B. Analisis Statistik
Pada tahap ini sebelum data-data tersebut dianalisis, sebuah model regresi berganda harus memenuhi syarat normalitas dan asumsi klasik, yaitu:
A. Pengujian Normalitas
Uji normalitas digunakan untuk mengetahui apakah distribusi sebuah data mengikuti normal dan mendekati normal Situmorang, et al, 2008:55.
6 4
2 -2
-4
Regression Standardized Residual
30 25
20 15
10 5
Frequency
Mean = 3.73E-17
Std. Dev. = 0.98...
Dependent Variable: EPS Histogram
1.0 0.8
0.6 0.4
0.2 0.0
Observed Cum Prob
1.0 0.8
0.6 0.4
0.2 0.0
E xpect
ed Cum P
rob Dependent Variable: EPS
Normal P-P Plot of Regression Standardized Residual
Gambar 4.1 : Histogram Gambar 4.2 : Normal P-Plot
Sumber: Hasil olahan SPSS,
29 Mei
2009 Sumber: Hasil olahan SPSS,
29 Mei
2009
Tampilan gambar grafik di atas menunjukkan bahwa datanya terdistribusi secara normal, mengikuti garis yang ada dan tidak mengalami kemencengan. Untuk mendapatkan
tingkat uji Normalitas yang lebih signifikan, maka penelitian ini juga menggunakan uji statistik non parametric Kolmogrov-Smirnov. Pada Tabel 4.4 dibawah ini diperoleh Asymp-
sig 2-tailed taraf nya ta α atau 0,334 0,05. Hal ini berarti data residual berasal dari
distribusi normal.
Universitas Sumatera Utara
Tabel 4.5 Normalitas-Statistik
One-Sample Kolmogorov-Smirnov Test
76 ,0000000
77,83637190 ,108
,108 -,082
,944 ,334
N Mean
Std. Deviation Normal Parameters
a,b
Absolute Positive
Negative Most Extreme
Differences
Kolmogorov-Smirnov Z As ymp. Sig. 2-tailed
Unstandardiz ed Res idual
Test distribution is Normal. a.
Calculated from data. b.
Sumber: Hasil olahan SPSS,
29 Mei
2009.
B. Pengujian Asumsi Klasik
1 Uji Multikolinearitas
Uji multikolinearitas dilakukan untuk melihat ada tidaknya hubungan linear diantara variabel bebas dalam model regresi. Tabel 4.5 menunjukkan tidak adanya gejala
multikolinearitas, dimana hasil uji VIF Variance Inlation Factor menentukan nilai kurang dari 5 VIF 5 dan nilai Tolerance 0,1.
Tabel 4.6 Multikolinearitas
Coefficients
a
42,274 10,597
3,989 ,000
-16,522 2,325
-,567 -7,108
,000 ,374
2,670 111,354
6,865 1,265
16,221 ,000
,391 2,556
-103,894 32,066
-,188 -3,240
,002 ,706
1,417 Constant
DER LDER
LDCR Model
1 B
Std. Error Unstandardized
Coefficients Beta
Standardized Coefficients
t Sig.
Tolerance VIF
Collinearity Statistics
Dependent Variable: EPS a.
Sumber: Hasil olahan SPSS, 29 Mei 2009.
Universitas Sumatera Utara
2 Uji Heteroskedastisitas
Asumsi heteroskedastisitas adalah asumsi dalam regresi dimana varians dari residual tidak sama untuk satu pengamatan ke pengamatan lainnya.
Tabel 4.7 Heterokedastisitas- uji glesjer
Coefficients
a
55,103 7,061
7,803 ,000
1,293 1,549
,160 ,834
,407 ,374
2,670 -1,934
4,574 -,079
-,423 ,674
,391 2,556
13,631 21,368
,089 ,638
,526 ,706
1,417 Constant
DER LDER
LDCR Model
1 B
Std. Error Unstandardized
Coefficients Beta
Standardized Coefficients
t Sig.
Tolerance VIF
Collinearity Statistics
Dependent Variable: ABS a.
Hasil olahan SPSS 29 Mei 2009
Pada Tabel tersebut dapat dilihat bahwa nilai signifikansi variabel-variabel independen lebih besar dari taraf nyata
α 5 sehingga dapat disimpulkan tidak terjadi heteroskedastisitas, dengan demikian persamaan regresi tersebut memenuhi asumsi
heteroskedastisitas. 3
Uji Autokorelasi Uji Autokorelasi dilakukan untuk menguji apakah pada model regresi linear terdapat
korelasi kesalahan pengganggu pada periode t dan kesalahan pengganggu pada periode sebelumnya periode t-1. Gejala autokorelasi dideteksi dengan menggunakan uji Durbin
Watson DW. Kriteria pengambilan keputusan uji autokorelasi ditunjukkan pada Tabel 4.8 berikut:
Universitas Sumatera Utara
Tabel 4.8 Kriteria Pengambilan Keputusan Uji Autokorelasi
Hipotesis Nol Keputusan
Jika
Tidak ada autokorelasi positif
Tolak 0DWdl
Tidak ada autokorelasi positif
No decision dl
≤DW≤du Tidak ada korelasi
negative Tolak
4-dlDWdu Tidak ada korelasi
negative No decision
4-du ≤DW≤4-dl
Tidak ada autokorelasi. positif atau negatif
Tidak ditolak DuDW4-du
Sumber: Situmorang et. al 2008:86
Tabel 4.9 menunjukkan bahwa hasil Durbin Watson DW adalah sebesar 1,948 dan berada pada daerah No Autocorelation yaitu diantara nilai du 1,712 dan 4-du 2,288 yang
artinya tidak terjadi autokorelasi pada model regresi karena 1,712 1,948 2,288.
Tabel 4.9 Autokorelasi
Model Summary
b
,910
a
,829 ,821
79,44141 1,948
Model 1
R R Square
Adjusted R Square
Std. Error of the Estimate
Durbin- Watson
Predictors: Constant, LDCR, LDER, DER a.
Dependent Variable: EPS b.
Sumber: Hasil olahan SPSS,
29 Mei
2009
4 Pengujian Kelayakan Model Goodness of Fit
Pada Tabel 4.7 menunjukkan nilai Adjusted R Square pada sektor properti dalam penelitian ini adalah sebesar 0,821 yang berari 82 variasi dari EPS dijelaskan oleh DER,
LDER, dan LDCR. Sisanaya 18 dijelaskan oleh faktor-faktor lainnya diluar model.
Universitas Sumatera Utara
Tabel 4.10 Uji Goodness of Fit
Model Summary
b
,910
a
,829 ,821
79,44141 Model
1 R
R Square Adjusted
R Square Std. Error of
the Estimate Predictors: Constant, LDCR, LDER, DER
a. Dependent Variable: EPS
b.
Sumber: Hasil olahan SPSS,
29 Mei 2009
5 Analisis Regresi Linear Berganda
Hasil estimasi regresi dari pengolahan data setelah didapatkan hasil yang memenuhi kriteria uji normalitas dan uji asumsi klasik dapat ditunjukkan pada Tabel 4.8 berikut:
Tabel 4.11 Regresi Linear Berganda
Coefficients
a
42,274 10,597
3,989 ,000
-16,522 2,325
-,567 -7,108
,000 111,354
6,865 1,265
16,221 ,000
-103,894 32,066
-,188 -3,240
,002 Constant
DER LDER
LDCR Model
1 B
Std. Error Unstandardized
Coefficients Beta
Standardized Coefficients
t Sig.
Dependent Variable: EPS a.
Sumber: Hasil olahan SPSS, 29 Mei 2009.
Model persamaan dalam penelitian ini adalah sebagai berikut: Y = 42,274 – 16,522X
1
+111,354X
2
– 103,894 + e Persamaan tersebut akan digunakan untuk menjelaskan bagaimana pengaruh variabel
bebas terhadap variabel terikat secara simultan uji F dan bagaimana pengaruh variabel bebas terhadap variabel terikat secara parsial uji t, agar dapat menguji hipotesis yang akan
dikemukakan penulis.
Universitas Sumatera Utara
C. PENGUJIAN HIPOTESIS