ROA menunjukkan nilai mean sebesar 20,9959 dan standar deviasi sebesar 16,32772. Variabel Debt to Equity Ratio DER menunjukkan nilai mean sebesar
1,1851 dan nilai standar deviasi sebesar 1,62469. Variabel firm size FS 15,2300 dan nilai standar deviasi sebesar 3,90145. Variabel Growth Potential GP
menunjukkan nilai mean sebesar 12,7026 dan nilai standar deviasi sebesar 10,74716.
4.2. Hasil Analisis
4.2.1. Uji Asumsi Klasik
Model regresi dalam penelitian dapat digunakan untuk estimasi dengan signifikan dan representatif jika model regresi tersebut tidak
menyimpang dari asumsi dasar klasik regresi berupa: normalitas, autokorelasi, heterokedastisitas dan multikolinearitas. Berikut ini
dipaparkan hasil asumsi klasik atas data yang digunakan dalam penelitian.
4.2.1.1 Uji Normalitas Data
Uji Normalitas data dilakukan untuk menguji apakah data terdistribusi secara normal. Model regresi yang baik adalah model regresi
yang memiliki distribusi nilai residual normal atau mendekati normal.Pengujian normalitas dalam penelitian ini dilakukan menggunakan
alat uji Kolmogorov-Smirnov dengan nilai residu atas persamaan model regresi yang digunakan dalam penelitian. Kriteria yang digunakan adalah
dengan membandingkan probability value yang diperoleh dengan pedoman pengambilan keputusan bahwa: jika probability value 0,05
maka data terdistribusi normal dan jika probability value 0,05 maka
data terdistribusi tidak normal. Hasil uji normalitas dapat dilihat dalam tabel 4.4 berikut ini.
Tabel 4.2 Uji Normalitas Data
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 93
Normal Parameters
a
Mean .0000000
Std. Deviation 24.66713398
Most Extreme Differences Absolute
.101 Positive
.101 Negative
-.093 Kolmogorov-Smirnov Z
.969 Asymp. Sig. 2-tailed
.304 a. Test distribution is Normal.
Hasil uji normalitas seperti tersaji di atas menunjukkan bahwa data penelitian telah teredistribusi normal yang dibuktikan dengan asymp
sig. sebesar 0,055 yang lebih besar dari tingkat signifikansi penelitian 5. Oleh karena data penelitian telah terdistribusi normal, maka data dapat
digunakan dalam pengujian dengan model regresi berganda.
4.2.1.2 Uji Multikolinieritas
Uji Multikolinieritas digunakan untuk menunjukkan ada tidaknya hubungan linier di antara variabel-variabel independen dengan model
regresi. Pengujian ini dilakukan dengan menggunakan tolerance value dan variance inflation factor VIF dengan kriteria, jika tolerance value
0,01 dan VIF 10 maka terjadi multikolinieritas dan jika tolerance value
0,01 atau VIF 10 maka tidak terjadi multikolinieritas. Hasil uji multikolinieritas dapat dilihat pada tabel berikut ini.
Tabel 4.3 Hasil Uji Multikolinieritas
Model Collinearity Statistics
Tolerance VIF
1 Constant
FCF .993
1.007 ROA
.902 1.108
DER .988
1.012 FS
.826 1.210
GP .907
1.103
Tabel di atas menunjukkan bahwa nilai tolerance untuk semua variabel dalam tiap-tiap model regresi lebih besar dari 0,1 dan nilai value
inflating factor untuk semua variabel dalam tiap-tiap model regresi lebih kecil dari 10. Hasil pengujian ini mengindikasikan bahwa dalam model-
model regresi yang digunakan dalam penelitian ini tidak terjadi gejala multikolinieritas atau seluruh variabel dalam model-model penelitian ini
homokedastisitas.
4.2.1.3. Uji Heteroskedastisitas
Uji heteroskedastisitas dilakukan untuk menguji apakah dalam model regresi linier berganda terjadi ketidaksamaan variance dari residual
satu pengamatan ke pengamatan yang lain. Model regresi yang baik adalah
yang homoskedastisitas atau tidak terjadi heteroskedastisitas. Untuk uji heteroskedastisitas pada penelitian ini dengan melihat grafik plot antara
nilai prediksi variabel dependen dengan residualnya, dengan dasar analisis sebagai berikut :
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 4.1 Uji Heteroskedastisitas
Dari Gambar 4.1 di atas terlihat bahwa titik-titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka 0 pada Hal sumbu
Y. ini dapat disimpulkan bahwa model regresi linier berganda dalam penelitian ini tidak mengandung adanya heteroskedastisitas.
4.2.1.4. Uji Autokorelasi
Uji autokorelasi bertujuan untuk mengetahui apakah dalam suatu model regresi berganda terdapat korelasi antara pengganggu pada periode t
dengan kesalahan pada periode t-1 sebelumnya Ghozali, 2001. Alat analisis yang digunakan adalah uji Durbin – Watson Statistic. Model
regresi yang baik adalah tidak mengandung autokorelasi.
Tabel 4.4 Nilai Statistik Durbin-Watson
Model Summary
b
Model R
R Square Adjusted R Square
Std. Error of the Estimate
Durbin-Watson 1
.546
a
.298 .257
25.36606 1.953
a. Predictors: Constant, GP, ROA, FCF, DER, FS b. Dependent Variable: DPR
Nilai statistik Durbin Watson D-W sebesar 1,953. Tabel D-W menunjukkan DW
U
untuk k = 5 dan n = 93 , α = 0,05 adalah 1,611 dan 1,702.
Berarti DW
U
DW 2 1,77 1,953 2, sehingga dapat disimpulkan bahwa tidak terjadi autokorelasi.
4.2.2. Analisis Regresi
