73
6. Variabel Investment Opportunity Set moderating yang di proksi kan oleh market to book value of equity MBVE memiliki jumlah sampel 72,
dengan nilai minimum sebesar 0,43, nilai maksimum sebesar 5,59, mean nilai rata-rata sebesar 1,6760 dan standart deviation simpangan baku
sebesar 1,25014.
4.2.2 Pengujian Data
Sebelum dilakukannya uji asumsi klasik maka penelitian ini melakukan pembersihan data terlebih dahulu yaitu dengan mengoutlier data penelitian.
Setelah data dioutlier maka data penelitian yang awalnya berjumlah 81 menjadi 72. Adapun langkah-langkah dalam melakukan outlier tersebut adalah
www.widhiarso.staff.ugm.ac.id : a. Tambahkan satu kolom pada data view dengan memberi nomor subjek
b. Kemudian pilih analyze – regression - liniear kemudian masukkan
nomor subjek menjadi variabel dependen dan variabel x, y dan z pada variabel independen. Kemudian klik save dan checklist deleted pada
bagian residual dan pada bagian distance checklist mahalanobis, kemudian klik continue dan ok. Maka akan muncul kolom baru pada
data view yaitu kolom mahal. c. Lihat hasil output pada tabel residual statistic data angka pada bagian
mahal maksimum, data yang tertera pada tabel tersebut kemudian dihapus pada data view kolom mahal.
d. Regresi ulang sehingga data penelitian hingga menjadi lebih baik.
74
4.2.3 Pengujian Asumsi Klasik
Uji asumsi klasik dilakukan untuk melihat apakah data telah terdistribusi dengan normal dengan uji normalitas, dan untuk melihat apakah penelitian
tersebut terjadi multikolinearitas, heteroskedasitas, dan autokorelasi atau tidak. 1. Uji Normalitas
Uji Normalitas residual bertujuan untuk menguji apakah dalam model regresi, variabel penganggu atau residual memiliki distribusi normal Ghozali,
2013:160. Cara yang digunakan untuk mendekteksi apakah residual berdistribusi
normal atau tidak adalah dengan desain grafik dan uji Kolmogorov - Smirnov.
Sumber: Hasil Penelitian, 2015 Data Diolah
Gambar 4.1 Grafik Histogram
75
Dengan melihat tampilan grafik histogram dapat disimpulkan bahwa grafik tersebut memberikan pola distribusi yang normal, karena kurvanya tidak
miring ke kiri atau ke kanan. Untuk lebih menjelaskan bahwa data yang diuji berdistribusi normal dapat juga dilihat dengan grafik normal probability plot yang
menunjukkan titik-titik menyebar disekitar garis diagonal, sebagaimana ditampilkan pada Gambar 4.2 berikut:
Sumber: Hasil Penelitian, 2015 Data Diolah
Gambar 4.2 Grafik
Normal Plot
Cara lain untuk melihat distribusi data normal atau tidak adalah dengan melakukan uji Kolmogrov-Smirnov. Dengan menggunakan tingkat signifikan
sebesar 5, maka jika nilai Asymp Sig. 2-tailed diatas 5 artinya variabel residual berdistribusi normal. Untuk lebih jelas dapat dilihat pada Tabel 4.2
76
Tabel 4.2 Hasil Uji Kolmogrov-Smirnov
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 72
Normal Parameters
a,,b
Mean .0000000
Std. Deviation .83206653
Most Extreme Differences Absolute
.145 Positive
.145 Negative
-.099 Kolmogorov-Smirnov Z
1.233 Asymp. Sig. 2-tailed
.096 a. Test distribution is Normal.
b. Calculated from data.
Sumber: Hasil Penelitian, 2015 Data Diolah Pada Tabel 4.2 memperlihatkan nilai Asymp Sig. 2-tailed adalah 0,096
dan diatas nilai signifikansi 0,05. Dengan kata lain variabel residual berdistribusi normal.
2. Uji Multikoloniearitas Uji multikoleniaritas bertujuan untuk menguji apakah model regresi
ditemukan adanya korelasi antar variabel bebas independen. Dalam penelitian ini uji multikolonieritas dapat dilihat dari nilai tolarance dan variance inflation
factor VIF Ghazali, 2013:105. Multikolonieritas tidak terjadi jika VIF 10 dan nilai tolerance 0,10.
77
Tabel 4.3 Hasi Uji Multikolonieritas
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity Statistics
B Std. Error
Beta Tolerance
VIF 1
Constant 1.682
.655 2.567
.013 FCF
.786 .627
.148 1.253
.215 .932
1.072 MAN
-.038 .016
-.358 -2.425
.018 .599
1.669 INST
-.003 .006
-.073 -.464
.644 .524
1.909 SIZE
.005 .026
.022 .177
.860 .853
1.173 MBVE
-.049 .085
-.069 -.579
.564 .928
1.078 a. Dependent Variable: DER
Sumber: Hasil Penelitian, 2015 Data diolah Dapat dilihat pada Tabel 4.3 hasil perhitungan tolerance menunjukkan
tidak ada variabel independen yang memiliki nilai tolerance kurang dari 0,10 yang berarti tidak ada korelasi antar variabel independen. Hasil perhitungan nilai
Variance Inflation Factor VIF juga menunjukkan hal yang sama, tidak ada satu variabel independen yang memiliki nilai VIF lebih dari 10. Jadi dapat disimpulkan
bahwa tidak ada multikolonieritas antar variabel independen dalam model regresi. 3. Uji Heterokdesitas
Uji heteroskedastisitas digunakan untuk mengetahui apakah dalam model regresi terjadi ketidaksamaan varians dari residual satu pengamatan ke
pengamatan yang lain. Model regresi yang baik adalah yang homokedastisitas atau tidak terjadi heterokedastisitas Ghozali, 2013:139. Beberapa cara untuk
mendekteksi ada atau tidaknya heteroskedasitas dengan cara melihat Grafik Plot dan Uji Glejser.
78
Sumber: Hasil Penelitian, 2015 Data diolah
Gambar 4.3 Grafik
Scatter Plot
Gambar 4.3 memperlihatkan bahwa titik-titik menyebar secara acak serta tersebar baik diatas maupun dibawah angka 0 pada sumbu Y. Hal ini dapat
disimpulkan bahwa tidak terjadi heteroskedasitas pada model regresi, sehingga model regresi ini layak untuk digunakan.
Tabel 4.4 Hasil Uji Glejser
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error
Beta 1
Constant 1.181
.359 3.293
.002 FCF
.399 .343
.141 1.162
.249 MAN
-.009 .008
-.161 -1.064
.291 INST
.002 .004
.089 .548
.585 SIZE
-.020 .014
-.180 -1.418
.161 MBVE
-.003 .047
-.008 -.067
.947 a. Dependent Variable: ABSUT
79
Berdasarkan hasil Tabel 4.4 menunjukkan bahwa hasil signifikansi lebih besar dari 0,05 sehingga pada kelima variabel independen tersebut tidak terjadi
heteroskedasitas. 4. Uji Autokorelasi
Uji autokorelasi bertujuan menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan
pengganggu pada periode t-1 sebelumnya. Menurut Ghazali 2013:110 untuk mendeteksi ada atau tidaknya autokorelasi dapat menggunakan uji Durbin-Watson
DW test.
Tabel 4.5 Hasil Uji Durbin-Watson
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .373
a
.139 .074
.86301 1.583
a. Predictors: Constant, MBVE, SIZE, MAN, FCF, INST b. Dependent Variable: DER
Sumber: Hasil Penelitian, 2015 Data diolah Berdasarkan uji autokorelasi pada Tabel 4.5 menunjukkan bahwa nilai
Durbin-Watson sebesar 1,583. Nilai d dibandingkan dengan nilai dl dan du pada n = 72 dan k = 5 sehingga diperoleh nilai dl sebesar 1,464 dan du sebesar 1,768. Hal
ini tidak sesuai dengan ketentuan du d 4-du, yaitu 1,768 1,583 2,232 yang menunjukkan bahwa tidak terdefinisi, maka jika DW tidak dapat
menyimpulkan maka dilakukan Run-Test.
80
Tabel 4.6 Uji
Run-Test
Runs Test
Unstandardized Residual
Test Value
a
-.25617 Cases Test Value
36 Cases = Test Value
36 Total Cases
72 Number of Runs
31 Z
-1.424 Asymp. Sig. 2-tailed
.154 a. Median
Sumber: Hasil Penelitian, 2015 Data Diolah
Dapat dilihat dari Tabel 4.6 bahwa Asymp. Sig. 2-tailed lebih besar dari tingkat signifikansi 0,05 yaitu sebesar 0,154. Maka dapat disimpulkan bahwa dalam
penelitian ini tidak terdapat autokorelasi.
4.2.4 Moderate Regression Analysis MRA