Uji Normalitas Uji Asumsi Klasik

B. Analisis Statistik

1. Uji Asumsi Klasik

Model regresi linear berganda dapat disebut sebagai model yang baik jika model tersebut telah memenuhi uji asumsi klasik yang terdiri dari uji normalitas, uji multikolinearitas, uji heteroskedastisitas dan uji autokorelasi. Setelah dilakukan pengujian terhadap tiga varibel bebas yaitu ROE, ROA dan NPM ternyata variabel ROE dan ROA mengalami masalah multikolineritas. Masalah multikolinearitas ini dicantumkan didalam lampiran. Ada 2 cara yang dapat dilakukan jika terjadi multikol, pertama tidak melakukan apapun terhadap data tersebut dan yang kedua dengan mengeluarkan salah satu variabel. Sehingga penelitian yang akan diteliti menggunakan dua variabel bebas yaitu ROA dan NPM.

a. Uji Normalitas

Uji normalitas adalah uji yang digunakan untuk mengetahui apakah distibusi sebuah data mengikuti atau mendekati distribusi normal yakni distribusi data dengan bentuk seperti lonceng. Data yang baik adalah data yang berdistribusi normal yang mempunyai pola yang tidak menceng ke kanan atau ke kiri. Uji ini dilakukan melalui pendekatan grafik dan pendekatan kolmogorv-smirnov. 1. Analisis Grafik Hitogram Data yang baik adalah data yang mempunyai pola seperti distribusi normal yaitu tidak menceng ke kiri atau ke kanan. Pada grafik dibawah ini dapat dilihat bahwa pola berdistribusi normal yaitu tidak menceng ke kiri dan ke kanan, ketika dilakukan uji melalui grafik normalitas Normal P-P Plot dan Uji kolmogorv- smirnov terlihat bahwa data berdistribusi normal. Hasil uji Normal P-Plot dan kolmogorv-smirnov dapat dilihat pada Grafik dan tabel di bawah ini. One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 35 Normal Parameters a Mean .0000000 Std. Deviation 1.51227142E3 Most Extreme Differences Absolute .243 Positive .243 Negative -.170 Kolmogorov-Smirnov Z 1.439 Asymp. Sig. 2-tailed .032 a. Test distribution is Normal. Dari grafik normal P-Plot di atas dapat dilihat bahwa data menyebar jauh dari garis diagonal atau tidak mengikuti arah garis diagonal, dan dari hasil uji kolmogorv-smirnov diperoleh nilai Asymp. Sig. 2-tailed adalah 0,032 atau dibawah nilai signifikansi 0,05 sehingga dapat disimpulkan bahwa data tidak berdistribusi normal. Ada beberapa cara yang dapat dilakukan jika data menyebar secara tidak normal, salah satu caranya adalah dengan melakukan transformasi data, misalnya mengubah data menjadi bentuk logaritma natural Ln. untuk itu penulis mengubah data menjadi bentuk logaritma natural Ln dan melakukan uji normalitas kembali dan memperoleh hasil sebagai berikut: 1. Analisis Grafik Histogram Gambar 4.1 Histogram Dependent Variable Sumber : Hasil Pengolahan SPSS, 2010 Gambar 4.2 Normal P-Plot Sumber : Hasil pengolahan SPSS, 2010 Tabel 4.6 One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 35 Normal Parameters a Mean .0000000 Std. Deviation .84368304 Most Extreme Differences Absolute .101 Positive .100 Negative -.101 Kolmogorov-Smirnov Z .597 Asymp. Sig. 2-tailed .868 a. Test distribution is Normal. Dari grafik normal P-Plot di atas dapat dilihat bahwa data mengikuti arah garis diagonal, dan dari hasil uji kolmogorv-smirnov diperoleh nilai Asymp. Sig. 2- tailed adalah 0,868 dan diatas nilai signifikansi 0,05 sehingga dapat disimpulkan bahwa data berdistribusi normal.

b. Uji Heteroskedastisitas