Uji Normalitas HASIL PENELTIAN DAN PEMBAHASAN

multikolinearitas. Begitu juga jika dilihat dari nilai VIF pada tabel, dapat dilihat bahwa terjadi multikolineartas dikarenakan adanya variabel independen yang memililiki nilai VIF lebih dari 5. Salah satu cara untuk mengobati multikolinearitas adalah dengan melakukan transformasi variabel. Tranformasi dapat dilakukakan dalam bentuk logaritma natural.

a. Uji Normalitas

Uji normalitas bertujuan untuk 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. Apabila asumsi ini dilanggar maka uji statistik menjadi tidak valid untuk jumlah sampel kecil. Ada dua cara untuk mendeteksi apakah residual berdistribusi normal atau tidak yaitu dengan analisi grafik dan uji statistik. 1. Grafik Histogram Universitas Sumatera Utara Sumber: Hasil olahan SPSS 16.00, 2012 Gambar 4.1 Histogram Dependent Variabel Gambar 4.1 ini menunjukkan kurva histogram yang memiliki kemiringan seimbang kekiri dan kekanan, atau tidak condong ke kiri maupun ke kanan, melainkan ke tengah dengan bentuk seperti lonceng. Hal ini memenuhi salah satu syarat uji normalitas data bahwa data berdistribusi normal. Namun demikian hanya dengan melihat histogram dapat menyesatkan. Metode yang lebih handal adalah dengan melihat normal probability plot. 2. Normal Probability Plot Universitas Sumatera Utara Sumber: Hasil olahan SPSS 16.00, 2012 Gambar 4.2 Normal P-Plot of Regresion Standarized Residual Gambar 4.2 ini merupakan kurva P-Plot yang menunjukkan penyebaran titik-titik data di sekitar garis diagonal dan mengikuti arah garis diagonal. Hal ini berarti data pada variabel yang digunakan, yaitu variabel dividend payout ratio, berdistribusi normal. 3. Pendekatan Kolmogorv-Smirnov Penelitian ini menggunakan Uji Statistik non-parametrik One sample Kolmogorov-Smirnov untuk mendapatkan tingkat uji normalitas yang lebih signifikan. Pada Tabel 4.2 berikut ini, diperoleh nilai Asymp. Sig 2-tailed taraf nyata α, yaitu 0.499 0.05, dengan kata lain variabel residual berdistribusi normal. Nilai kolmogorov-smirnov 0,828 lebih kecil dari 1,97 berarti tidak ada Universitas Sumatera Utara perbedaan antara distribusi teoritik dan distribusi empiric atau dengan kata lain data dikatakan normal. Tabel 4.2 One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 56 Normal Parameters a Mean .0000000 Std. Deviation .56121919 Most Extreme Differences Absolute .111 Positive .085 Negative -.111 Kolmogorov-Smirnov Z .828 Asymp. Sig. 2-tailed .499 a. Test distribution is Normal. Sumber: Hasil Olahan SPSS, 16.00, 2014 b. Uji Heteroskedastisitas Asumsi heteroskedastisitas adalah asumsi dalam regresi dimana varians dari residual tidak sama untuk satu pengamatan ke pengamatan lain. Jika varians dari residual dari suatu pengamatan ke pengamatan lain tetap, maka disebut homoskedastisitas, dan jika berbeda disebut heteroskedastisitas. Ada dua cara untuk mendeteksi keberadaan heteroskedastisitas, yaitu metode informal dan formal. Metode informal biasanya dilakukan dengan metode grafik sedangkan metode formal antara lain dengan metode perhitungan statistic seperti Park Test. Universitas Sumatera Utara S umber: Hasil olahan SPSS 16.00, 2014 Gambar 4.3 Scatterplot Standardized Predicted Value Pada Gambar 4.3 terlihat titik-titik menyebar secara acak dan tidak membentuk suatu pola tertentu yang jelas serta tersebar baik diatas maupun dibawah angka nol pada sumbu Y. Hal ini menunjukkan bahwa tidak terjadi heteroskedastisitas pada model regresi sehingga model regresi layak dipakai untuk memprediksi dividend payout ratio berdasarkan masukan jumlah variabel indepennya. Analisis dengan grafik memiliki kelemahan yang cukup signifikan. Oleh sebab itu diperlukan uji statistic yang lebih dapat menjamin keakuratan hasil. Tabel 4.3 Hasil Uji Park Coefficients a Universitas Sumatera Utara Model Unstandardized Coefficients Standardized Coefficients T Sig. B Std. Error Beta 1 Constant 12.083 8.079 1.496 .149 LnManajerial -.070 .054 -.253 -1.299 .207 LnInstitusional -2.811 1.562 -.633 -1.800 .086 LnPublik -.692 .588 -.422 -1.176 .252 LnDER .136 .192 .144 .711 .485 LnAset .019 .161 .023 .118 .907 a. Dependent Variable: LnU2i Sumber: Hasil Olahan SPSS 16.00, 2014 Dari hasil output terlihat semua variabel independen tidak signifikan sig0,05 terhadap variabel dependen. Hal ini berarti data tidak terkena heterokesdastisitas.

c. Uji Autokorelasi