Uji Asumsi Klasik .1 HASIL DAN PEMBAHASAN

52 deviasi 14.19744. Hal ini menunjukkan nilai minimun ROI perusahaan manufaktur yang menjadi sampel penelitian dari tahun 2008 sampai tahun 2010 adalah -61.85 dan nilai maksimum sebesar 41.16 dengan rata- rata nilai ROI sebesar 10.9694 dengan standar deviasi 14.19744 dan jumlah sampel N adalah 90. f. Variabel Pertumbuhan Laba memiliki nilai minimum -25.12 dan nilai maksimum 133.80 dengan rata-rata sebesar 1.6325 dan standar deviasi 14.44335. Hal ini menunjukkan nilai minimun Pertumbuhan Laba perusahaan manufaktur yang menjadi sampel penelitian dari tahun 2008 sampai tahun 2010 adalah -25.12 dan nilai maksimum sebesar 133.80 dengan rata-rata nilai pertumbuhan laba sebesar 1.6325 dengan standar deviasi 14.44335 dan jumlah sampel N adalah 90. 4.3 Uji Asumsi Klasik 4.3.1 Uji Normalitas Uji normalitas data bertujuan untuk menguji apakah variabel residual berdistribusi normal atau tidak. Pengujian normalitas data dalam penelitian ini menggunakan uji statistik non parametrik Kolmogrov- Smirnov K-S dengan membuat hipotesis : Ho : data residual berdistribusi normal, Ha : data residual tidak berdistribusi normal. 53 Apabila nilai signifikan lebih besar dari 0.05 maka Ho diterima dan Ha ditolak, sebaliknya jika nilai signifikan lebih kecil dari 0.05 maka Ho ditolak dan Ha diterima. Tabel 4.3 Hasil Uji Kolmogorov-Smirnov One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 90 Normal Parameters a,,b Mean .0000000 Std. Deviation 14.0636080 1 Most Extreme Differences Absolute .394 Positive .394 Negative -.338 Kolmogorov-Smirnov Z 3.742 Asymp. Sig. 2-tailed .000 a. Test distribution is Normal. b. Calculated from data. Sumber : Data diolah oleh penulis 2012 Berdasarkan hasil pengolahan data pada tabel 4.3 terlihat bahwa besarnya nilai kolmogorov-Smirnov adalah 3.742 dan nilai asymp. Sig 2- tailed adalah 0.000. Nilai signifikan teryata lebih kecil dari 0.05, maka Ha diterima yang berarti data residual tersebut tidak berdistribusi normal. Data yang tidak terdistribusi normal dapat disebabkan oleh adanya data yang outlier, yaitu data yang memiliki nilai yang sangat menyimpang dari nilai data lainnya. 54 Untuk mengatasi data yang berdistribusi tidak normal ada beberapa cara yang dapat dilakukan. Salah satunya adalah dengan melakukan transformasi data ke dalam bentuk logaritma natural Ln yaitu dari Pertumbuhan Laba = fCR, DER, TATO, NPM, ROI menjadi Ln_Pertumbuhan Laba = fLn_CR, Ln_DER, Ln_TATO, Ln_NPM, Ln_ROI. Transformasi data ke dalam bentuk logaritma natural menyebabkan data yang bernilai negatif tidak dapat ditransformasikan sehingga menghasilkan missing values. Setiap data yang terdapat missing values akan dihilangkan dan diperoleh jumlah sampel yang valid menjadi 64 pengamatan. Kemudian data diuji kembali berdasarkan asumsi normalitas, berikut ini hasil penelitian pengujian dengan Kolmogorov-Smirnov setelah transformasi. 55 Tabel 4.4 Hasil Uji Kolmogorov-Smirnov One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 64 Normal Parameters a,,b Mean .0000000 Std. Deviation 1.38860807 Most Extreme Differences Absolute .114 Positive .114 Negative -.109 Kolmogorov-Smirnov Z .911 Asymp. Sig. 2-tailed .378 a. Test distribution is Normal. b. Calculated from data. Sumber : Data diolah oleh penulis 2012 Dari hasil pengolahan data Tabel 4.4 diperoleh besarnya nilai Kolmogorov-Smirnov adalah 0,911 dan signifikan pada 0,378. Nilai signifikan lebih besar dari 0,05 maka Ho diterima yang berarti data residual berdistribusi normal. Data yang berdistribusi normal tersebut juga dapat dilihat pada grafik histogram dan grafik p-plot data. 56 Gambar 4.1 Grafik Histogram Sumber : Data diolah penulis, 2012 Pada grafik histogram di atas terlihat bahwa variabel pertumbuhan laba berdistribusi normal. Hal ini ditunjukkan oleh data tersebut tidak menceng ke kiri atau menceng ke kanan. 57 Gambar 4.2 Grafik normal P-P Plot Sumber : Data diolah penulis, 2012 Grafik normal p-p plot pada gambar 4.2 menunjukkan bahwa data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal. Berdasarkan hal ini dapat disimpulkan bahwa data berdistribusi normal. 58

4.3.2 Uji Multikolinieritas

Uji Multikolinieritas bertujuan untuk menguji apakah pada model regresi ditemukan adanya korelasi antar variabel independen. Model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel independen. Berikut ini disajikan cara mendeteksi multikolinearitas dengan menganalisis matrik korelasi antar variabel independen dan perhitungan nilai Tolerance dan Variance Inflation Factor VIF. Kriteria pengambilan keputusannya adalah sebagai berikut Situmorang, et al, 2008:104: 1 Jika nilai Tolerance 0,1 atau nilai VIF 10, maka tidak terjadi multikolinearitas. 2 Jika nilai Tolerance 0,1 atau nilai VIF 10, maka terjadi multikolinearitas. Tabel 4.5 Uji Multikolineritas Model Collinearity Statistics Tolerance VIF 1 Constant LNCR .385 2.596 LNDER .383 2.612 LNTATO .855 1.169 LNNPM .696 1.436 LNROI .690 1.449 a. Dependent Variable: LNpertumbuhanlaba Sumber : Diolah peneliti 2012 59 Berdasarkan Tabel 4.5 menunjukkan seluruh nilai Tolerance 0,1 dan seluruh nilai VIF 10. Dengan ini dapat disimpulkan bahwa semua data variabel tidak terkena atau terjadi multikolinearitas.

4.3.3 Uji Heteroskedastisitas.

Uji heterokedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Jika varians dari residual satu pengamatan ke pengamatan yang lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik adalah yang homoskedastisitas atau tidak terjadi heteroskedastisitas Situmorang et al, 2008:65. Cara untuk mendeteksi ada atau tidaknya heteroskedastisitas pada suatu model regresi dapat dilihat dari pola gambar scatterplot model regresi tersebut. Analisis terhadap gambar scatterplot yang menyatakan bahwa suatu model regresi tidak terdapat heteroskedastisitas apabila titik-titik data menyebar di atas dan dibawah atau di sekitar angka 0 serta penyebaran titik- titik data tersebut tidak berpola. Berikut ini adalah gambar scatterplot untuk model regresi dalam penelitian ini. 60 Gambar 4.3 Scatter Plot Uji Heteroskedastisitas Sumber : Data diolah penulis, 2012 Berdasarkan Gambar 4.3, terlihat titik-titik menyebar secara acak tidak membentuk sebuah pola tertentu yang jelas serta tersebar baik di atas maupun di bawah angka nol pada sumbu Y. Hal ini dapat disimpulkan bahwa tidak terjadi heterokedastisitas pada model regresi, sehingga model regresi layak dipakai untuk memprediksi Pertumbuhan Laba perusahaan manufaktur yang terdaftar di BEI berdasarkan masukan variabel independen CR, DER, TATO, NPM dan ROI.

4.3.4 Uji Autokorelasi

Dalam uji autokolerasi ini kita dapat menguji apakah dalam model regresi linier ada kolerasi antara kesalahan pengganggu pada periode t dengan kesalahan-kesalahan pengganggu pada periode sebelumnya. Jika terjadi autokorelasi dalam model regresi berarti koefisien korelasi yang diperoleh menjadi tidak akurat. Sehingga model regresi yang baik adalah model regresi yang bebas autokorelasi. Cara yang dapat dilakukan untuk 61 mendeteksi ada atau tidaknya autokorelasi adalah dengan melakukan pengujian Durbin-Watson D-W. Hasil uji Durbin-Watson ditunjukkan pada tabel berikut ini : Tabel 4.6 Uji Autokorelasi Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate Durbin- Watson .411 a .169 .098 1.44722 1.824 a. Predictors: Constant, LN ROI, LN CR, LN TATO, LN NPM, LN DER b. Dependent Variable: LN_Pertumbuhan Laba Sumber : Diolah penulis, 2012 Kriteria untuk penilaian terjadinya autokorelasi yaitu: 1 Nilai D-W lebih besar dari 0 dan lebih kecil dari dl maka tidak ada autokorelsi positif 2 Nilai D-W lebih besar dari 4-dl dan lebih kecil dari 4 maka ada autokorelsi positif 3 Nilai D-W lebih besar du dan lebih kecil dari 4-du maka tidak ada korelasi negative, tidak ada autokorelasi positif atau negative. Dari hasil tabel diatas diketahui bahwa nilai nilai D-W adalah : 1.76721.8242.2328 yang berarti termasuk pada kriteria ketiga, sehingga dapat disimpulkan bahwa model regresi bebas dari masalah autokorelasi. 62

4.4 Pengujian Hipotesis