Hasil analisis dengan menggunakan statistik deskriptif terhadap variabel VAIC
TM
VAIC menunjukkan nilai minimum sebesar -4,35, nilai maksimum sebesar 60,97 dengan nilai rata-rata sebesar 9.2622 dan standar
deviasinya sebesar 9.87732. Hasil analisis dengan menggunakan statistik deskriptif terhadap
variabel proporsi komisaris independen KIND menunjukkan nilai minimum sebesar 0,20, nilai maksimum sebesar 0,71 dengan nilai rata-rata
sebesar 0,4217 dan standar deviasinya sebesar 0,11192. Hasil analisis dengan menggunakan statistik deskriptif terhadap
variabel kepemilikan institusional KINST menunjukkan nilai minimum sebesar 0,00, nilai maksimum sebesar 0,98 dengan nilai rata-rata sebesar
0,2783 dan standar deviasinya sebesar 0,29939. Hasil analisis dengan menggunakan statistik deskriptif terhadap
variabel Dewan Direksi DD menunjukkan nilai minimum sebesar 2, nilai maksimum sebesar 9 dengan nilai rata-rata sebesar 5,0968 dan standar
deviasinya sebesar 1,76096. Kemudian hasil analisis dengan menggunakan statistik deskriptif terhadap variabel pergantian CEO CEO menunjukkan
nilai minimum sebesar 0,00, nilai maksimum sebesar 1 dengan nilai rata- rata sebesar 0,180 dan standar deviasinya sebesar 0,3860.
2. Hasil Uji Asumsi Klasik
Uji asumsi klasik dilakukan dengan menggunakan analisis regresi terhadap variabel independen dan variabel dependen. Adapun dalam
penelitian ini variabel independen yang digunakan adalah VAIC
TM
,
79
kepemilikan manajerial, kepemilikan institusional, dewan direksi, dan pergantian CEO, sedangkan variabel dependen yang digunakan kinerja
perusahaan Tobins Q. Uji asumsi klasik yang telah dilakukan dan hasilnya adalah sebagai berikut:
a. Hasil Uji Multikolonieritas Uji multikolonieritas bertujuan untuk menguji apakah dalam model
regresi ditemukan adanya korelasi antar variabel bebas. Untuk mendeteksi adanya problem multikolonieritas, maka dapat dilakukan dengan melihat
nilai tolerance dan Variance Inflation Factor VIF serta besaran korelasi antar variabel independen. Berikut ini adalah tabel yang menunjukkan hasil
uji multikolonierita.
Tabel 4.4 Hasil Uji Multikolonieritas
Coefficients
a
Model Collinearity Statistics
Tolerance VIF
1 Constant
VAIC .982
1.018 KIND
.926 1.080
KINST .991
1.057 DD
.961 1.041
CEO .971
1.030 a. Dependent Variable: TOBINS
Berdasarkan tabel 4.4 diatas dapat diketahui bahwa hasil uji multikolonieritas menunjukkan nilai tolerance mendekati angka 1 dan nilai
VIF disekitar angka 1 untuk setiap variabel. Hasil perhitungan Toleransi menunjukan tidak ada variabel independen yang memiliki nilai Toleransi
kurang dari 0,10 yang berarti tidak ada kolerasi antar variabel independen 80
yang nilainya lebih dari 95. Hasil VIF juga menunjukan hal yang sama tidak ada suatu variabel independen yang memiliki nilai VIF lebih dari 10.
Berdasarkan hasil uji multikolonieritas tersebut, maka dapat disimpulkan bahwa semua variabel independen dalam model persamaan
regresi tidak terdapat problem multikolonieritas dan dapat digunakan dalam penelitian ini.
b. Hasil Uji Autokorelasi Uji autokorelasi bertujuan untuk menguji apakah dalam suatu
model regresi ditemukan adanya autokorelasi dalam analisis regresi. Untuk mendeteksi ada atau tidaknya autokorelasi, maka dapat dilakukan
dengan melihat nilai Durbin-Watson. Regresi yang bebas dari autokorelasi harus memiliki nilai Durbin-Watson yang memenuhi syarat,
yaitu berada diantara angka -2 dan +2 Singgih Santoso, 2012:219. Berikut ini adalah tabel yang menunjukkan hasil uji autokorelasi.
Tabel 4.5 Hasil Uji Autokorelasi
Model Summary
b
Model R
R Square
Adjusted R Square
Std. Error of the Estimate
Durbin- Watson
1 .669
a
.447 .419
.094039344 1.844
a. Predictors: Constant, VAIC, KIND, KINST, DD, CEO b. Dependent Variable: TOBINS
Sumber: Data sekunder yang diolah
81
Berdasarkan tabel 4.5 di atas dapat diketahui bahwa hasil uji autokorelasi pada nilai Durbin-Watson adalah 1,844. Nilai yang
dihasilkan tersebut berada diantara angka -2 dan +2 sehingga dapat disimpulkan bahwa data yang digunakan dalan dalam penelitian ini
bebas dari autokorelasi. c. Hasil Uji Heterokedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu
pengamatan ke pengamatan yang lain. Untuk mendeteksi ada atau tidaknya heteroskedastisitas dilakukan dengan melihat ada atau tidaknya
pola tertentu pada grafik scatterplot antara SRESID dan ZPRED. Jika terdapat pola tertentu seperti titik-titik yang ada membentuk suatu pola
tertentu yang teratur bergelombang, melebar kemudian menyempit, maka terjadi heterokedastis. Sebaliknya jika tidak terdapat pola yang
jelas serta titik-titik menyebar di atas dan di bawah angka 0 nol pada sumbu Y, maka tidak terjadi heterokedastis. Adapun hasil uji
heterokedastisitas dalam penelitian ini dapat dilihat pada gambar 4.1.
82
Gambar 4.1 Hasil Uji Heteroskedastisitas
Sumber: Data sekunder yang diolah Berdasarkan hasil uji heterokedastisitas pada gambar 4.1 dapat
dilihat bahwa grafik scatterplot menunjukkan data tersebar dengan baik, yaitu titik-titik yang menyebar. Grafik scatterplot menunjukkan bahwa
data tersebar di atas dan di bawah angka 0 nol pada sumbu Y dan tidak terdapat suatu pola yang jelas pada penyebaran data tersebut. Hal ini
berarti tidak terjadi heteroskedastisitas pada model persamaan regresi, sehingga model regresi layak digunakan untuk memprediksi Tobins Q
berdasarkan variabel-variabel yang mempengaruhinya, yaitu VAIC
TM
, kepemilikan manajerial, kepemilikan institusional, dewan direksi, dan
pergantian CEO.
83
d. Hasil Uji Normalitas Uji normalitas bertujuan untuk menguji apakah dalam model
regresi, variabel dependen dan variabel independen atau keduanya mempunyai distribusi normal atau tidak. Model regresi yang baik adalah
distribusi data normal atau mendekati normal. Untuk mendeteksi normalitas data, penelitian ini menggunakan analisis normal probability
plot. Pada analisis normal probability plot dilakukan dengan cara
melihat penyebaran data titik pada sumbu diagonal dari grafik. Jika data menyebar di sekitar garis diagonal dan mengikuti arah garis
diagonal, maka model regresi memenuhi asumsi normalitas. Jika data menyebar jauh dari garis diagonal dan atau tidak mengikuti arah
diagonal, maka regresi tidak memenuhi asumsi normalitas. Adapun hasil uji normalitas dapat dilihat pada gambar 4.2.
84
Gambar 4.2 Hasil Uji Normalitas Data Menggunakan Grafik P-Plot
Sumber: Data sekunder yang diolah
Berdasarkan hasil uji normalitas pada gambar 4.2 di atas dapat dilihat bahwa grafik P-Plot menunjukkan bahwa titik-titik menyebar
mengikuti garis diagonalnya. Hal ini menunjukkan bahwa data terdistribusi secara normal dan model regresi yang diuji dengan
menggunakan grafik tersebut telah memenuhi asumsi normalitas.
3. Hasil Uji Hipotesis