersebar baik di atas maupun dibawah angka nol pada sumbu Y. Hal ini berarti tidak heteroskedastisitas Situmorang,Lufti,2014:125.
3. Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi linear terdapat korelasi antara kesalahan pengganggu pada periode t dengan
kesalahan pengganggu pada periode t-1. Jika terjadi korelasi, maka ada problem autokorelasi. Autokorelasi muncul karena observasi yang berurutan sepanjang
waktu berkaitan satu sama lainnya Situmorang,Lufti,2014:134. Untuk mengetahui ada ada tidaknya autokorelasi dengan menggunakan
dua pengujian, yaitu Uji Durbin-Watson DW test yaitu Pengujian dilakukan dengan tingkat signifikansi 5. Uji ini mensyaratkan adanya konstanta dalam
model regresi dan tidak ada variabel lagi di antara variabel independen. Hipotesis yang akan diuji adalah:
H : tidak ada autokorelasi r=0
H
1
: ada autokorelasi r ≠0
Pengambilan keputusan ada tidaknya autokorelasi menurut
Situmorang,Lufti 2014 adalah:
Tabel 3.4 Kriteria Pengambilan Keputusan
Durbin Watson Hipotesis Nol
Keputusan Jika
Tidak ada autokorelasi positif Tolak
0 d dl Tidak ada autokorelasi positif
No decision dl d du
Tidak ada autokorelasi negative Tolak
4-dl d 4 Tidak ada autokorelasi negative
No decision 4-du d 4-dl
Tidak ada autokorelasi positif atau negatif
Tidak ditolak du d 4-du
Sumber : Situmorang,Lufti,2014:140
Keterangan : du = batas atas
dl = batas bawah Jika nilai Durbin-Watson tidak dapat memberikan kesimpulan apakah data
yang digunakan terbebas dari autokorelasi atau tidak, maka perlu dilakukan Run Test. Pengambilan keputusan didasarkan pada acak atau tidaknya data, apabila
bersifat acak maka dapat diambil kesimpulan bahwa data tidak terkena autokorelasi. Jika antar residual tidak terdapat hubungan korelasi maka dikatakan
bahwa residual adalah random atau acak. Apabila tingkat signifikansi hasil uji Run Test di
bawah α 0,05 maka didalam model terdapat autokorelasi. Tetapi apabila tidak signifikan pada α 0,05 maka tidak terdapat autokorelasi.
Hipotesis yang diajukan dalam uji Run Test. H
: residual random acak H
1
: residual tidak random
4. Uji Multikolinieritas
Uji multikolineritas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variable bebas atau independen. Model regresi
yang baik seharusnya tidak terjadi multikoloneritas. Untuk mendeteksi adanya mutikolineritas dapat melihat nilai tolerance dan VIF variance inflation factor.
Nilai yang umum dipakai untuk Tolerance value 0,1 sedangkan VIF 10, maka tidak terjadi multikolinearitas Situmorang,Lufti,2014:115.. Model yang paling
baik adalah tidak terjadi multikolinearitas.
3.8.4 Pengujian Hipotesis
Pengujian hipotesis ini dilakukan untuk menguji hipotesis yang telah
dirumuskan di muka dengan menggunakan alat bantu SPSS for windows. 1. Uji – F Uji Signifikansi Simultan
Pengujian ini dilakukan untuk mengetahui pengaruh suatu variabel independen secara parsial terhadap variasi variabel dependen.
Bentuk pengujiannya adalah:
a.
H : b
1
= b
2
= b
3
= b
4
= 0, artinya secara simultan tidak terdapat pengaruh yang signifikan dari Total Assets Turnover TATO, Fixed Asset Turnover FATO,
Debt Ratio dan Debt to Equity Rasio DER terhadap Dividend Payout Ratio DPR pada Perusahaan Manufaktur di Bursa Efek Indonesia.
b.
H
a
: minimal satu b
i
≠ 0, artinya secara simultan terdapat pengaruh yang signifikan dari Total Assets Turnover TATO, Fixed Asset Turnover FATO,