Uji Normalitas Pengujian Asumsi Klasik

menjamin terpenuhinya seluruh asumsi yang diperlukan dalam melakukan pengujian terhadap model regresi yang digunakan.

5.1.2. Pengujian Asumsi Klasik

Untuk menghasilkan suatu analisis data yang akurat dalam menetapkan suatu persamaan regresi maka pengujian terhadap semua asumsi klasik harus terpenuhi. Dengan bantuan program SPSS, pengujian asumsi klasik yang dilakukan adalah sebagai berikut:

5.1.2.1. Uji Normalitas

Uji normalitas bertujuan untuk mengetahui apakah distribusi sebuah data mengikuti atau mendekati distribusi normal. Data yang baik adalah data yang mempunyai pola seperti distribusi normal yakni distribusi data tersebut tidak menceng ke kiri atau ke kanan. Untuk menguji normalitas dapat dilakukan dengan pendekatan histogram, pendekatan grafik, ataupun pendekatan Kolmogorov – Smirnov. Berikut adalah tampilan grafik histogram variabel perputaran aset, profitabilitas, dan nilai perusahaan. Hasil uji normalitas dengan pendekatan histogram Lihat Lampiran 7 menunjukkan bahwa ketiga variabel perputaran aset, profitabilitas, dan nilai perusahaan memang tidak normal dan menceng ke kiri positive skewness dan cenderung kepada bentuk substantial positive skewness. Oleh karenanya transformasi dilakukan agar data dapat menjadi normal. Bentuk histogram dijadikan sebagai dasar untuk menentukan bentuk transformasinya. Karena bentuk histogramnya adalah Universitas Sumatera Utara substantial positive skewness maka menurut Gozhali 2009, bentuk transformasi yang bisa dipakai untuk histogram yang berbentuk substantial positive skewness adalah logaritma 10 atau logaritma natural. Cara lain untuk menguji normalitas data adalah dengan pendekatan grafik, hasil uji normalitas data ditunjukkan pada Gambar 5.1. berikut ini : Gambar 5.1. Hasil Uji Normalitas dengan Normal P-P Plot Sebelum Transformasi Pada Gambar 5.1. di atas terlihat bahwa titik-titik menyebar tidak mengikuti arah di sepanjang garis diagonal. Hal ini berarti data tidak berdistribusi normal atau model regresi tidak memenuhi asumsi normalitas. Untuk memastikan apakah data di sepanjang garis diagonal berdistribusi normal atau tidak, maka dilakukan uji statistik non parametrik Kolmogorov-Smirnov K-S dengan melihat data residualnya apakah berdistribusi normal atau tidak. Dengan uji Kolmogorov-Smirnov, hasil uji normalitas Universitas Sumatera Utara sebelum transformasi dengan uji Kolmogorov-Smirnov dapat dilihat pada Tabel 5.2. berikut: Tabel 5.2. Uji Kolmogorov-Smirnov Sebelum Transformasi One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 288 Mean 0,0000 Normal Parameters Std. Deviation 1,0758 Absolute 0,1800 Positive 0,1800 Most Extreme Differences Negative -0,1160 Kolmogorov-Smirnov Z 3,0500 Asymp. Sig. 2-tailed 0,0000 Sumber : Lampiran 8. Dari hasil uji normalitas pada Tabel 5.2. di atas dapat dilihat bahwa besarnya nilai Kolmogorov-Smirnov adalah 3,0500 dan signifikan pada 0,0000 sig 0,05. Hal ini berarti data residual terdistribusi tidak normal dan hasilnya konsisten dengan uji normalitas dengan pendekatan histogram dan pendekatan grafik, oleh karenanya transformasi data harus dilakukan. Menurut Gozhali 2009 bahwa setelah melakukan transformasi untuk mendapatkan normalitas data, langkah screening harus dilakukan untuk mendeteksi adanya data outlier atau data yang menyimpang terlalu jauh dari data yang ada pada umumnya. Oleh karenanya teknik screening harus dilakukan terhadap data-data outlier. Teknik screening yang dilakukan adalah dengan menentukan nilai batas yang Universitas Sumatera Utara akan dikategorikan sebagai data outlier yaitu dengan cara mengkonversi nilai data ke dalam nilai standardized. Menurut Hair 1998 dalam Gozhali 2009 bahwa untuk kasus sampel kecil kurang dari 80 maka standar skor dengan nilai 2,5 dinyatakan outlier, untuk sampel besar maka standar skor dinyatakan outlier jika nilainya pada kisaran 3 sampai 4. Hasil pengamatan dalam penelitian menunjukkan bahwa ada 16 data observasi yang dinyatakan outlier yaitu yang memiliki nilai standar skor lebih besar dari 3. Langkah selanjutnya adalah membuang data yang teridentifikasi outlier dikarenakan memang tidak menggambarkan observasi dalam populasi dan menggantikannya dengan suatu angka tertentu agar missing data dapat diproses. Untuk itu teknik replace missing value dilakukan untuk mengisi nilai yang kosong sehingga analisis data pun bisa diperoleh. Cara mengisi missing value data bisa bermacam-macam dan yang paling populer adalah mengisi dengan rata-rata mean keseluruhan data, Santoso 2010. Oleh karenanya penelitian ini menggunakan mean untuk mengisi data-data yang dianggap outlier. Statistik deskriptif setelah transformasi dan screening data dapat dilihat pada Tabel 5.3. berikut: Tabel 5.3. Statistik Deskriptif Sesudah Transformasi Universitas Sumatera Utara N Minimum Maksimum Rata-rata Deviasi Standar Perputaran Aset 288 -1,0158 1,7308 0,2571 0,4374 Profitabilitas 288 -4,5469 -0,4777 -2,2170 0,7478 Nilai Perusahaan 288 -1,1126 1,8739 0,1045 0,4904 Valid N listwise 288 Sumber : Lampiran 9. Dalam Tabel 5.3. di atas terlihat bahwa statistik deskriptif setelah dilakukannya transformasi dan screening data mengindikasikan bahwa data sudah berdistribusi normal dimana rentang antara nilai minimum maupun maksimum pun tidak terlalu jauh dibandingkan dengan nilai rata-rata. Gambar 5.2. Hasil Uji Normalitas dengan Pendekatan Histogram Sesudah Transformasi Universitas Sumatera Utara Hasil uji normalitas dengan pendekatan histogram setelah transformasi dan screening data tersebut dengan menggunakan logaritma natural Ln dapat dilihat pada tampilan histogram pada Gambar 5.2. di atas. Hasil tampilan histogram setelah transformasi menunjukkan bahwa gambar sudah memperlihatkan distribusi normal dimana distribusi data sudah memperlihatkan tidak menceng ke kiri atau ke kanan. Uji normalitas dengan menggunakan Probability Plot Normal P-P Plot disajikan pada Gambar 5.3. di bawah. Gambar ini memperlihatkan bahwa titik-titik menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal yang berarti menunjukkan pola distribusi normal. Gambar 5.3. Hasil Uji Normalitas dengan Normal P-P Plot Sesudah Transformasi Universitas Sumatera Utara Dengan uji Kolmogorov-Smirnov, hasil uji normalitas sesudah transformasi dengan uji Kolmogorov-Smirnov dapat dilihat pada Tabel 5.4. di bawah. Dalam Tabel 5.4. dapat dilihat bahwa besarnya nilai Kolmogorov-Smirnov adalah 1,1040 dan signifikan pada 0,1750 sig 0,05. Hal ini berarti data residual sudah terdistribusi normal dan hasilnya konsisten dengan uji normalitas dengan pendekatan histogram dan pendekatan grafik, oleh karenanya berarti data sudah menunjukkan pola distribusi normal. Tabel 5.4. Uji Kolmogorov-Smirnov Sesudah Transformasi One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 288 Mean 0,0000 Normal Parameters a,,b Std. Deviation 0,3951 Absolute 0,0650 Positive 0,0650 Most Extreme Differences Negative -0,0310 Kolmogorov-Smirnov Z 1,1040 Asymp. Sig. 2-tailed 0,1750 Sumber : Lampiran 10.

5.1.2.2. Uji Heteroskedastisitas