a. Uji Normalitas Data
Uji normalitas data bertujuan untuk menguji apakah variabel residual berdistribusi normal atau tidak. Uji statistik yang dapat digunakan untuk
menguji apakah residual berdistribusi normal adalah uji statitstik non parametrik Kolmogorov-Smirnov K-S dengan membuat hipotesis:
H : data residual berdistribusi normal,
Ha : data residual tidak berdistribusi normal. Apabila nilai siginifikansi lebih besar dari 0,05 maka H
diterima dan Ha ditolak, sebaliknya jika nilai signifikansi lebih kecil dari 0,05 maka H
ditolak dan Ha diterima. Hasil pengolahan data pada Tabel 4.7 diperoleh besarnya nilai
Kolmogorov-Smirnov adalah 0,895 dan signifikansi pada 0,399. Nilai signifikansi lebih besar dari 0,05 maka H
diterima yang berarti data residual berdistribusi normal. Data yang berdistribusi normal tersebut juga
dapat dilihat melalui grafik histrogram dan grafik normal p-plot data.
Tabel 4.7 Hasil Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardize d Residual
N 27
Normal Parameters
a,,b
Mean .0000000
Std. Deviation 5.65838481
Most Extreme Differences
Absolute .172
Positive .172
Negative -.134
Kolmogorov-Smirnov Z .895
Asymp. Sig. 2-tailed .399
a. Test distribution is Normal. b. Calculated from data.
Sumber: Output SPSS Grafik histogram pada Gambar 4.1 menunjukkan pola distribusi
normal karena grafik tidak melenceng ke kiri maupun melenceng ke kanan. Demikian pula hasil uji normalitas dengan menggunakan grafik p-
plot pada Gambar 4.2 dibawah ini.
Sumber: Output SPSS
Gambar 4.1
Grafik Histogram
Sumber: Output SPSS
Gambar 4.2 Grafik Normal P-Plot
Pada grafik normal p-plot terlihat bahwa data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal, maka dapat disimpulkan
bahwa model regresi telah memenuhi asumsi normalitas.
b. Uji Multikolinieritas
Uji multikolinieritas bertujuan untuk menguji apakah terdapat korelasi antar variabel independen dalam model regresi. Jika pada model regresi
terjadi multikolinieritas, maka koefisien regresi tidak dapat ditaksir dan nilai standard error menjadi tidak terhingga. Menurut Nugroho 2005:58,
“deteksi multikolinieritas pada suatu model dapat dilihat, yaitu jika nilai Variance Inflation Factor VIF tidak lebih dari 10 dan nilai tolerance
tidak kurang dari 0,1 maka model dapat dikatakan terbebas dari multikolinieritas.”
Tabel 4.8 Hasil Uji Multikolinieritas
Coefficients
a
Model Collinearity
Statistics
Toleranc e
VIF 1
Constant Dividend Payout Ratio .757
1.322 Current Ratio
.967 1.034
Variance of Earning Growth
.737 1.357
Coefficients
a
Model Collinearity
Statistics
Toleranc e
VIF 1
Constant Dividend Payout Ratio .757
1.322 Current Ratio
.967 1.034
Variance of Earning Growth
.737 1.357
a. Dependent Variable: Price Earning Ratio Sumber: Output SPSS
Dari data pada Tabel 4.8, dapat disimpulkan bahwa tidak terjadi gejala multikolinieritas antara variabel independen yang diindikasikan dari nilai
tolerance setiap variabel independen yang lebih besar dari 0,1 dan nilai VIF lebih kecil dari 10 yakni. Disimpulkan bahwa analisis lebih lanjut
dapat dilakukan dengan menggunakan model regresi berganda.
c. Uji Heteroskedastisitas