42 nilai rata-rata 28.2482. Standar Deviation simpangan baku variabel ini
adalah 2.08860. 5. Variabel struktur aset memiliki sampel N sebanyak 48 dengan nilai
minimum terkecil 0.01, nilai maksimum terbesar 0.61 dan mean nilai rata-rata 0.2895. Standar Deviation simpangan baku variabel ini adalah
0.14921. 6. Variabel dependen yaitu struktur modal yang diproksikan dengan DER
debt to equity ratio memiliki sampel N sebanyak 48 dengan nilai minimum terkecil 0.11, nilai maksimum terbesar 14.38 dan mean nilai
rata-rata 1.6165. Standar Deviation simpangan baku variabel ini adalah 2.34356.
4.2.2 Uji Asumsi Klasik 4.2.2.1 Uji Normalitas
Uji normalitas adalah uji yang dilakukan untuk mengetahui apakah variabel pengganggu atau variabel residual terdistribusi secara
normal. Salah satu cara yang digunakan untuk melihat apakah data normal atau tidak adalah melakukan analisis grafik dengan melihat
grafik histogram dan grafik P-P Plot. Data yang terdistribusi secara normal adalah data yang terdistribusi dengan garis titik-titik berbentuk
lonceng pada grafik histogramnya, titik tersebut tidak mengarah ke kiri ataupun ke kanan. Sedangkan pada grafik P-P Plot, data akan menyebar
43 disekitar garis diagonal dan mengikuti arah garis diagonal apabila data
tersebut terdistribusi secara normal.
Gambar 4.1 Uji Normalitas Histogram
Sumber: Output SPSS, diolah Penulis, 2015
44
Gambar 4.2 Uji Normalitas P-P Plot
Sumber: Output SPSS, diolah Penulis, 2015
Pada gambar 4.1 dapat dilihat bahwa gambar grafik histogram berbentuk lonceng, tetapi gambar dari grafik tersebut tidak merata diantara
sisi kiri dan kanan serta pola distribusi yang condong ke kiri dimana
menunjukkan bahwa data tidak terdistribusi secara normal.
Sedangkan grafik P-P Plot pada gambar 4.2, terlihat bahwa titik- titik data tidak menyebar dengan merata disekitar garis pola dimana ada
beberapa titik yang penyebarannya menjauh dari garis pola, sehingga ini
menunjukkan bahwa data tidak terdistribusi secara normal.
Pengujian normalitas data apakah terdistribusi normal atau tidak dengan hanya melihat grafik histogram dan P-P Plot saja tidak cukup,
45 sehingga perlu dilakukan uji normalitas data dengan menggunakan analisis
statistik. Analisis statistik dapat dilakukan dengan pengujian Kolmogorov- Smirnov K-S. Untuk melihat apakah data terdistribusi normal atau tidak
dapat dilihat dari nilai signifikansinya. Jika nilai signifikansinya lebih besar dari 0,05 maka data terdistribusi normal. Apabila nilai
signifikansinya lebih kecil dari 0,05 maka data tidak terdisitribusi normal.
Pengujian tersebut dapat dilihat pada tabel berikut ini: Tabel 4.2
Uji Normalitas Data Awal
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 48
Normal Parameters
a
Mean .0000000
Std. Deviation 1.77056272
Most Extreme Differences Absolute
.179 Positive
.179 Negative
-.094 Kolmogorov-Smirnov Z
1.242 Asymp. Sig. 2-tailed
.091 a. Test distribution is Normal.
Tabel 4.2 diatas menunjukkan bahwa hasil pengujian statistik dengan menggunakan model Kolmogorov-Smirnov menunjukkan bahwa
data telah terdistribusi secara normal. Hal tersebut dapat dilihat dari nilai signifikan atau nilai probabilitasnya sebesar 0.091 yaitu lebih besar dari
0.05. Pengujian normalitas data yang dilakukan dengan uji grafik
menunjukkan bahwa data tidak terdistribusi normal sehingga uji hipotesis
46 tidak dapat dilakukan. Namun uji statistik menunjukkan bahwa data
terdistribusi normal. Untuk menormalkan data penelitian maka peneliti menggunakan transformasi data. Salah satu transformasi data yang dapat
dilakukan adalah dengan mentransformasikan data ke logaritma 10 atau LN.
Peneliti melakukan pengujian ulang terhadap normalitas data untuk melihat apakah data terdistribusi normal atau tidak setelah dilakukan
transformasi data. Hasil uji normalitas data setelah dilakukan transformasi
data dapat dilihat sebagai berikut :
Gambar 4.3 Histogram Setelah Transformasi Data
Sumber : Output SPSS, diolah Peneliti, 2015
47
Gambar 4.4 P-P Plot Setelah Transformasi Data
Sumber : Output SPSS, diolah Peneliti, 2015 Dengan melihat tampilan grafik histrogram pada gambar 4.3 diatas
kita dapat melihat bahwa gambar grafik berbentuk lonceng dan tidak menceng ke kiri dan ke kanan yang menunjukkan bahwa data terdistribusi
secara normal. Pada grafik P-P Plot pada gambar 4.4 diatas terlihat titik- titik menyebar di sepanjang dan tidak menjauhi garis diagonal. Kedua
grafik tersebut menunjukkan bahwa model regresi tidak menyalahi asumsi normalitas.
4.2.2.2 Uji Heterokedatisitas
Pengujian ini bertujuan untuk mengetahui apakah dalam model regresi terjadi perbedaan variance dari residual suatu pengamatan ke
pengamatan lain. Dalam model regresi yang baik tidak terjadi
48 heteroskedastisitas. Ada tidaknya gejala heteroskedastisitas dapat
diketahui dengan melihat grafik scatterplot dengan dasar analisis sebagai berikut Ghozali, 2006:69 :
a. Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu
yang teratur bergelombang, melebar, kemudian menyempit,
maka mengindikasikan
telah terjadi
heteroskedastisitas. b. Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan
di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.
Gambar 4.5 Grafik
Scatterplot Setelah Transformasi Data
Sumber : Output SPSS, diolah Peneliti, 2015
49 Pada grafik scatterplot terlihat bahwa titik-titik menyebar secara
acak serta tersebar baik diatas maupun dibawah angka 0 pada sumbu Y, sehingga dapat disimpulkan bahwa tidak terjadi heterokedastisitas pada
model regresi. Alasan mengapa titik –titik menyebar menjauh dari titik–
titik yang lain dikarenakan data penelitian yang berbeda antara data yang satu dengan data yang lain sehingga model regresi dapat digunkan untuk
melihat pengaruh variabel independen terhadap variabel dependen.
4.2.2.3 Uji Autokorelasi
Pengujian ini bertujuan untuk melihat apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan
kesalahan periode t-1 sebelumnya. Model regresi yang baik adalah yang bebas dari autokorelasi. Untuk mengetahui ada tidaknya autokorelasi
dapat dilakukan melalui uji Durbin-Watson DW dengan kriteria sebagai berikut:
f. Jika 0 d dl maka tidak ada korelasi positif tolak g. Jika dl d du maka tidak ada korelasi positif no decision
h. Jika 4 - dl d 4 maka tidak ada korelasi negatif tolak i. Jika 4 - du d 4
– dl maka tidak ada korelasi positif no decision j. Jika du d 4
– du maka tidak ada korelasi positif atau negative tidak ditolak
50
Tabel 4.3 Uji Durbin Watson
Hasil pengujian di atas menunjukkan bahwa nilai Durbin-Watson adalah 1.906. Nilai ini akan kemudian diuji berdasarkan ketentuan ada
tidaknya gejala autokorelasi, yakni jika nilai Durbin-Watson D-W ada pada batas du atas dan 4-du du D-W 4-du, model regresi tidak
mengalami gejala autokorelasi. Nilai signifikansi yang digunakan adalah 5 dengan jumlah sampel 48 N = 48 dan jumlah variabel independen
sebanyak lima k = 5, maka dari tabel data statistik Durbin-Watson diperoleh nilai batas bawah dl sebesar 1.33 dan nilai batas atas du
sebesar 1.77. Nilai D-W 1.906 berada di antara du 1.77 dan 4-du 2.31 atau 1.77 1.906 2.31. Dengan demikian dapat disimpulkan bahwa
model regresi tidak mengalami gejala autokorelasi, sehingga pengujian dapat dilanjutkan.
4.2.2.4 Uji Multikolonieritas
Pengujian ini bertujuan untuk mengetahui apakah dalam model regresi ditemukan adanya korelasi antar variabel independen. Dalam
model regresi yang baik tidak terjadi korelasi antar variabel independen.
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .732
a
.536 .473
.60045 1.906
a. Predictors: Constant, LN_SA, LN_ROE, LN_GS, LN_Sz, LN_CR b. Dependent Variable: LN_DER
Sumber: Output SPSS, diolah penulis,2015
51 Ada atau tidaknya korelasi dapat dilakukan dengan melihat tolerance dan
lawanya yaitu VIF Variance Inflation Factor. Menurut Ghozali 2006:57 kedua ukuran ini menunjukkan setiap variabel independen
manakah yang dijelaskan oleh variabel independen lainnya. Dengan kata lain, setiap variabel independen menjadi variabel dependen dan diregres
terhadap variabel independen lainnya untuk mengetahui korelasi antar variabel independen tersebut. Nilai tolerance yang rendah sama dengan
nilai VIF tinggi karena VIF = 1tolerance. Nilai cutoff yang umum dipakai untuk menunjukkan adanya multikolonieritas adalah nilai
tolerance 0,1 atau sama dengan VIF 10. Dengan kata lain, data yang bebas multikolonieritas adalah yang memiliki nilai tolerance 0,1 dan
VIF 10. Berikut adalah hasil dari uji multikolonieritas.
Tabel 4.4 Uji Multikolonieritas Setelah Transformasi Data
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity
Statistics B
Std. Error Beta
Tolerance VIF
1 Const
ant 5.701
4.233 1.347
.186 ln_roe
-.017 .113
-.017 -.150
.881 .958
1.044 ln_cr
-1.604 .300
-.657 -5.338
.000 .828
1.208 ln_gs
.123 .099
.150 1.245
.221 .861
1.162 ln_sz
-1.468 1.250
-.139 -1.174
.248 .895
1.118 ln_sa
-.002 .120
-.002 -.017
.987 .789
1.268 a. Variable: ln_der
Sumber : Output SPSS, diolah Peneliti, 2015
52 Berdasarkan tabel 4.4, dapat disimpulkan bahwa penelitian ini
bebas dari adanya multikolinearitas. Hasil penelitian menunjukkan bahwa masing
–masing variabel independen yang digunakan dalam penelitian, memiliki nilai tolerance yang lebih besar dari 0.10 yaitu nilai tolerance
ROE sebesar 0.958, nilai tolerance CR sebesar 0,828, nilai tolerance GS sebesar 0.861, nilai tolerance Sz sebesar 0.895 dan nilai tolerance SA
sebesar 0.789. Perhitungan VIF juga menunjukkan hal yang sama, dimana variabel independen memiliki nilai VIF yang kurang dari 10 yaitu nilai
VIF untuk ROE sebesar 1.044, nilai VIF untuk CR sebesar 1.208, nilai VIF untuk GS sebesar 1.162, nilai VIF untuk Sz sebesar 1.118 dan nilai
VIF untuk SA sebesar 1.268. Maka dari hasil tabel secara keseluruhan menunjukkan bahwa tidak terdapatnya multikolinearitas antar variabel
independen dalam model ini.
4.2.3 Analisis Regresi