B a b I V H a s i l A n a l i s i s P e m b a h a s a n | 96
Pada tabel 4.4 diketahui bahwa untuk tiap variabel nilai signifikansinya lebih besar dari 5 ROE: 0,9390,05; DPR: 0,0510,05, dan PBV;
0,8490,05. Dengan demikian dapat disimpulkan model regresi memenuhi asumsi normalitas. Selengkapnya data tersebut dapat dilihat pada tabel 4.4
berikut: Tabel 4.4
Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
ROE DPR
PBV N
30 30
30 Normal Parameters
a,b
Mean 18,3230
43,0950 2,6300
Std. Deviation 6,39618
17,57034 1,18293
Most Extreme Differences Absolute
,097 ,247
,112 Positive
,073 ,247
,105 Negative
-,097 -,114
-,112 Kolmogorov-Smirnov Z
,532 1,354
,611 Asymp. Sig. 2-tailed
,939 ,051
,849 a. Test distribution is Normal.
b. Calculated from data.
Pengujian secara visual dapat juga dilakukan dengan metode gambar normal Probability Plots dalam program SPSS. Dasar pengambilan keputusan :
Jika data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal, maka dapat disimpulkan bahwa model regresi memenuhi
asumsi normalitas. Jika data menyebar jauh dari garis diagonal dan tidak mengikuti arah
garis diagonal, maka dapat disimpulkan bahwa model regresi tidak memenuhi asumsi normalitas Singgih Santos, 2002:322.
B a b I V H a s i l A n a l i s i s P e m b a h a s a n | 97
Secara visual gambar grafik normal probability plot dapat dilihat pada gambar 4.4 berikut:
Gambar 4.4 Grafik Normalitas
Grafik diatas mempertegas bahwa model regresi yang diperoleh berdistribusi normal, dimana sebaran data berada di sekitar garis diagonal.
B a b I V H a s i l A n a l i s i s P e m b a h a s a n | 98
2. Uji Multikolinieritas
Multikolinieritas merupakan suatu situasi dimana beberapa atau semua variabel bebas berkorelasi kuat. Jika terdapat korelasi yang kuat di antara
sesama variabel independen maka konsekuensinya adalah:
1. Koefisien-koefisien regresi menjadi tidak dapat ditaksir.
2. Nilai standar error setiap koefisien regresi menjadi tidak terhingga.
Dengan demikian berarti semakin besar korelasi diantara sesama variabel independen, maka tingkat kesalahan dari koefisien regresi semakin besar yang
mengakibatkan standar errornya semakin besar pula. Cara yang digunakan untuk mendeteksi ada tidaknya multikoliniearitas adalah dengan:menggunakan
Variance Inflation Factors VIF
Gujarati, 2003: 351. Dimana R
i 2
adalah koefisien determinasi yang diperoleh dengan meregresikan salah satu variabel bebas X
1
terhadap variabel bebas lainnya. Jika nilai VIF nya kurang dari 10 maka dalam data tidak terdapat Multikolinieritas
Gujarati, 2003: 362. Hasil uji Multikolinieritas dapat dilihat pada tabel 4.5 di bawah ini:
2
1 1
i
R VIF
− =
B a b I V H a s i l A n a l i s i s P e m b a h a s a n | 99
Tabel 4.5 Hasil Uji Multikolinieritas
Coefficients
a
Model Collinearity Statistics
Tolerance VIF
1 ROE
,992 1,008
DPR ,992
1,008 a. Dependent Variable: PBV
Berdasarkan tabel 4.5 di atas dapat dilihat bahwa nilai VIF masing-masing variabel yaitu 1,008 kurang dari 10. Jadi dapat disimpulkan bahwa tidak ada
multikolinieritas antar variabel bebas dalam model regresi tersebut. 3.
Uji Autokorelasi
Autokorelasi didefinisikan sebagai korelasi antar observasi yang diukur berdasarkan DPRet waktu dalam model regresi atau dengan kata lain error dari
observasi yang satu dipengaruhi oleh error dari observasi yang sebelumnya. Akibat dari adanya autokorelasi dalam model regresi, koefisien regresi yang
diperoleh menjadi tidak effisien, artinya tingkat kesalahannya menjadi sangat besar dan koefisien regresi menjadi tidak stabil.
Untuk menguji ada tidaknya autokorelasi, dari data residual terlebih dahulu dihitung nilai statistik Durbin-Watson D-W:
Gujarati, 2003: 467
Kriteria uji: Bandingkan nilai D-W dengan nilai d dari tabel Durbin-Watson: •
Jika D-W d
L
atau D-W 4 – d
L
, kesimpulannya pada data terdapat autokorelasi
t t 1
2 t
e e
D W e
−
− −
=
∑ ∑
B a b I V H a s i l A n a l i s i s P e m b a h a s a n | 100
• Jika d
U
D-W 4 – d
U
, kesimpulannya pada data tidak terdapat autokorelasi
• Tidak ada kesimpulan jika : d
L
≤ D-W ≤ d
U
atau 4 – d
U
≤ D-W ≤4 – d
L
Gujarati, 2003: 470 Untuk mengetahui bahwa terjadinya autokorelasi digunakan uji Durbin-
Watson dengan bantuan program SPSS 17.0 pada tabel di bawah ini: Tabel 4.6
Hasil Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 ,734
a
,538 ,504
,83313 1,307
a. Predictors: Constant, DPR, ROE b. Dependent Variable: PBV
Dari tabel di atas diperoleh nilai d sebesar 1,307. Nilai ini kemudian dibandingkan dengan nilai d
L
dan d
U
pada tabel Durbin- Watson. Untuk α=0.05,
k=2 dan n=30, diperoleh d
L=
1.2837 dan d
U=
1.5666. Nilai d berada diantara d
U
dan 4- d
U,
maka dapat disimpulkan bahwa dalam model regresi tersebut tidak terdapat autokorelasi.
4. Uji Heteroskedastisitas
Heteroskedastisitas, syarat klasik ini dalam Analisis Regresi adalah harus tidak terjadi gejala heteroskedastisitas yang berarti, varian residual harus sama.
Dengan menggunakan paket program SPSS versi 17 untuk mendeteksi adanya
B a b I V H a s i l A n a l i s i s P e m b a h a s a n | 101
heterokedastisitas digunakan grafik sctterplot variabel dependen, grafik tersebut dapat di lihat pada gambar 4.5 berikut:
Gambar 4.5 Grafik Sctterplot Variabel Dependen.
Berdasarkan gambar 4.1 di atas telihat titik-titik menyebar secara acak, tidak membentuk suatu pola tertentu, serta tersebar baik di atas maupun di bawah
angka 0 pada sumbuh Y hal ini berarti tidak terjadi heteroskedastisitas pada model regresi.
4.3.2 Analisis Regresi Linier Berganda
Untuk model matematis hubungan antara dua variabel tersebut adalah persamaan regresi linear berganda, yaitu sebagai berikut :
Nilai a, b1 dan b2 dapat dicari dengan menyelesaikan persamaan dengan rumus berikut :
Y = a + b
1
X
1
+ b
2
X
2
B a b I V H a s i l A n a l i s i s P e m b a h a s a n | 102
Σy = an + b
1
ΣX
1
+ b
2
ΣX
2
ΣX
1
y = aΣX
1
+ b
1
ΣX
1 2
+ b
2
ΣX
1
X
2
ΣX
2
y = aΣX
2
+ b
1
ΣX
1
X
2
+ b
2
ΣX
2 2
Tabel 4.7 Data Perhitungan Regresi Linier Berganda
Tahun ROE
X1 DPR
X2 PBV
Y X1X2
X1Y X2Y
X1² X2²
Y²
2006 18,9
36,86 2,36
696,65 44,60
86,99 357,21
1358,66 5,57
2007 19,09
49,44 1,68
943,81 32,07
83,06 364,43
2444,31 2,82
2008 17,05
30 0,53
511,50 9,04
15,90 290,70
900,00 0,28
2009 14,28
47,78 0,89
682,30 12,71
42,52 203,92
2282,93 0,79
2010 17,06
34,54 1,39
589,25 23,71
48,01 291,04
1193,01 1,93
2006 9,19
59,1 2,27
543,13 20,86
134,16 84,46
3492,81 5,15
2007 14,86
89,86 2,48
1335,32 36,85
222,85 220,82
8074,82 6,15
2008 17,41
34,95 1,39
608,48 24,20
48,58 303,11
1221,50 1,93
2009 20,38
34,95 2,81
712,28 57,27
98,21 415,34
1221,50 7,90
2010 22,19
34,97 3,29
775,98 73,01
115,05 492,40
1222,90 10,82
2006 14,04
49,83 3,54
699,61 49,70
176,40 197,12
2483,03 12,53
2007 19,54
49,68 3,72
970,75 72,69
184,81 381,81
2468,10 13,84
2008 14,46
49,92 1,48
721,84 21,40
73,88 209,09
2492,01 2,19
2009 9,7
49,01 2,42
475,40 23,47
118,60 94,09
2401,98 5,86
2010 15,63
34,96 2,6
546,42 40,64
90,90 244,30
1222,20 6,76
2006 23,48
49,28 3,53
1157,09 82,88
173,96 551,31
2428,52 12,46
2007 21,96
98,76 4,39
2168,77 96,40
433,56 482,24
9753,54 19,27
2008 24,81
42,37 3,4
1051,20 84,35
144,06 615,54
1795,22 11,56
2009 24,44
38,96 4,29
952,18 104,85
167,14 597,31
1517,88 18,40
2010 24,86
31,95 4,63
794,28 115,10
147,93 618,02
1020,80 21,44
2006 13,02
50 1,68
651,00 21,87
84,00 169,52
2500,00 2,82
2007 5,21
45,94 1,75
239,35 9,12
80,40 27,14
2110,48 3,06
2008 7,92
10 0,67
79,20 5,31
6,70 62,73
100,00 0,45
2009 12,98
34,92 1,58
453,26 20,51
55,17 168,48
1219,41 2,50
2010 12,38
24,81 2,18
307,15 26,99
54,09 153,26
615,54 4,75
2006 25,22
48,71 3,75
1228,47 94,58
182,66 636,05
2372,66 14,06
2007 24,89
48,65 4,69
1210,90 116,73
228,17 619,51
2366,82 22,00
2008 26,65
34,04 2,52
907,17 67,16
85,78 710,22
1158,72 6,35
2009 26,81
29,17 3,46
782,05 92,76
100,93 718,78
850,89 11,97
2010 31,28
19,44 3,53
608,08 110,42
68,62 978,44
377,91 12,46
Ʃ 549,69
1292,85 78,90
23402,87 1591,26 3553,08 11258,39
64668,16 248,09
B a b I V H a s i l A n a l i s i s P e m b a h a s a n | 103
Nilai yang akan digunakan dalam menghitung koefisien regresi dan korelasi adalah sebagai berikut :
∑X
1
= 549,69 ∑X
2
= 1292,85 ∑Y = 78,90
∑X
1
Y = 1591,26 ∑X
2
Y = 3553,08 ∑X
1
X
2
= 23402,87 ∑X
1 2
= 11258,39 ∑X
2 2
=64668,16 ∑Y
2
= 248,09 Dengan menggunakan nilai tersebut selanjutnya dapat dilakukan
perhitungan koefisien regresi sebagai berikut : 78,90 = a30
+ b
1
549,69 + b
2
1292,85……..1 1591,26 = a549,69 + b
1
11258,39 + b
2
23402,87…….2 3553,08 = a1292,85 + b
1
23402,87 + b
2
64668,16…….3 Hasil persamaan 1 dan 2 digabungkan dan untuk penyelesaian
persamaan regresi dilakukan pengkalian dengan sebuah nilai agar diperoleh solusi yang lebih sederhana dimana 1 dikalikan 549,69 dan persamaan 2 dikalikan 30
78,90 = a30 + b
1
549,69 + b
2
1292,85 x 549,69
1591,26 = a549,69 + b
1
11258,39 + b
2
23402,87 x 30
Diperoleh: 43370,541 = a16490,7 + b
1
302159,09 + b
2
710666,71 47737,8 = a16490,7 + b
1
337751,7 + b
2
702086,1 - -4367,26 = b
1
-35592,61 + b
2
8580,61...................4 Hasil persamaan 1 dan 3 digabungkan dan untuk penyelesaian
persamaan tersebut, dilakukan pengkalian dengan sebuah nilai agar diperoleh
