commit to user
B. Pengolahan Data
Sebelum melakukan regresi untuk pengujian hipotesis, terlebih dahulu dilakukan pengujian normalitas data dan pengujian asumsi klasik yang
merupakan persyaratan untuk melakukan regresi.
1. Uji Normalitas Data
Uji normalitas data bertujuan untuk menguji dalam model regresi, variabel dependen dan variabel independen keduanya mempunyai
distribusi normal atau tidak. Hasil pengujian normalitas data dengan menggunakan uji kolmogrov-smirnov pada kategori distress, grey area,
dan non distress dapat ditunjukkan pada tabel berikut ini:
commit to user
TABEL IV. 4 HASIL UJI KOLMOGOROV – SMIRNOV
KATEGORI DISTRESS One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 107
Normal Parameters
a,,b
Mean .0000000
Std. Deviation .88768170
Most Extreme Differences Absolute
.132 Positive
.132 Negative
-.127 Kolmogorov-Smirnov Z
1.362 Asymp. Sig. 2-tailed
.056 a. Test distribution is Normal.
b. Calculated from data.
commit to user
TABEL IV. 5 HASIL UJI KOLMOGOROV – SMIRNOV
KATEGORI GREY AREA
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 167
Normal Parameters
a,,b
Mean .0000000
Std. Deviation .45611301
Most Extreme Differences Absolute
.060 Positive
.059 Negative
-.060 Kolmogorov-Smirnov Z
.773 Asymp. Sig. 2-tailed
.588 a. Test distribution is Normal.
b. Calculated from data.
commit to user
TABEL IV. 6 HASIL UJI KOLMOGOROV – SMIRNOV
KATEGORI NON DISTRESS
Sumber: hasil pengolahan data lampiran Dari hasil pengujian dengan Uji Kolmogorov-Smirnov dari ketiga
kategori yaitu distress, grey area, dan non distress nilai signifikansi variabel pengganggu atau residual e lebih besar dari taraf signifikansi
yaitu 0,05. Dengan demikian dapat disimpulkan bahwa data tersebut berdistribusi normal.
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 101
Normal Parameters
a,,b
Mean .0000000
Std. Deviation .31882703
Most Extreme Differences Absolute
.115 Positive
.115 Negative
-.055 Kolmogorov-Smirnov Z
1.153 Asymp. Sig. 2-tailed
.140 a. Test distribution is Normal.
b. Calculated from data.
commit to user
2. Uji Asumsi Klasik
a. Uji Multikolonieritas Uji multikolonieritas digunakan untuk menguji ada hubungan yang
sempurna atau hubungan yang hampir sempurna diantara variabel bebas pada model regresi. Hasil pengujian multikolonieritas ditunjukkan dalam
tabel berikut ini:
TABEL IV. 7 HASIL UJI MULTIKOLONIERITAS
Variabel Tolerance VIF Kesimpulan
Kurs 0,909 1,100
Tidak terjadi
multikolonieritas IRATE
0,929 1,077 Tidak
terjadi multikolonieritas
ROA 0,887 1,127
Tidak terjadi
multikolonieritas DTA
0,989 1,012 Tidak
terjadi multikolonieritas
FCF 0,980 1,020
Tidak terjadi
multikolonieritas Kategori Distress
TABEL IV. 8 HASIL UJI MULTIKOLONIERITAS
Variabel Tolerance VIF Kesimpulan
Kurs 0,990 1,010
Tidak terjadi
multikolonieritas IRATE
0,957 1,045 Tidak
terjadi multikolonieritas
ROA 0,966 1,036
Tidak terjadi
multikolonieritas DTA
0,954 1,048 Tidak
terjadi multikolonieritas
FCF 0,967 1,034
Tidak terjadi
multikolonieritas Kategori Grey Area
commit to user
TABEL IV. 9 HASIL UJI MULTIKOLONIERITAS
Variabel Tolerance
VIF Kesimpulan
LNKurs 0,988 1,012
Tidak terjadi
multikolonieritas LNIRATE
0,891 1,122 Tidak
terjadi multikolonieritas
LNROA 0,801 1,248
Tidak terjadi
multikolonieritas LNDTA
0,909 1,100 Tidak
terjadi multikolonieritas
LNFCF 0,792 1,262
Tidak terjadi
multikolonieritas Kategori Non Distress
Sumber: hasil pengolahan data lampiran Dari tabel IV.7 kategori distress, tabel IV.8 kategori grey area
dan tabel IV.9 kategori non distress diketahui bahwa nilai tolerance untuk semua variabel independen lebih besar dari 0,1 dan nilai VIF
bernilai kurang dari 10, maka dapat disimpulkan kurs, tingkat suku bunga, ROA, DTA dan FCF tidak terdapat gejala multikolonieritas.
b. Uji Autokorelasi Uji autokorelasi digunakan untuk mendeteksi adanya korelasi
internal diantara anggota-anggota dari serangkaian pengamatan yang tersusun dalam rangkaian ruang dan waktu. Adapun dasar pengambilan
keputusan dalam uji Durbin-Watson ini, yaitu jika nilai du d 4 – du, maka tidak terdapat autokorelasi positif atau negatif pada model regresi.
Hasil pengujian autokorelasi ditunjukkan dalam tabel berikut ini:
commit to user
TABEL IV.10 HASIL UJI AUTOKORELASI
Nilai d Hitung
Nilai du Tabel Nilai 4 – du
2,221 1,7837 2,2163 Kategori Distress
TABEL IV.11 HASIL UJI AUTOKORELASI
Nilai d Hitung
Nilai du Tabel Nilai 4 – du
1,820 1,8089 2,1911 Kategori
Grey Area
TABEL IV.12 HASIL UJI AUTOKORELASI
Nilai d Hitung
Nilai du Tabel Nilai 4 – du
1,989 1,7809 2,2191 Kategori
Non Distress Sumber: hasil pengolahan data lampiran
Diketahui bahwa nilai pada tabel IV.10, IV.11 dan IV.12 berada diantara
dan maka dapat disimpulkan bahwa pada model
regresi ketiga kategori tidak terdapat autokorelasi.
commit to user
c. Uji Heteroskedastisitas Uji heteroskedastisitas dimaksudkan untuk mengetahui dalam
model regresi terjadi ketidaksamaan varians dari residual satu pengamatan yang lain Ghozali, 2005 : 105. Cara memprediksi ada
tidaknya heteroskedastisitas pada suatu model dapat dilihat dari scatterplot yang dihasilkan. Gambar scatterplot pola sebagai berikut:
GAMBAR IV. 1 HASIL UJI HETEROSKEDASTISITAS
KATEGORI DISTRESS
commit to user
GAMBAR IV. 2 HASIL UJI HETEROSKEDASTISITAS
KATEGORI GREY AREA
GAMBAR IV. 3 HASIL UJI HETEROSKEDASTISITAS
KATEGORI NON DISTRESS
commit to user
Sumber: hasil pengolahan data lampiran Dari
grafik scatterplot gambar IV. 1, IV. 2 dan IV. 3 diatas nampak
bahwa penyebaran titik-titik data adalah menyebar, tidak berkumpul hanya diatas atau dibawah saja. Kemudian penyebarannya tidak membentuk pola
bergelombang. Sehingga dapat disimpulkan bahwa model regresi linear berganda terbebas dari asumsi klasik heteroskedastisitas sehingga layak
untuk digunakan dalam penelitian.
C. Pengujian Hipotesis
Setelah melalui proses uji normalitas data, uji multikolonieritas, uji autokorelasi dan uji heteroskedastisitas, maka model persamaan regresi layak
untuk diuji lebih lanjut, untuk menguji hipotesis diantara variabel- variabelnya.
1. Pengujian Koefisiensi Regresi Secara Simultan Uji F
Kategori