Hasil Uji Asumsi Klasik

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