70
89.893.586.252, pada tahun 2007 sebesar 126.411.394.470, pada tahun 2008 sebesar 176.046.712.379. pada tahun 2009 yaitu sebesar 148.139.101.732. dan
pada tahun 2010 sebesar 284.253.524.331.
B. Analisa Data
1. Uji Asumsi klasik
Pengujian jenis ini digunakan untuk menguji asumsi, apakah model regresi yang digunakan dalam penelitian ini memenuhi asumsi klasik layak uji
atau tidak. Uji asumsi klasik digunakan untuk memastikan bahwa multikorelasi, autokorelasi, dan heteroskedastisitas tidak terdapat dalam
model yang digunakan dan data yang digunakan terdistribusi normal. Jika
semua itu terpenuhi bahwa model analisis telah layak digunakan Gujarati, 2003
. Pengujian asumsi klasik terdiri dari 4 empat pengujian, antara lain :
a. Uji Normalitas Data
Cara yang sering digunakan dalam menentukan apakah suatu model berdistribusi normal atau tidak hanya dengan melihat pada
histogram residual apakah memiliki bentuk seperti “lonceng” atau tidak. Cara ini menjadi fatal karena pengambilan keputusan data berdistribusi
normal atau tidak hanya berpatok pada pengamatan gambar saja. Ada cara lain untuk menentukan data berdistribusi normal atau tidak dengan
menggunakan rasio skewness dan rasio kurtosis.
71
Rasio skewness dan rasio kurtosis dapat dijadikan petunjuk apakah suatu data berdistribusi normal atau tidak. Rasio skewness adalah
nilai skewness dibagi dengan standar error skewness, sedangkan rasio kurtosis adalah nilai kurtosis dibagi dengan standar error kurtosis. Bila
rasio kurtosis dan skewness berada diantara -2 hingga +2, maka distribusi data adalah normal.
Tabel 4.2 Hasil Uji Normalitas Data
Pada tabel 4. Bahwa rasio skewness adalah -0,6610,414 = - 1.59 -2 dan rasio kurtosis adalah 0,4020,809= 0,49 +2 karena rasio
skewness dan rasio kurtosis berada diantara -2 hingga +2, maka dapat disimpulkan bahwa distribusi data adalah normal.
Sta tistics
32 32
32 32
.470 .543
.291 -.661
.414 .414
.414 .414
.392 -.407
-.795 .402
.809 .809
.809 .809
Valid Missing
N Sk ewness
Std. Error of Skewnes s Kurtosis
Std. Error of Kurtosis laba
biaya pendapatan
Unstandardiz ed Residual
72
b. Uji Multikolinearitas
Uji Multikolinieritas bertujuan untuk menunjukkan apakah terdapat hubungan korelasi yang sempurna atau mendekati sempurna
antar variabel bebas yang terdapat dalam model, yaitu koefisien
korelasinya tinggi atau bahkan satu Algifari, 2000: 84. Untuk
mengetahui ada atau tidaknya gejala multikolinieritas dilakukan dengan melihat harga VIF Variance Inflation Factor melalui SPSS. Apabila
nilai tolerance-nya diatas 0,1 dan VIF dibawah 10, maka model regresi
bebas dari multikolinieritas Ghozali, 2002. Tabel 4.3
Hasil Uji Multikolinearitas Data
Berdasarkan tabel diatas dapat diketahui bahwa nilai VIF untuk biaya adalah 57,300 dan nilai VIF untuk pendapatan adalah 57,300. Hal
tersebut menunjukan
bahwa terdapat
hubungan yang
kuat multikolineritas antara biaya dan pendapatan.
Coefficients
a
.017
57.300 .017
57.300 biaya
pendapatan Model
1
Tolerance VIF
Collinearity Statistics
Dependent Variable: laba a.
73
c. Uji Autokorelasi
Uji Autokorelasi bertujuan untuk mengetahui apakah dalam suatu model regresi linier terdapat korelasi antara kesalahan pengganggu
pada periode pertama dengan kesalahan pengganggu pada periode sebelumnya. Autokorelasi muncul karena observasi yang berurutan
sepanjang waktu berkaitan satu sama lain. Masalah ini muncul karena residual kesalahan pengganggu tidak bebas di satu observasi ke
observasi lain. Uji yang digunakan untuk mendeteksi adanya otokorelasi dapat diketahui dengan deteksi uji Durbin Watson Test DW yang telah
ada klasifikasinya untuk menilai perhitungan yang diperoleh, jika DW terletak diantara du dan 4-du maka disimpulkan tidak terjadi Autokorelasi
Algifari, 2000 .
Kriteria ada atau tidaknya autokorelasi, jika : 0 d dL, berarti terdapat autokorelasi positif.
1 dL d dU, berarti tidak ada kesimpulan. 2 dU d 2, berarti tidak terdapat autokorelasi.
3 2 d 4-dU, berarti tidak terdapat autokorelasi. 4 4-dU d 4-dL, berarti tidak ada kesimpulan.
5 4-dL d 4, berarti terdapat autokorelasi negatif.
74
Tabel 4.4 Hasil Uji Autokorelasi Data
Berdasarkan tabel diatas dapat dilihat bahwa nilai Durbin Watson adalah sebesar 2,188 sedangkan nilai dL dan dU dapat dlihat
pada tabel Durbin-Watson pada signifikansi 0,05, n=32 dan k=2. Di dapat dL=1,270 dan dU=1,563. Hal tersebut menunjukkan bahwa 2 d
4-dU atau 2 2,015 4 - 1,563 = 2,437 yang berarti tidak ada autokorelasi, karena memiliki nilai Durbin Watson lebih besar dari 2.
d. Uji Heterokedastisitas
Uji heteroskedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan varians dari residual satu pengamatan ke
pengamatan yang lain. Jika variance dari residual satu pengamatan ke pengamatan lain tetap maka disebut homoskedastisitas. Untuk menguji
ada tidaknya heteroskedastisitas dilakukan dengan cara mengkorelasikan setiap variable bebas dengan nilai mutlak residualnya menggunakan
korelasi Rank Spearman.
Model Summary
2.015 Model
1 Durbin-
Watson
75
Tabel 4.5 Hasil Uji Heterokedastisitas Data
Berdasarkan tabel diatas dapat diketahui nilai korelasi Rank Spearman antara biaya dengan Unstandartdized Residual adalah 0,317
dengan nilai probabilitas sebesar 0,078. Nilai korelasi Rank Spearman antara pendapatan dengan Unstandartdized Residual adalah 0,292 dengan
nilai probabilitas sebesar 0,105. Hal tersebut menunjukan bahwa tidak terdapat Heteroskedastisitas pada variabel biaya dan pendapatan.
2. Pengujian hipotesis
