5. Variabel ROE mempunyai nilai minimum -56,57 ; nilai maksimum 46,21 ; nilai rata-ratanya adalah 10,4796 dengan deviasi standar sebesar 18,83659
dan jumlah observasi sebanyak 45.
4.3 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.
4.3.1 Uji Normalitas
Uji data statistic dengan model Kolmogorov-Smirnov dilakukan untuk mengetahui apakah data sudah terdistribusi secara normal atau tidak. Ghozali
2005:115, memberikan pedoman pengambilan keputusan tentang data mendekati atau merupakan distribusi normal berdasarkan uji Kolmogorov-
Smirnov yang dapat dilihat dari : a. nilai sig. atau probabilitas 0,05, maka distribusi data adalah tidak
normal. b. nilai sig. atau probabilitas 0,05, maka distribusi data adalah normal.
Hasil uji normalitas dengan menggunakan model Kolmogorov- Smirnov adalah seperti yang ditampilkan pada tabel 4.2 :
Universitas Sumatra Utara
Tabel 4.2 Hasil Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 45
Normal Parameters
a,,b
Mean .0000000
Std. Deviation 17.15929654
Most Extreme Differences Absolute
.178 Positive
.109 Negative
-.178 Kolmogorov-Smirnov Z
1.197 Asymp. Sig. 2-tailed
.114 a. Test distribution is Normal.
b. Calculated from data.
Sumber: Output SPSS, diolah peneliti, 2013
Berdasarkan hasil uji statistik dengan model Kolmogorov-Smirnov seperti yang terdapat dalam tabel 4.2 dapat disimpulkan bahwa besarnya nilai
Kolmogrov – Smirnov sebesar 1,197 dan signifikan lebih dari 0,05 karena Asymp. Sig. 2-tailed 0,114 dari 0,05. Nilai signifikansi lebih besar dari
0,05 maka H diterima atau H
1
ditolak yang berarti data residual telah berdistribusi normal. Dengan demikian, secara keseluruhan dapat
disimpulkan bahwa nilai-nilai observasi data telah terdistribusi secara normal dan dapat dilanjutkan dengan uji asumsi klasik lainnya. Untuk lebih jelas,
berikut ini turut dilampirkan grafik histrogram dan plot data yang terdistribusi normal.
Universitas Sumatra Utara
Gambar 4.1 Histogram
Grafik histogram di atas menunjukkan bahwa data telah terdistribusi secara normal. Hal ini dapat dilihat dari grafik histogram yang menunjukkan
distribusi data mengikuti garis diagonal yang tidak menceng skewness kiri maupun menceng ke kanan. Hal ini juga didukung dengan hasil uji normalitas
dengan menggunakan grafik plot yang ditampilkan pada Gambar 4.2
Universitas Sumatra Utara
Gambar 4.2 Uji Normalitas data
Menurut Ghozali 2005, pendeteksian normalitas dapat dilakukan dengan melihat penyebaran data titik pada sumbu diagonal dari grafik, yaitu
jika data titik menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal, hal ini menunjukkan data yang telah terdistribusi normal. Gambar
4.2 menunjukkan bahwa data titik menyebar di sekitar dan mendekati garis diagonal. Hal ini sejalan dengan hasil pengujian dengan menggunakan
histogram bahwa data telah terdistribusi normal. Karena secara keseluruhan data telah terdistribusi secara normal, maka dapat dilakukan pengujian asumsi
klasik lainnya.
Universitas Sumatra Utara
4.3.2. Uji Multikolinieritas
Uji multikolinieritas bertujuan menguji apakah pada model regresi ditemukan adanya korelasi antara variabel independen. Untuk melihat ada
atau tidaknya multikolinieritas dalam model regresi dapat dilihat dari: a nilai tolerance dan lawannya, b Variance Inflatin Factor VIF.
Kedua ukuran ini menunjukkan setiap variabel independen manakah yang dijelaskan oleh variabel independen lainnya. Tolerance mengukur
variabilitas variabel independen yang terpilih yang tidak dijelaskan oleh variabel independen lainnya. Jadi, nilai Tolerance yang rendah sama dengan
nilai VIF yang tinggi karena VIF= 1tolerance. Nilai cutoff yang umum dipakai untuk menunjukkan adanya mutikolineritas adalah nilai Tolerance
0,10 atau sama dengan VIF 10 Ghozali, 2005. Hasil dari uji multikolinieritas dapat dilihat pada tabel 4.3 berikut ini :
Tabel 4.3 Hasil Uji Multikolinearitas
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity Statistics
B Std. Error
Beta Tolerance
VIF 1
Constant 17.291
4.248 4.070
.000 DAR
-.170 .061
-.468 -2.780
.008 .731
1.369 DER
-.009 .087
-.015 -.103
.918 .938
1.066 LDAR
-.334 5.429
-.013 -.062
.951 .492
2.031 LDER
-8.412 7.197
-.240 -1.169
.249 .490
2.041 a. Dependent Variable: ROE
Sumber :Output SPSS, diolah Penulis, 2013
Universitas Sumatra Utara
Dari data pada tabel 4.3 dapat dilihat bahwa tidak ada variabel yang memiliki nilai tolerance 0.10 dan nilai VIF 10. Dengan demikian dapat
disimpulkan bahwa dalam model regresi tidak terjadi multikolinearitas antar variabel independen.
4.3.3 Uji Autokorelasi
Pengujian autokorelasi bertujuan untuk menguji apakah terdapat korelasi antara kesalahan pengganggu pada suatu periode dengan kesalahan
pengganggu periode sebelumnya dalam model regresi. Autokorelasi menunjukkan adanya korelasi antara kesalahan pengganggu pada data yang
tersusun, baik berupa data cross sectional dan atau time series. Jika terjadi autokorelasi dalam model regresi berarti koefisien korelasi yang diperoleh
menjadi tidak akurat, sehingga model regresi yang baik adalah model regresi yang bebas dari autokorelasi.
Cara yang dapat dilakukan untuk mendeteksi ada tidaknya autokorelasi adalah dengan melakukan pengujian Durbin Watson DW.
Kriteria pengambilan keputusan ditampilkan pada tabel 4.4 :
Tabel 4.4 Kriteria Pengambilan Keputusan
Hipotesis Nol Keputusan
Jika Tidak ada autokorelasi positif
Tidak ada autokorelasi positif Tidak ada korelasi negatif
Tidak ada korelasi negatif Tidak ada autokorelasi positif atau
negative Tolak
No Decision Tolak
No Decision Tidak ditolak
0 dw dl dl
≤ dw ≤ du 4 – dl dw 4
4 – du ≤ dw ≤ 4 – dl
du dw 4 - du
Universitas Sumatra Utara
Hasil uji autokorelasi dengan Durbin-Watson adalah seperti yang ditampilkan pada tabel 4.5 :
Tabel 4.5 Hasil Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .413
a
.170 .087
17.99682 1.925
a. Predictors: Constant, LDER, DER, DAR, LDAR b. Dependent Variable: ROE
Sumber :Output SPSS, diolah Penulis, 2013 Tabel 4.5 menunjukkan hasil uji autokorelasi variabel penelitian. Hasil
uji autokorelasi di atas menunjukkan nilai statistik Durbin Watson dw sebesar 1,925, nilai ini akan kita bandingkan dengan nilai tabel dengan
menggunakan signifikansi 5, jumlah pengamatan 45 n, dan jumlah variabel independen 4 k=4, maka berdasarkan tabel Durbin Watson didapat
nilai batas atas du sebesar 1,720 dan nilai batas bawah dl sebesar 1,336. Oleh karena itu, nilai dw lebih besar dari 4 - du dan lebih kecil dari 4 – dl
atau dapat dinyatakan bahwa 4 – 1,6800 2,405 4 - 2,5531 4 - du ≤ dw ≤
4 – dl. Dengan demikian dapat disimpulkan bahwa tidak terdapat korelasi negatif.
4.3.4. Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk melihat apakah di dalam model regresi terjadi ketidaksamaan variabel dari residual satu pengamatan ke
pengamatan yang lain. Jika varian dari residual satu pengamatan ke pengamatan yang lain tetap maka disebut homokedastisitas, dan jika berbeda
disebut heterokedastisitas. Model regresi yang baik yaitu homokedastisitas.
Universitas Sumatra Utara
Pengujian dilakukaan dengan Scatter-Plot dengan menggunakan SRESID dan ZPRED pada software SPSS.
Cara mendeteksi ada tidaknya gejala heteroskedastisitas adalah dengan melihat grafik scatterplot yang dihasilkan dari pengolahan data menggunakan
program SPSS. Dasar pengambilan keputusannya menurut Ghozali 2005 adalah sebagai berikut:
1. Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur bergelombang, melebar kemudian menyempit, maka
mengindikasikan telah terjadi heteroskedastisitas. 2. Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di
bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.
Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi gejala heteroskedastisitas atau tidak dengan cara mengamati
penyebaran titik-titik pada grafik.
Gambar 4.3 Hasil Uji Heteroskedastisitas
Universitas Sumatra Utara
Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara acak dengan tidak adanya pola yang jelas serta tersebar baik di atas maupun
dibawah angka 0 pada sumbu Y. Hal tersebut menunjukkan bahwa tidak terjadi heteroskedastisitas, sehingga model ini layak dipakai untuk
memprediksi profitabilitas perusahaan logam dan sejenisnya yang terdaftar di Bursa Efek Indonesia berdasarkan masukan variabel independen yaitu
Financial Leverage dengan indikator Debt to Total Asset Ratio DAR, Debt to Equity Ratio DER, Long Term Debt to Total Asset Ratio LDAR, dan
Long Term Debt to Total Equity Ratio LDER.
4.4 Analisis Regresi
