Uji Asumsi Klasik

B. Uji Asumsi Klasik

a. Uji Multikolonieritas Uji multikolonieritas bertujuan untuk menguji apakah dalam model regresi ditemukan adanya korelasi antar variabel independen. Model regresi yang baik mengindikasikan tidak terjadi korelasi antar variabel independen (Ghozali, 2006).

Tabel 4.3

Hasil Pengujian Koefisien Korelasi

commit to user

firm_ value

lingk profitabilitas roa Leverage firm_ value

0.253 -0.720 size

-0.137 -0.073 -0.192 length_listing -0.281 0.126

-0.043 -0.200 0.052 tato

-0.228 -0.072 kinerja_lingk 0.018 -0.401

-0.060 0.258 profitabilitas 0.098 -0.137

Sumber: Hasil Pengolahan Data

Melihat hasil besaran korelasi antar variabel independen pada tabel 4.3 di atas, tampak bahwa variabel firm_value mempunyai korelasi yang tinggi dengan variabel leverage dengan tingkat korelasi -0.720 atau 72%, variabel profitabitas mempunyai korelasi yang tinggi dengan variabel ROA dengan tingkat korelasi -0.481 atau 48.1%, serta variabel size mempunyai korelasi yang tinggi dengan variabel kinerja_lingkungan dengan tingkat korelasi -0.401 atau 40.1%, namun keseluruhan korelasi masih di bawah 95%, oleh karena itu dapat disimpulkan tidak terjadi multikolonieritas.

Seperti tampak pada tabel 4.4 di bawah ini, hasil perhitungan nilai tolerance diatas 0.10 menunjukkan tidak ada korelasi antar variabel independen yang nilainya lebih dari 95%. Hasil perhitungan nilai VIF (Variance Inflation Factor) kurang dari 10 menunjukkan tidak ada multikolonieritas antar variabel independen dalam model regresi ini.

Tabel 4.4

commit to user

Hasil Pengujian Multikolonieritas

Collinearity Statistics

B Std. Error

Beta

Tolerance VIF Konstanta

kinerja_lingk

0.778 1.286 length_listing

0.821 1.217 firm_value

0.248 4.035 Sumber: Hasil Pengolahan Data

b. 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) sebelumnya (Ghozali, 2006).

Pada tabel 4.5 di bawah ini tampak bahwa nilai DW sebesar 2.018. Dibandingkan dengan tabel Durbin-Watson (dengan signifikansi 5%), jumlah sampel 70 (n=70) dan jumlah variabel independen 8 (k=8), didapati du=1.873. Oleh karena nilai DW 2.018 lebih besar dari batas atas (du) 1.873 dan kurang dari 4-du (4-1.873), maka dapat disimpulkan tidak terdapat autokorelasi.

Tabel 4.5

commit to user

Hasil Pengujian Durbin-Watson

Model

R Square

Adjusted R

Square

Std. Error of the Estimate

Durbin- Watson

Sumber: Hasil Pengolahan Data

c. Uji Heteroskedastisitas Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Model regresi yang baik adalah yang homokedastisitas atau tidak terjadi heteroskedastisitas (Ghozali, 2006).

Gambar 4.1 Scatterplot

Dari grafik scatterplots pada gambar 4.1 di atas terlihat bahwa titik- titik menyebar secara acak dan tersebar baik di atas maupun di bawah angka 0 pada sumbu Y. Oleh karena itu dapat disimpulkan tidak terjadi heteroskedastisitas pada model regresi ini.

Tabel 4.6 Hasil Pengujian Glejser

commit to user

Model

Unstandardized Coefficients

Standardized

Coefficients

t B Sig. Std. Error Beta Konstanta

0.166

1.034

0.161 0.873 kinerja_lingk

-0.859 0.394 length_listing

1.688 0.096 firm_value

Sumber: Hasil Pengolahan Data

Hasil uji glejser pada tabel 4.6 di atas menunjukkan probabilitas signifikansinya di atas tingkat kepercayaan 5%. Hasil uji glejser pada tabel 4.6 konsisten dengan hasil uji scatterplots pada gambar 4.1 yang menunjukkan bahwa tidak terdapat heteroskedastisitas.

d. Uji Normalitas Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal (Ghozali, 2006). Beberapa cara untuk mendeteksi adanya normalitas dengan uji Kolmogorov-Smirnov dan analisis grafik baik histogram maupun P-P Plot (Ghozali, 2006).

Tabel 4.7

One Sample Kolmogorov-Smirnov Test

commit to user

Unstandardized Residual N

70 Normal Parameters

Mean

0.0000000

Std. Deviation

2.01884852 Most Extreme Differences

-0.053 Kolmogorov-Smirnov Z

0.535 Asymp. Sig. (2-tailed)

0.937

Nilai K-S dengan sig. > 0.05 menyatakan bahwa data terdistribusi secara normal. Besarnya nilai K-S pada tabel 4.7 adalah 0.535 dan signifikan pada 0.937, hal ini menunjukkan data residual terdistribusi normal.

Gambar 4.2 Histogram

Gambar 4.3 P-P Plot

commit to user

Hasil analisis grafik yang digambarkan melalui histogram pada gambar

4.2 dan PP plots pada gambar 4.3 konsisten dengan hasil uji K-S pada tabel

4.7. Histogram dan PP plots memberikan pola normal dan terlihat titik-titik tersebar di sekitar garis diagonal.