Uji Asumsi Klasik ANALISIS DATA DAN

commit to user TL 1,237 0,094 normal UDW 2,396 0,000 normal AUD 2,979 0,000 normal dummy variable Sumber : data diolah

D. UJI HIPOTESIS MODEL I

1. Uji Asumsi Klasik

Sebelum dilakukan analisis regresi maka perlu dilakukan pengujian asumsi klasik terlebih dahulu agar model yang digunakan dapat menunjukkan hubungan yang akurat. Adapun uji asumsi klasik yang akan dipakai dalam hipotesis model I ini adalah uji multikolinearitas, uji autokorelasi, dan uji heteroskedastisitas. · Uji Autokorelasi Uji autokorelasi ini digunakan untuk menguji apakah dalam sebuah model regresi linier ada korelasi antara kesalahan penganggu pada periode t dengan kesalahan pada periode t-1. Model regresi yang baik adalah model yang bebas dari autokorelasi. Untuk menguji apakah terdapat autokorelasi atau tidak dilakukan pengujian dengan uji Durbin-Watson DW Test, yaitu dengan membandingkan nilai tabel Durbin-Watson dengan nilai Durbin-Watson yang diperoleh dari perhitungan regresi. Nilai DW yang didapat dari hasil SPSS akan kita bandingkan dengan nilai tabel dengan menggunakan signifikan 5 jumlah sampel 50 dan jumlah sampel independen 5. Bila DW lebih dari batas atas du dan kurang dari 4 – du, maka dinyatakan tidak terjadi autokorelasi. Jika nilai DW commit to user berkisar antara 1,771 sampai dengan 2.229 maka tidak terjadi autokorelasi. Hasil perhitungan uji autokorelasi hipotesis model I dapat dilihat pada tabel berikut : Hasil uji DW didapat 1,708 angka tersebut tidak berada diantara 1.771 dan 2.299. Oleh karena itu dapat disimpulkan bahwa ada gangguan autokorelasi. Salah satu alternatif untuk mengatasi model regresi linear yang terkena gangguan autokorelasi adalah dengan melakukan transformasi data generalized least squares dan Prais-Winsten tranformation. Hasilnya dapat dilihat dari table berikut: TABEL IV.4 Hasil Uji Durbin-Watson Setelah Transformasi Data Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .433 a .187 .095 .23289 1.935 a. Predictors: Constant, IP, FL, OCF, ROA, FS b. Dependent Variable: IPORETN Sumber : data diolah Setelah dilakukan transformasi data didapat nilai DW 1,935 angka tersebut berada diantara 1.771 dan 2.299. Hal ini berarti bahwa gangguan autokorelasi dapat teratasi setelah dilakukan transformasi data. · Uji Multikolinearitas commit to user Uji Multikolinieritas digunakan untuk menunjukkan ada tidaknya hubungan linier diantara variabel-variabel independent dengan model regresi. Pengujian ini dilakukan dengan menggunakan tolerance value dan VIF dengan kriteria pengujian sebagai berikut: jika tolerance value 0,01 maka terjadi multikolinieritas jika tolerance value 0,01atau VIF 10 maka tidak terjadi multikolinieritas Hasil uji multikolinieritas dapat dilihat pada tabel berikut ini: TABEL IV.5 Hasil Uji Multikolineritas Variabel VIF Tolerance value Asumsi Multikolinieritas ROA 1,177 0,850 tidak terjadi multikolinieritas FL 1,051 0,952 tidak terjadi multikolinieritas FS 1,253 0,798 tidak terjadi multikolinieritas OCF 1,037 0,965 tidak terjadi multikolinieritas IP 1,389 0,720 tidak terjadi multikolinieritas Sumber : data diolah Tabel di atas menunjukkan bahwa dalam penelitian ini variabel-variabel bebas memiliki angka VIF dibawah 10 dan nilai tolerance diatas 0,1. Oleh karena itu dapat disimpulkan bahwa tidak ada multikolinieritas antara variabel satu dengan variabel yang lainnya, maka semua variabel bebas yang diuji dapat digunakan dalam regresi berganda. · Uji Heteroskedastisitas commit to user Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan dari residual satu pengamatan ke pengamatan yang lain. Jika variance 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. Masalah heteroskedastisitas dalam penelitian ini dideteksi dengan melihat residual plot persamaan regresi, jika ada pola tertentu, seperti titik-titik yang ada membentuk suatu pola yang teratur maka telah terjadi heteroskedastisitas. Berdasarkan gambar diatas, maka dapat diasumsikan bahwa tidak terjadi heterokedastisitas. Hal ini berdasarkan gambar grafik dimana titik- titik yang ada dalam grafik tersebut tidak membentuk pola tertentu yang jelas dan titik-titik tersebut tersebar di atas dan di bawah angka 0 pada sumbu Y. commit to user · Uji Normalitas Regresi Berganda Model I TABEL IV.6 One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 50 Normal Parameters a,,b Mean .0000000 Std. Deviation .22068800 Most Extreme Differences Absolute .116 Positive .116 Negative -.090 Kolmogorov-Smirnov Z .823 Asymp. Sig. 2-tailed .508 a. Test distribution is Normal. b. Calculated from data. Sumber : data diolah Karena Sig . 0,05 maka regresi model I terdistribusi normal.

2. Analisis Persamaan Regresi Berganda Model I