lxxi
C. Pengujian Asumsi Klasik
Untuk menghasilkan suatu model regresi yang baik, analisis regresi memerlukan pengujian asumsi klasik sebelum melakukan pengujian hipotesis.
Apabila terjadi penyimpangan dalam pengujian asumsi klasik perlu dilakukan perbaikan terlebih dahulu.
1. Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah variabel residual berdistribusi normal. Uji statistik yang dapat digunakan untuk menguji apakah residual
berdistribusi normal adalah uji statistik non parametrik Kolmogorov-Smirnov K- S dengan membuat hipotesis.
H0 : Data residual berdistribusi normal HA : Data residual tidak berdistribusi normal
Apabila nilai signifikansi lebih besar dari 0.05, maka H0 diterima dan sebaliknya jika nilai signifikansi lebih kecil dari 0.05, maka H0 ditolak atau HA diterima.
Tabel 4.6 Hasil Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 99
Normal Parametersa,b Mean .0000000
Std. Deviation 18.69375751
Most Extreme Differences
Absolute .378
Positive .378
Negative -.286
Kolmogorov-Smirnov Z 3.756
Asymp. Sig. 2-tailed .000
Sumber: Data diolah penulis, 2008
Universitas Sumatera Utara
lxxii Dari hasil pengolahan data pada tabel 4.6 diperoleh besarnya nilai
Kolmogorov-Smirnov adalah 3.756 dan signifikan pada 0.000. Nilai siginifikansi lebih kecil dari 0.05, maka H0 ditolak yang berarti data residual berdistribusi tidak
normal. Data yang tidak berdistribusi normal dapat disebabkan oleh adanya data yang outlier yaitu data yang memiliki nilai yang sangat menyimpang dari nilai
data lainnya. Beberapa cara mengatasi data outlier menurut Erlina 106 : 2007 yaitu:
− lakukan transformasi data ke bentuk lainnya, − lakukan trimming, yaitu membuang data outlier
− lakukan winsorizing, yaitu mengubah nilai data yang outlier ke suatu nilai tertentu.
Untuk mengubah nilai residual agar berdistribusi normal, penulis melakukan transformasi data ke model logaritma natural Ln dari Perubahan Laba = fCR,
DR, TATO, ROA, ROE, GPM menjadi Ln_Perubahan Laba = fLn_CR, Ln_DR, Ln_TATO, Ln_ROA, Ln_ROE, Ln_GPM. Transformasi data ke dalam bentuk
logaritma natural menyebabkan data yang bernilai negatif tidak dapat ditransformasi sehingga menghasilkan missing values. Setiap data yang terdapat
missing values akan dihilangkan dan diperoleh jumlah sampel yang valid menjadi 52 pengamatan. Kemudian data diuji ulang berdasarkan asumsi normalitas,
berikut ini hasil pengujian dengan Kolmogorov-Smirnov.
Universitas Sumatera Utara
lxxiii
Tabel 4.7 Hasil Uji Normalitas Pada Data Setelah Transformasi Logaritma Natural
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 52
Normal Parametersa,b Mean .0000000
Std. Deviation 1.47098055
Most Extreme Differences
Absolute .067
Positive .061
Negative -.067
Kolmogorov-Smirnov Z .487
Asymp. Sig. 2-tailed .972
Sumber: Data diolah penulis, 2008 Dari hasil pengolahan data pada tabel 4.7 diperoleh besarnya nilai
Kolmogorov-Smirnov adalah 0.487 dan signifikan pada 0.975. Nilai signifikansi lebih besar dari 0.05, maka H0 diterima yang berarti data residual berdistribusi
normal. Setelah data berdistribusi normal dapat dilanjutkan dengan uji asumsi klasik lainnya. Untuk lebih jelas berikut ini dilampirkan grafik histogram dan
grafik p-plot data yang telah berdistribusi normal.
Universitas Sumatera Utara
lxxiv
Regression Standardized Residual
3 2
1 -1
-2 -3
Frequency
12.5 10.0
7.5 5.0
2.5 0.0
Histogram Dependent Variable: Ln_Perubahan_Laba
Mean =1.57E-15 Std. Dev. =0.939
N =52
Gambar 4.1 Histogram
Sumber: Data diolah penulis, 2008 Grafik histogram pada gambar 4.1 menunjukkan pola distribusi normal karena
grafik tidak menceng kiri maupun menceng kanan. Dengan demikian dapat disimpulkan bahwa model regresi telah memenuhi asumsi normalitas. Demikian
pula hasil uji normalitas dengan menggunakan grafik normal p-plot.
Universitas Sumatera Utara
lxxv
Gambar 4.2 Grafik Normal P-Plot
Sumber: Data diolah penulis, 2008
Pada grafik normal p-plot terlihat bahwa data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal, maka dapat disimpulkan bahwa model regresi
telah memenuhi asumsi normalitas.
2. Uji Multikolinearitas