Uji Asumsi Klasik Analisa Data
76
statistik bisa sebaliknya. Maka dari itu, pada penelitian ini tidak menggunakan analisis dengan grafik, melainkan
analisis dengan menggunakan statistik. Uji statistik dapat digunakan dengan uji Kolmogorov-Sminov. Data yang
terdistribusi normal ditunjukkan dengan nilai signifikan di atas 0,05. Berikut ini tabel hasil dari uji Kolmogorov-
Smirnov dengan data sebelum dilakukan outliers.
Table 4.5 Uji Normalitas Sebelum Outliers
Unstandardized Residual
N 48
Normal Parameters
a,b
Mean .0000000
Std. Deviation
24.85565757 Most Extreme
Differences Absolute
.202 Positive
.202 Negative
-.131 Kolmogorov-Smirnov Z
1.396 Asymp. Sig. 2-tailed
.040
Sumber: Data sekunder diolah
Tabel 4.4 adalah hasil dari pengolahan data sebelum dilakukan outlier dan hasilnya menunjukkan bahwa data
yang diolah adalah data yang tidak normal. Hal tersebut dapat dibuktikan dengan hasil signifikannya dibawah nilai
0,05, yaitu 0,04. Maka dari itu, untuk menjadikan datanya normal dan layak untuk dilakukan uji regresi harus
77
dilakukan outliers terlebih dahulu. Data yang dihapus dalam melakukan outliers sebanyak 8. Tabel 4.5 adalah
hasil uji normalitas setelah dilakukan outlier
Tabel 4.6 Hasil Uji Normalitas Data dengan Menggunakan
Uji Kolmogorov-Smirnov
Unstandardiz ed Residual
N 40
Normal Parameters
a,b
Mean .0000000
Std. Deviation
9.52373355 Most Extreme
Differences Absolute
.113 Positive
.113 Negative
-.073 Kolmogorov-Smirnov Z
.716 Asymp. Sig. 2-tailed
.684
Sumber: data sekunder diolah
Berdasarkan hasil uji normalitas pada tabel di atas menunjukkan bahwa data sudah terdistribusi normal. Hal
ini ditunjukkan dengan nilai Kolmogorov-Smirnov 0,716 dan nilai signifikansinya 0,684 jauh diatas 0,05. Hal ini
menunjukkan bahwa model regresi tersebut sesuai dengan asumsi normalitas.
78
b. Uji Multikoloniaritas
Uji ini bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel independen.
Model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel independen Ghozali, 2012:105. Untuk
mengetahui ada atau tidaknya multikolonieritas di dalam model regresi dapat dilihat dari nilai Tolerance dan
Variance Inflation Factor VIF. Suatu model regesi dinyatakan bebas dari Multikolonieritas jika nilai Tolerance
diatas 0,1 dan nilai VIF dibawah 10. Berikut ini tabel hasil uji Multikolonieritas.
Tabel 4.7 Hasil Uji Multikolonieritas
D a
r i
t
Sumber: Data sekunder diolah
Tabel diatas dapat dilihat bahwa semua variabel independen dinyatakan bebas dari Multikolonieritas,
Model Unstandardized
Coefficients Standardized
Coefficients T
Sig. Collinearity
Statistics B
Std. Error Beta
Tolerance VIF
Constant 6.915
9.653 .716
.479 ROA
1.238 .210
.732 5.896
.000 .865
1.157 DER
.009 .016
.073 .560
.579 .777
1.287 CR
.006 .007
.109 .843
.405 .800
1.249 GROWTH
-.082 .040
-.249 -2.053
.048 .903
1.107 UKURAN
.152 .355
.052 .429
.671 .914
1.095
79
dikarenakan mempunya nilai Tolerance diatas 0,1 dan nilai VIF dibawah angka 10.
c. Uji Autokorelasi
Untuk menguji apakah dalam model regresi linier ada korelasi antara kesalahan penganggu pada periode t dengan
kesalahan penganggu pada periode t-1 sebelumnya. Data yang digunakan pada penelitian ini adalah data crossection.
Pada data crossection, masalah autokorelasi relatif jarang terjadi karena gangguan pada observasi yang berbeda
berasal dari individu kelompok yang berbeda. Untuk melihat apakah data terjadi masalah autokorelasi atau tidak,
dapat dilihat dari hasil uji Durbin-Watson.
Tabel 4.8 Hasil Uji Autokorelasi
Model R
R Square Adjusted
R Square Std. Error of the
Estimate Durbin-
Watson .740
a
.548 .481
10.20000 1.635
Sumber: Data sekunder diolah
80
Tabel 4.9 Durbin-Watson Test Bound
Sumber: Imam Ghozali, 2012
Pada tabel hasil uji autokorelasi, nilai Durbin-Watson adalah 1,635. Hal ini menunjukkan bahwa nilai DW
1,635lebih kecil dari batas atas du 1,786, maka dapat disimpulkan bahwa terdapat autokorelasi. Namun, data
yang digunakan dalam penelitian ini tidak bersifat time series, melainkan data crossection. Jadi, permasalahan
autokorelasi dapat ditepiskan, karena kesalahan yang diakibatkan pada periode t-1 sebelumnya pada penelitian
ini tidak mungkin terjadi.
d. Uji Heterokedastisitas
Uji ini bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance residula satu
pengamatan ke pengamatan yang lain. Jika variance dari residual satu pengamatan ke pengamatan lain tetap, maka
N k = 5
Du Dl
15 0,562
2,22 .
. .
. .
. .
. .
. .
. 40
1,230 1,786
81
disebut Homoskedastisitas dan jika berbeda disebut Heteroskedastisitas. Model regresi yang baik adalah yang
Homoskedastisitas. Ada beberapa cara yang dapat dilakukan untuk
mendeteksi ada atau tidaknya heteroskedastisitas. Dalam penelitian ini menggunakan dua cara yaitu melihat grafik
scatterplot dan uji Glejser. Uji Glejser yaitu meregres nilai absolute residual terhadap variable indepnenden. Jika nilai
signifikan dari hasil uji Glejser lebih besar dari 0,05 , maka tidak terdapat heteroskedastisitas. Begitupun sebaliknya,
jika nilai signifikan dari hasil uji Glejser lebih kecil dari 0,05, maka terdapat heteroskedastisitas. Berikut ini hasil
dari heteroskedastisitas menggunakan uji Glejser.
Table 4.10 Hasil Uji Heteroskedastisitas
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. B
Std. Error Beta
Constant 2.637
4.556 .579
.567 DPR
.056 .080
.166 .699
.489 ROA
-.041 .140
-.071 -.290
.773 DER
-.009 .008
-.212 -1.159
.255 CR
-.001 .003
-.078 -.434
.667 GROWTH
-.021 .020
-.188 -1.052
.301 UKURAN
.293 .167
.295 1.757
.088
Sumber: Data sekunder diolah
82
Hasil data dari uji Glejser menyatakan bahwa tidak terdapat heteroskedastisitas. Dapat dilihat pada table 4.7,
nilai signifikansi dari setiap variabel diatas 0,05. Dengan demikian,
model regresi
ini tidak
mengandung
heteroskedastisitas.