3. Variabel HS memiliki nilai minimum 71 dan nilai maksimum 2.4480 dengan
nilai rata-rata sebesar 2.260666 dengan jumlah sampel sebanyak 45 sampel.
C. Pengujian Asumsi Klasik
Pengujian asumsi klasik dalam penelitian ini dilakukan dengan bantuan program statistik. Menurut Ghozali 2006:123 asumsi klasik yang harus dipenuhi
adalah: 1.
Berdistribusi normal, 2.
Non-multikolinearitas, artinya antara variabel independen dalam model regresi tidak memiliki korelasi atau hubungan secara sempurna ataupun mendekati
sempurna, 3.
Non-autokorelasi, artinya kesalahan pengganggu dalam model regresi tidak saling berkorelasi,
4. Homokedastisitas, artinya variance variabel independen dari satu pengamatan
ke pengamatan lain adalah konstan atau sama.
1. Uji Normalitas
Uji normalitas bertujuan untuk mengetahui varians pengganggu atau residual berdistribusi secara normal serta untuk menghindari adanya bias dalam model
regresi. Pengujian normalitas data dalam penelitian ini menggunakan uji statistik non-parametrik Kolmogorov-Smirnov K-S, dengan membuat hipotesis:
H0 : Data residual berdistribusi normal Ha : Data residual tidak berdistribusi normal
Universitas Sumatera Utara
Apabila nilai signifikansi lebih besar dari 0.05 maka H0 diterima, sedangkan jika nilai signifikansi lebih kecil dari 0.05 maka H0 ditolak.
Tabel 4.4 Hasil Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
DPR EPS
HS N
45 45
45 Normal Parameters
a
Mean 3.589867E1 1.760447E2
2.260666E 4
Std. Deviation 4.3332534E
1 2.3441870E2
4.8533892 E4
Most Extreme Differences
Absolute .258
.237 .321
Positive .258
.237 .306
Negative -.204
-.228 -.321
Kolmogorov-Smirnov Z 1.734
1.589 2.155
Asymp. Sig. 2-tailed .005
.013 .000
a. Test distribution is Normal. Sumber : Diolah Peneliti 2011
Dari hasil pengolahan data tersebut, diperoleh bahwa data dalam penelitian ini tidak terdistribusi secara normal, dimana variabel dalam penelitian DPR dan HS
yang memiliki nilai signifikansi yang lebih kecil dari 0.05 5 yakni sebesar 0.005 untuk DPR dan HS sebesar 0,00 serta nilai EPS 0.013 sehingga tidak dapat
dilakukan pengujian lebih lanjut. Untuk itu, perlu dilakukan tindakan perbaikan treatment agar model regresi memenuhi asumsi normalitas. Beberapa cara untuk
mengubah model regresi menjadi normal, menurut Jogiyanto 2004:172 terdapat tiga cara untuk menormalkan distribusi data, yaitu:
Universitas Sumatera Utara
a. Dengan melakukan transformasi data, yaitu mengubah nilai-nilai observasi data ke dalam bentuk logaritma sehingga membentuk
distribusi yang normal, b. Trimming, yaitu memangkas membuang observasi yang bersifat
outlier, yaitu nilainya lebih kecil dari µ - 2σ atau lebih besar dari µ +
2σ, c. Winzorising, yaitu mengubah nilai-nilai outlier menjadi nilai-nilai
minimum atau maksimum yang diizinkan supaya distribusinya menjadi normal.
Setelah melihat tabel 4.4 dapat disimpulkan bahwa perhitungan Kolmogorov- Smirnov menunjukkan data tidak terdistribusi secara normal. Untuk itu, peneliti
melakukan transformasi data ke model akar kuadrat SQRT, hal ini di karenakan histogramnya menunjukkan moderate positive skewnwss sehaingga
tranformasi yang harus dilakukan menggunakan akar kuadrat SQRT Ghazali, 2006 : 33. Kemudian data diuji ulang berdasarkan asumsi normalitas. Berikut ini
hasil pengujian dengan Kolmogorov-Smirnov.
Tabel 4.5 Hasil Uji Normalitas Setelah Transformasi Akar Kuadrat
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 45
Normal Parameters
a
Mean .0000000
Std. Deviation 1.02880524E2
Most Extreme Differences
Absolute .145
Positive .145
Negative -.108
Kolmogorov-Smirnov Z .974
Asymp. Sig. 2-tailed .299
a. Test distribution is Normal. Sumber : Diolah Peneliti 2011
Universitas Sumatera Utara
Dari tabel 4.5 dapat disimpulkan bahwa data dalam model regresi telah terdistribusi secara normal. Kesimpulan ini dapat dilihat dari signifikan dari
variabel sebesar 0.299 dan hal ini lebih besar dari 0.05 sehingga H0 diterima atau data terdistribusi secara 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 jelasnya berikut ini turut dilampirkan grafik histogram dan plot data yang terdistribusi normal:
Gambar 4.1
Universitas Sumatera Utara
Histogram
Sumber : Diolah Peneliti 2011
Dari grafik di atas dapat disimpulkan bahwa distribusi data normal karena grafik histogram menunjukkan distribusi data mengikuti garis diagonal yang tidak
menceng skewness kiri maupun menceng kanan atau normal. Demikian pula dengan hasil uji normalitas dengan menggunakan grafik plot
berikut ini:
Gambar 4.2
Universitas Sumatera Utara
Grafik Normal Plot
Sumber : Diolah Peneliti 2011
Pada grafik normal plot terlihat titik-titik menyebar di sekitar garis diagonal serta penyebarannya agak mendekati dengan garis diagonal sehingga dapat
disimpulkan bahwa data dalam model regresi terdistribusi secara normal.
2. Uji Multikolinearitas
Ghozali 2006:91 menyatakan “uji multikolinearitas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas
independen”. Multikolinearitas menunjukkan ada tidaknya variabel independen yang memiliki kemiripan atau hubungan dengan variabel independen lain dalam
model regresi. Untuk mengetahui ada tidaknya multikolinearitas dapat dilihat dari nilai Variance Inflation Factor VIF, apabila nilai VIF 10 maka terjadi
multikolinearitas dan apabila VIF 10 maka tidak terjadi multikolinearitas.
Tabel 4.6 Hasil Uji Multikolinearitas
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity
Statistics B
Std. Error Beta
Tolera nce
VIF 1 Constant
122.784 38.092 3.223
.002 SQRTDPR
5.428 5.103
.151 1.064
.294 .985
1.015 SQRTEPS
-4.744 1.913
-.353 -2.480
.017 .985
1.015 a. Dependent Variable: SQRTHS
Sumber : Diolah Peneliti 2011
Universitas Sumatera Utara
Dengan demikian, dari data tabel 4.6 disimpulkan dalam model regresi tidak terjadi multikolinearitas dengan dasar nilai VIF untuk setiap variabel independen
tidak ada yang melebihi 10 dan nilai tolerance tidak ada yang kurang dari 0.1, maka dapat dilakukan analisis lebih lanjut dengan menggunakan model regresi
berganda. 3.
Uji Heterokedastisitas Ghozali 2006:105 menyatakan “uji heterokedastisitas bertujuan untuk
mengetahui apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan lainnya”. Jika variance dari residual satu
pengamatan ke pengamatan lainnya tetap, maka disebut homokedastisitas, dan jika berbeda disebut heterokedastisitas. Model regresi yang baik adalah
homokedastisitas atau tidak terjadi heterokedastisitas. Dalam penelitian ini, untuk mendeteksi ada tidaknya gejala heterokedastisitas
adalah dengan melihat plot grafik yang dihasilkan dari pengolahan data menggunakan program SPSS. Dasar pengambilan keputusannya adalah:
a. Jika ada pola tertentu, seperti titik-titik yang teratur, maka telah terjadi heterokedastisitas,
b. Jika tidak ada pola tertentu, serta titik-titik yang menyebar tidak tertentu, maka tidak terjadi heterokedastisitas atau terjadi homokedastisitas.
Berikut ini dilampirkan gambar scatterplot untuk menganalisis apakah terjadi heterokedastisitas atau terjadi homokedastisitas dengan mengamati penyebaran
Universitas Sumatera Utara
titik-titik .
Gambar 4.3 Hasil Uji Heterokedastisitas
Sumber : Diolah Peneliti 2011
Dari gambar scatterplot terlihat bahwa titik-titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y. Hal ini dapat
disimpulkan bahwa tidak terjadi heterokedastisitas pada model regresi sehingga model ini layak dipakai dalam penelitian ini.
4. Uji Autokorelasi Pengujian Autokorelasi menurut Ghozali 2006:95 “bertujuan untuk menguji
apakah dalam model regresi linear ada korelasi pengganggu antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1”.
Autokorelasi menunjukkan adanya korelasi diantara data pengamatan yang tersusun baik seperti data cross sectional danatau time series. Autokorelasi
Universitas Sumatera Utara
menunjukkan adanya kesalahan pengganggu residual tidak bebas dari satu pengamatan ke pengamatan lain. Jika terjadi autokorelasi dalam model regresi
berarti koefisien korelasi yang diperoleh menjadi tidak akurat, sehingga model regresi yang baik adalah model yang bebas dari autokorelasi. Untuk mengetahui
adanya autokorelasi digunakan uji Durbin-Watson, dengan kriteria menurut Triton P. B. 2006:158 dengan cara melihat besaran Durbin-Watson sebagai berikut:
a. Jika angka D-W dU, maka tidak ada autokorelasi, b. Jika angka D-W dU, maka terjadi autokorealsi,
c. Jika dL D-W dU, maka tidak dapat dideteksi apakah terjadi autokorelasi atau tidak.
Berikut ini hasil uji Durbin-Watson dengan menggunakan program SPSS:
Tabel 4.7 Hasil Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-
Watson 1
.401
a
.161 .121
105.30157 1.992
a. Predictors: Constant, SQRTEPS, SQRTDPR b. Dependent Variable: SQRTHS
Sumber : Diolah Peneliti 2011 Hasil uji autokorelasi di atas menunjukkan nilai statistik Durbin-Watson D-W
sebesar 1.992. Nilai ini akan dibandingkan dengan nilai tabel dengan menggunakan nilai signifikansi 5, jumlah sampel 45 dan jumlah variabel
independen 1 K=1, maka di tabel Durbin-Watson di dapat nilai batas atas dU 1.288 dan nilai batas bawah dL 1.376. Oleh karena itu, nilai DW lebih besar dari
nilai dU 1.992 1.600 maka disimpulkan bahwa tidak terjadi autokorelasi.
Universitas Sumatera Utara
D. Pengujian Hipotesis
