9,21. Standar deviasi sebesar 1,26 menunjukan penyebaran data sangat jauh heterogen.
4.1.2. Uji Asumsi Klasik
Pengujian asumsi klasik diperlukan untuk mengetahui apakah hasil estimasi regresi yang dilakukan benar-benar bebas dari adanya gejala
heteroskedastisitas, gejala multikolonieritas, dan gejala autokorelasi. Model regresi akan dapat dijadikan estimasi yang tidak bias jika telah memenuhi
persyaratan BLUE Best Linear Unbiased Estimator yakni tidak terdapat heteroskedastisitas, tidak terdapat multikolonieritas dan tidak terdapat
autokolerasi.
4.1.2.1 Uji Normalitas
Uji normalitas bertujuan untuk mengetahui apakah variabel dependen dan independen yang digunakan dalam penelitian mempunyai ditribusi normal atau
tidak. Model regresi yang layak adalah model yang mempunyai distribusi normal. Pengujian normalitas data dalam penelitian ini menggunakan uji statistik non
parametik Kolmogorov-Smirnov K-S, yaitu untuk mengetahui apakah data sudah terdistribusi secara normal atau tidak. Hasil dari uji normalitas dengan
menggunakan tes kolmogorov-smirnov K-S adalah seperti yang terlihat pada Tabel 4.2 berikut :
Tabel 4.2. Uji Normalitas Data
CR DAR
TATO ROA
Return N
165 165
165 165
165 Normal
Parameters
a
Mean 3.0060E2
.3914 1.3510
15.1292 .6287
Std. Deviation 5.03931E
2 .18930
1.05679 1.12808E
1 1.26046
Most Extreme Differences
Absolute .285
.095 .210
.162 .227
Positive .244
.095 .210
.162 .227
Negative -.285
-.053 -.196
-.097 -.158
Kolmogorov-Smirnov Z 3.659
1.226 2.703
2.083 2.911
Asymp. Sig. 2-tailed .000
.099 .000
.000 .000
Sumber Data : SPSS 16 diolah Peneliti, 2015
Berdasarkan tabel diatas diketahui bahwa hanya variabel DAR memiliki angka signifikan sebesar 0,099 0,05 menunjukan data berdistribusi normal,
sedangkan variabel CR, TATO, ROA dan return saham memiliki angka signifikan 0,05 menunjukan data tidak berdistribusi normal.
Ghozali 2005:33 menyatakan bahwa data yang tidak terdistribusi secara normal dapat ditransformasi agar menjadi normal. Untuk menormalkan data kita
harus tahu terlebih dahulu bagaimana bentuk grafik histogram dari data yang ada apakah moderate positive skewness, substansial positive skewness, severe positive
skewness dengan bentuk L dan sebagainya. Dengan mengetahui bentuk grafik histogram maka dapat menentukan bentuk transformasinya. Berikut ini bentuk
transformasi yang dapat dilakukan sesuai dengan grafik histogram.
Tabel 4.3 Bentuk Transformasi Data
Bentuk Grafik Histogram Bentuk Transformasi
moderate positive skewness SQRTx atau akar kuadrat
substansial positive skewness LG10x atau logaritma 10 atau LN
severe positive skewness dengan bentuk L 1x atau inverse
moderate negative skewness SQRtk-x
substansial negative skewness LG10k-x
severe negative skewness dengan bentuk J 1k0x Sumber : Ghozali 2005:53
Berdasarkan beberapa cara melakukan transformasi data maka penelitian ini menggunakan transformasi substansial positive skewness dengan cara
LG10x atau logaritma 10 atau LN dikarenakan rata-rata data positif pada variabel penelitian. Berikut ini adalah hasil uji normalitas data setelah
ditransformasi.
Tabel 4.4. Uji Normalitas Data Setelah Transformasi
CR.Ln DAR.Ln TATO.Ln ROA.Ln Return.Ln
N 165
165 165
165 125
Normal Parameters
a
Mean 5.2967
-1.0661 .1624
2.4301 -.6624
Std. Deviation
.94014 .53458
.52072 .91304
1.09808 Most Extreme
Differences Absolute
.103 .095
.095 .129
.074 Positive
.063 .058
.080 .099
.067 Negative
-.103 -.095
-.095 -.129
-.074 Kolmogorov-Smirnov Z
1.329 1.215
1.219 1.654
.832 Asymp. Sig. 2-tailed
.058 .104
.102 .084
.492
Sumber Data : SPSS 16 diolah Peneliti, 2015 Berdasarkan tabel diatas diketahui bahwa variabel likuiditas CR
memiliki angka signifikan sebesar 0,058 0,05, variabel leverage DAR memiliki angka signifikan sebesar 0,104 0,05, variabel aktivitas TATO
memiliki angka signifikan sebesar 0,102 0,05, variabel profitabilitas ROA memiliki angka signifikan sebesar 0,084 0,05 dan return saham memiliki angka
signifikan sebesar 0,492 0,05. Hal ini menunjukan bahwa semua data variabel sudah berdistribusi normal dan layak untuk dilakukan analisis regresi linier
berganda. Selain dengan menggunakan uji Kolmogrov-Smirnov K-S, untuk
mengetahui normalitas data secara kasat mata kita bisa melihat grafik histogram dari data yang membentuk kurva normal atau tidak dari grafik PP Plots. Suatu
data akan terdistribusi secara normal jika nilai probabilitas yang diharapkan adalah sama dengan nilai probabilitas harapan dan probabilitas pengamatan
ditunjukan dengan garis diagonal yang merupakan perpotongan antara garis probabilitas harapan dan probabilitas pengamatan. Pada prinsipnya normalitas
dapat dideteksi dengan melihat penyebaran data titik pada sumbu diagonal dari grafik atau dengan melihat histogram dari residualnya. Dasar pengambilan
keputusan adalah : 1. Jika data menyebar disekitar garis diagonal dan mengikuti arah garis
diagonal atau grafik histogramnya menunjukkan pola distribusi normal, maka model regresi memenuhi asumsi normalitas.
2. Jika data menyebar jauh dari diagonal danatau tidak mengikuti arah garis diagonal atau grafik histogram tidak menunjukkan pola distribusi normal,
maka model regresi tidak memenuhi asumsi normalitas. Suatu data akan terdistribusi secara normal jika nilai probabilitas yang
diharapkan adalah sama dengan nilai probabilitas harapan dan probabilitas
pengamatan ditunjukkan dengan garis diagonal yang merupakan perpotongan antara garis probabilitas harapan dan probabilitas pengamatan. Berikut ini
merupakan pengujian hasil normalitas data dalam bentuk grafik histogram dan kurva P-P Plots seperti yang terlihat pada gambar berikut :
Gambar 4.1. Grafik Histogram Setelah Transformasi
Pola distribusi normal dapat dilihat dengan tampilan histogram pada Gambar 4.1. menampilkan bahwa tampilan grafik histogram memberikan pola
distribusi normal dengan penyebaran secara merata baik ke kiri maupun ke kanan.
Gambar 4.2. Kurva PP-Plots Setelah Transformasi
Gambar 4.2. menunjukkan titik-titik mendekati atau tidak meyebar jauh dari titik diagonal.
4.1.2.2. Uji Multikolonieritas