69
2. Hasil Uji Asumsi Klasik
Pengujian asumsi klasik diperlukan agar model regresi menjadi suatu model yang lebih reperesentatif. Analisis data uji asumsi klasik dalam
penelitian ini antara lain melalui uji normalitas, multikolonieritas, autokorelasi dan heteroskedastisitas.
a. Hasil Uji Normalitas Uji normalitas dilakukan dengan menggunakan uji statistik
Kolmogorov-Smirnov. Pengujian ini bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki
distribusi normal. Seperti diketahui uji t dan F mengasumsikan bahwa nilai residual mengikuti distribusi normal. Kalau asumsi ini dilanggar,
maka uji statistik menjadi tidak valid untuk jumlah sampel kecil Ghozali, 2011:160.
Screening terhadap normalitas data merupakan langkah awal yang
harus dilakukan untuk setiap analisis multivariate, khususnya jika tujuannya adalah inferensi. Jika terdapat normalitas, maka residual
akan terdistribusi secara normal dan independen. Yaitu perbedaan antara nilai prediksi dengan score yang sesungguhnya atau error akan
terdistribusi secara simetri di sekitar nilai means sama dengan nol Ghozali, 2011: 29-30. Model regresi yang baik adalah model regresi
yang memiliki distribusi data normal atau mendekati normal. Di bawah ini adalah hasil dari uji Kolmogorov-Smirnov.
70
Tabel 4.3 Hasil Uji Normalitas Data
One Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N Normal Parameters Mean
Std. Deviation Most Extreme Differences Absolute
Positive Negatif
Kolmogorov-Smirnov Z Asymp. Sig. 2-tailed
198 .0000000
.46504049 .290
.290 -.255
4.081 .000
a. Test distribution is Normal
b. Calculated from data
Sumber: Data sekunder diolah 2013 Berdasarkan tabel 4.3 hasil uji normalitas data untuk tahun 2009
sampai dengan 2011, dapat dilihat bahwa data dalam penelitian ini tidak terdistribusi dengan normal dengan Asymp. Sig. 2-tailed 0,000
atau lebih kecil dari 0,05. Di bawah ini adalah langkah screening dan perbaikan terhadap
normalitas data yang kemudian dimaksudkan untuk menjadikan data yang residualnya tidak terdistribusi dengan normal menjadi data yang
residualnya terdistribusi dengan normal. Berikut langkah yang dilakukan oleh peneliti:
1 Peneliti melakukan screening secara statistik melalui dua
komponen normalitas yaitu skewness dan kurtosis Ghozali, 2011: 30. Berikut adalah hasil uji statistik deskriptifnya:
71
Tabel 4.4 Hasil Uji Statistik Deskriptif
Skewness dan Kurtosis
Descriptive Statistics
N Skewness
Kurtosis ZSkewness
ZKurtosis Statistic
Statistic Std. Error
Statistic Std. Error
CON 198
7.195 .173
87.759 .344
41.33213 252.0685
INST 198
-.624 .173
.057 .344
-3.58461 0.16372
MANJ 198
4.476 .173
24.408 .344
25.71266 70.10664
KA 198
2.424 .173
16.326 .344
13.92482 46.89286
KI 198
2.234 .173
6.683 .344
12.83335 19.19546
KKAPPIZA 198
-7.999 .173
62.616 .344
-45.9508 179.8508
LNASSET 198
.368 .173
.242 .344
3.682265 0.695092
Valid N listwise 198
Diketahui bahwa data untuk alpha 0,05 nilai kritisnya + 1,96. Dari hasil screening secara statistik di atas, dapat kita
lihat bahwa variabel yang terdistribusi dengan normal adalah variabel INST dan LNASSET karena zskewness atau
zkurtosisnya mendekati nilai kritis 1,96. Sedangkan variabel yang lain berada jauh dari titik kritis 1,96 sehingga variabel
tersebut tidak terdistribusi dengan normal. 2
Peneliti melakukan screening normalitas dengan grafik histogram. Peneliti melakukan hal ini sebagai dasar untuk
melakukan transformasi data untuk memperbaiki normalitas Sumber: Output SPSS dan data sekunder diolah 2013
72
data yang ada Ghozali, 2011:34. Output grafik histogram akan dilampirkan di bagian belakang.
3 Untuk memperbaiki distribusi variabel CON, maka
dilakukan tindakan transformasi Ln, sehingga menjadi LNCON, kemudian variabel MANJ dilakukan tindakan
transformasi SQRT, sehingga menjadi SQRTMANJ, selanjutnya variabel KA dilakukan tindakan transformasi
Ln, sehingga menjadi LNKA, kemudian variabel KI dilakukan tindakan transformasi SQRT, sehingga menjadi
SQRTKI, dan yang terakhir adalah variabel KKAPPIZA dilakukan tindakan transformasi SQRT, sehingga menjadi
SQRTKKAPPIZA. 4
Setelah peneliti melakukan transformasi data pada variabel yang tidak terdistribusi normal, peneliti melakukan langkah
penting yang menjadikan data dalam penelitian ini menjadi terdistribusi dengan normal. Yaitu peneliti melakukan
pembuangan data outlier atau data yang memiliki karakteristik unik yang terlihat sangat berbeda jauh dari
observasi-observasi lainnya dan muncul dalam bentuk nilai ekstrim baik untuk sebuah variabel tunggal atau variabel
kombinasi. Panduan dalam melakukan hal ini terdapat dalam Ghozali 2011:41 yang sangat membantu peneliti
dalam mendapatkan data yang terdistribusi dengan normal.
73
Setelah peneliti melakukan screening dan langkah perbaikan di atas, sebanyak 28 sampel data dibuang oleh peneliti. Sehingga jumlah
sampel tidak lagi 198 melainkan 170 sampel data.
Tabel 4.5 Hasil Uji Normalitas Data
One Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N Normal Parameters Mean
Std. Deviation Most Extreme Differences Absolute
Positive Negatif
Kolmogorov-Smirnov Z Asymp. Sig. 2-tailed
170 .0000000
1.20355323 .092
.088 -.092
1.202 .111
a. Test distribution is Normal
b. Calculated from data
Sumber: Data sekunder diolah 2013 Berdasarkan tabel 4.5 hasil uji normalitas data untuk tahun 2009
sampai dengan 2011, dapat dilihat bahwa data dalam penelitian ini telah terdistribusi dengan normal dengan Asymp. Sig. 2-tailed 0,111 atau
lebih besar dari 0,05. b. Hasil Uji Multikolonieritas
Uji multikolonieritas bertujuan untuk mengetahui apakah dalam model regresi ditemukan adanya korelasi antar variabel independen
dan model regresi yang baik adalah model regresi yang bebas dari masalah tersebut. Selengkapnya mengenai hasil uji multikolonieritas
dapat dilihat pada tabel 4.6 di bawah ini.
74
Tabel 4.6 Hasil Uji Multikolonieritas
Coefficients
a
Model Collinearity Statistics
Tolerance VIF
1 Constant
INST .741
1.350 SQRTMANJ
.696 1.437
LNKA .977
1.023 SQRTKI
.909 1.100
SQRTKKAPPIZA .938
1.066 LNASSET
.808 1.237
a. Dependent Variable: LNCON
Sumber: Data sekunder diolah 2013 Dari tabel 4.6 di atas dapat diketahui nilai tolerance masing-
masing variabel di atas 0,1 dan nilai VIF masing-masing variabel juga di bawah 10 dan mendekati 1. Maka dapat disimpulkan bahwa tidak
terjadi multikolonieritas antar variabel independen dalam model regresi dalam penelitian ini.
c. Hasil Uji Autokorelasi Uji autokorelasi dilakukan dengan menggunakan uji Durbin
Watson D-W. Pengujian ini bertujuan untuk mengetahui apakah
dalam model regresi ditemukan adanya korelasi antara kesalahan pengganggu pada periode tertentu dengan periode sebelumnya. Model
regresi yang baik adalah model regresi yang bebas dari masalah autokorelasi. Selengkapnya mengenai hasil uji autokorelasi penelitian
dapat dilihat pada tabel 4.7 di bawah ini.
75
Tabel 4.7 Hasil Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .352
a
.124 .092
1.22550 1.897
a. Predictors: Constant, LNASSET, SQRTKKAPPIZA, LNKA, INST, SQRTKI, SQRTMANJ b. Dependent Variable: LNCON
Sumber: Data sekunder diolah 2013 Dari tabel 4.7 di atas menunjukkan bahwa nilai D-W adalah
sebesar 1,897. Dengan jumlah predictors sebanyak 6 enam buah dan sampel penelitian sebanyak 170 perusahaan n=170. Berdasarkan
tabel di atas nilai D-W berada pada area tidak ada autokorelasi, di mana perhitungan yang bersumber dari tabel 13 Durbin-Watson
Ghozali, 2011:433 adalah sebagai berikut. Syarat dikatakan tidak ada autokorelasi adalah du d 4-du. Diketahui du = 1,831 dan d =
1,897, selanjutnya 4-du adalah 4 – 1,831 = 2,169. apabila diperhatikan, terlihat bahwa nilai d lebih besar dari nilai du, dan nilai
d lebih kecil dari nilai 4-du. Jadi kesimpulannya bahwa model regresi dalam penelitian ini tidak terjadi autokorelasi.
d. Hasil Uji Heterokedastisitas Uji heteroskedastisitas bertujuan untuk menguji apakah dalam
model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Jika variance dari residual satu
pengamatan ke
pengamatan lain
tetap, maka
disebut
76
homoskedastisitas, jika berbeda disebut heteroskedastisitas Ghozali, 2011: 139.
Model regresi yang baik adalah yang homoskedastisitas atau tidak terjadi heteroskedastisitas. Uji yang digunakan adalah uji Glejser. Uji
Glejser dilakukan dengan cara meregresikan antara variabel independen dengan nilai absolut residualnya. Jika nilai signifikansi
antara variabel independen dengan absolut residual lebih dari 0,05 maka tidak terjadi masalah heteroskedastisitas.
Selengkapnya mengenai hasil uji heteroskedastisitas dapat dilihat pada tabel 4.8 di
bawah ini:
Tabel 4.8 Hasil Uji Heterokedastisitas
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error
Beta 1
Constant 3.242
2.022 1.603
.111 INST
.023 .458
.005 .051
.959 SQRTMANJ
-.585 .539
-.101 -1.087
.279 LNKA
.208 1.021
.016 .204
.839 SQRTKI
-.879 .964
-.074 -.912
.363 SQRTKKAPPIZA
-.245 .535
-.037 -.458
.648 LNASSET
-.049 .060
-.070 -.817
.415 a. Dependent Variable: ABS_RES
Sumber: Data sekunder diolah 2013
77
Dari tabel 4.8 dengan jelas menunjukkan bahwa 6 enam variabel independen yang signifikan secara statistik mempengaruhi variabel
dependen nilai Absolut Residual ABS_RES. Variabel
independen yang
signifikan secara
statistik mempengaruhi variabel dependen nilai Absolut Residual ABS_RES
dapat dilihat dari probabilitas signifikansinya di atas tingkat kepercayaan 5. Jadi dapat disimpulkan model regresi tidak terjadi
Heteroskedastisitas.
3. Hasil Uji Hipotesis