Uji Asumsi Klasik .1 Uji Normalitas

minimumnya sebesar 14,6. Nilai rata-rata lebih besar dari standar deviasi 2,08, ini berarti bahwa data telah terdistribusi baik. Ukuran perusahaan size memiliki nilai rata-rata 2,5333 dan lebih besar daripada standar deviasinya 1,5, ini menunjukkan bahwa data terdistribusi dengan baik. Nilai maksimum adalah sebesar 19 dan nilai minimum sebesar 0,23 4.3 Uji Asumsi Klasik 4.3.1 Uji Normalitas Uji normalitas dilakukan untuk menguji apakah dalam sebuah model regresi, variabel independen dan variabel dependen atau keduanya mempunyai distribusi normal atau tidak. Model yang paling baik adalah distribusi data normal atau mendekati normal. Normalitas data dapat dideteksi dengan melihat bentuk kurva histogram dengan kemiringan seimbang ke kiri dan ke kanan dan berbentuk seperti lonceng atau dengan melihat titik-titik data yang menyebar disekitar garis diagonal dan searah mengikuti garis diagonal dari gambar normal P-Plot Nugroho, 2005:23-23. Sumber: Hasil olahan SPSS 16.00, 2014 Universitas Sumatera Utara Gambar 4.1 Histogram Dependent Variabel VAIC Gambar 4.1 ini menunjukkan kurva histogram yang memiliki kemiringan seimbang kekiri dan kekanan, atau tidak condong ke kiri maupun ke kanan, melainkan ke tengah dengan bentuk seperti lonceng. Hal ini memenuhi salah satu syarat uji normalitas data bahwa data berdistribusi normal. Sumber: Hasil olahan SPSS 16.00, 2014 Gambar 4.2 Normal P-Plot of Regresion Standarized Residual Gambar 4.2 ini merupakan kurva P-Plot yang menunjukkan penyebaran titik- titik data di sekitar garis diagonal dan mengikuti arah garis diagonal. Hal ini berarti data pada variabel yang digunakan, yaitu variabel VAIC, berdistribusi normal Universitas Sumatera Utara Penelitian ini menggunakan Uji Statistik non-parametrik One sample Kolmogorov-Smirnov untuk mendapatkan tingkat uji normalitas yang lebih signifikan. Pada Tabel 4.5 berikut ini, diperoleh nilai Asymp. Sig 2-tailed taraf nyata α, yaitu 0.544 0.05. Hal ini berarti bahwa H diterima, yang berarti data residual berasal dari distribusi normal. One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 105 Normal Parameters a Mean .0000000 Std. Deviation 1.26742043 Most Extreme Differences Absolute .078 Positive .048 Negative -.078 Kolmogorov-Smirnov Z .800 Asymp. Sig. 2-tailed .544 a. Test distribution is Normal. Sumber: Hasil Olahan SPSS, 2014 Tabel 4.2 Uji Kolmogorov-Smirnov

4.3.2 Uji Multikolinearitas

Uji ini digunakan untuk menguji apakah dalam sebuah model regresi ditemukan adanya korelasi antara veriabel independen. Jika terjadi korelasi, maka dikatakan terdapat masalah multikolinieritas. Tabel 4.3 berikut menunjukkan semua variabel independen memiliki angka VIF lebih kecil dari 5, sedangkan nilai tolerance lebih besar dari 0,1. Hal ini menunjukkan tidak ada masalah multikolinieritas dalam model regresi. Hal ini berarti bahwa semua variabel bebas tersebut layak digunakan sebagai prediktor. Tabel 4.3 Uji Multikolinearitas Universitas Sumatera Utara Coefficients a Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics B Std. Error Beta Tolerance VIF 1 Constant 2.336 .518 4.507 .000 LNROA .206 .259 .132 2.941 .004 .511 1.956 LNROE -.228 .236 -.149 -.963 .338 .504 1.985 LNINS -.712 .310 -.221 -2.294 .024 .948 1.054 LNSIZE2 .188 .042 .402 4.463 .000 .994 1.006 a. Dependent Variable: LNVAIC Sumber: Data olahan SPSS, 2014

4.3.3 Uji Heteroskedastisitas

Asumsi heteroskedastisitas adalah asumsi dalam regresi dimana varians dari residual tidak sama untuk satu pengamatan ke pengamatan lain. Jika varians dari residual dari suatu pengamatan ke pengamatan lain tetap, maka disebut homoskedastisitas, dan jika berbeda disebut heteroskedastisitas. Salah satu uji untuk mengetahui heteroskedastisitas ini adalah dengan melihat penyebaran dari varians residual pada diagram pencar scatter plot. Gambar 4.3 Uji Heteroskedastisitas Universitas Sumatera Utara Sumber: data olahan SPSS,2014 Dari grafik scatterplot tersebut terlihat titik-titik menyebar tidak acak dan tersebar pada titik tertentu atau membentuk pola pada satu titik. Hal ini berarti terjadi heteroskedastisitas pada model regresi. Data yang mengalami heterokedastisitas memiliki varians yang tidak sama. Varians yang tidak sama dapat disebabkan oleh error learning model, spesifikassi model yang tidak baik, perbedaan besar pengamatan yang satu dengan pengamatan yang lain serta kesalahan transformasi data dan kesalahan bentuk fungsional Situmorang dan Lutfi, 2012 Data yang mengalami heteroskedastisitas dapat ditransformasikan agar variansnya sama dan mengalami homokedastisitas, salah satunya adalah dengan mengubah data menjadi bentuk natural Ln. Setelah data ditransformasi, data tersebut diuji lagi dengan meggunakan diagram pencar scatter plot. Berikut adalah hasil uji scatter plot setelah data ditransformasi: Gambar 4.4 Uji Heteroskedastisitas Setelah Transformasi Sumber: data olahan SPSS,2014 Universitas Sumatera Utara Dari grafik scatterplot tersebut terlihat titik-titik menyebar secara acak serta tersebar cukup baik. Hal ini berarti tidak terjadi heteroskedastisitas pada model regresi. Metode lain untuk mengetahui apakah suatu data mengalami heteroskedastisitas adalah dengan menggunakan pendekatan statistik, yaitu uji glejser yang menggunakan variabel dependen absolut Ut absUt. Berikut hasil uji glejser: Tabel 4.4 Uji Glejser Coefficients a Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 Constant 1.356 .327 4.146 .000 LNROA -.059 .035 -.229 -1.668 .098 LNROE .015 .015 .134 .971 .334 LNINS -.003 .005 -.074 -.730 .467 LNSIZE .024 .027 .088 .892 .374 a. Dependent Variable: ABSUT Sumber: data olahan SPSS, 2014 Jika variabel independen secara signifikan mempengaruhi variabel dependen, maka ada indikasi heteroskedastisitas. Tabel 4.5 tersebut menunjukkan tidak ada satu pun variabel independen yang mempengaruhi variabel dependen absolut Ut absUt. Hal ini terlihat dari probabilitas signifikansinya di atas tingkat kepercayaan 5 ROA 0,0980,05; ROE 0,3340,05; INS 0,4670,05; SIZE 0,3740,05 jadi dapat disimpulkan model regresi tidak mengalami heteroskedastisitas.

4.3.4 Uji Autokorelasi

Universitas Sumatera Utara Uji autokorelasi bertujuan menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pava perode sebelumnya. Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lainnya. Uji autokorelasi ini dideteksi dengan menggunakan Runs Tests, dimana pengambilan keputusannya adalah; tidak menolak hopotesis nol jika taksiran R berada pada jarak interval; dan menolak hipotesisi nol jika taksiran R diluar batas interval. Tabel 4.5 Uji Autokorelasi Runs Test Unstandardized Residual Test Value a .11959 Cases Test Value 52 Cases = Test Value 53 Total Cases 105 Number of Runs 57 Z .687 Asymp. Sig. 2-tailed .492 a. Median Sumber: data olahan SPSS, 2014 Hasil output Runs Test menunjukkan bahwa nilai test adalah 0,11959 dengan propbabilitas 0,492 0,05 yang berarti hipotesis nol ditolak. Dengan kata lain tidak terjavi autokorelasi antar nilai residual. 4.4 Analisis Regresi Berganda Analisis regresi dilakukan untuk menguji seberapa besar hubungan antara variabel independen yang terdiri dari ROA, ROE, SIZE dan INS dengan variabel Universitas Sumatera Utara dependen yaitu VAIC sekaligus untuk mengetahui arah hubungan tersebut. Data yang digunakan telah ditransformasi dalam bentuk logaritma natural karena data yang digunakan mengalami heteroskedastisitas. Tabel 4.5 berikut ini menunjukkan hasil estimasi regresi melalui pengolahan data dengan SPSS: Tabel 4.6 Analisis Regresi Linier Berganda Coefficients a Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 Constant 2.336 .518 4.507 .000 LNROA .206 .259 .132 2.941 .004 LNROE -.228 .236 -.149 -.963 .338 LNINS -.712 .310 -.221 -2.294 .024 LNSIZE .188 .042 .402 4.463 .000 a. Dependent Variable: LNVAIC Sumber: data olahan SPSS, 2014 Pengolahan data tersebut menghasilkan suatu persamaan regresi linier berganda sebagai berikut: Y = 3,896 + 0,206 β 1 – 0,228 β 2 – 0,712 β 3 + 0,188 β 4 + e Dimana : Y = VAIC β 1 = ROA β 2 = ROE β 3 = Kepemilikan Institusional β 4 = Ukuran Perusahaan e = standar error Universitas Sumatera Utara Interpretasi: 1. Konstanta sebesar 3,896 menunjukkan nilai tetap konstan VAIC bahwa apabila tidak ada variabel bebas ROA,ROE, Kepemilikan institusional, ukuran perusahaan maka harga saham perusahaan industri keuangan di Bursa Efek Indonesia sebesar 3,896. 2. Variabel ROA berpengaruh positif terhadap VAIC dengan nilai koefisien sebesar 0,206. Artinya jika ROA naik sebesar 1 maka VAIC akan mengalami kenaikan sebesar 20,6 atau 0,206 pula. 3. Variabel ROE berpengaruh negatif terhadap VAIC dengan nilai koefisien sebesar 0,228. Artinya jika ROE naik sebesar 1 maka VAIC akan mengalami penurunan sebesar 22,8 atau 0,228 satuan. 4. Variabel kepemilikan institusional berpengaruh negatif terhadap VAIC dengan nilai koefisien sebesar 0,712. Artinya jika kepemilikan institusional naik sebesar 1 maka VAIC akan mengalami penurunan sebesar 71,2 atau 0,712. 5. Variabel size atau ukuran perusahaan berpengaruh positif terhadap VAIC dengan nilai koefisien sebesar 0,188. Artinya jika kepemilikan institusional naik sebesar 1 maka VAIC akan mengalami penurunan sebesar 18,8. 4.5 Pengujian Hipotesis 4.5.1 Uji Simultan Uji Statistik F

Dokumen yang terkait

EFEK INTELLECTUAL CAPITAL DAN LEVERAGE KEUANGAN TERHADAP PROFITABILITAS PERUSAHAAN PERBANKAN YANG TERDAFTAR DI BURSA EFEK INDONESIA

1 5 21

Faktor-faktor yang mempengaruhi pengungkapan intellectual capital pada perusahaan property dan real estate yang terdaftar di Bursa Efek Indonesia tahun 2010 - 2014

0 14 135

ANALISIS PENGARUH KEPEMILIKAN MANAJERIAL, KEPEMILIKAN INSTITUSIONAL, LEVERAGE, DAN INTELLECTUAL CAPITAL TERHADAP KINERJA PERUSAHAAN

0 5 124

ENGARUH UKURAN PERUSAHAAN, STRUKTUR KEPEMILIKAN, PROFITABILITAS, LEVERAGE DAN UMUR PERUSAHAAN TERHADAP PENGUNGKAPAN INFORMASI INTELLECTUAL CAPITAL PADA PERUSAHAAN PERBANKAN DI BURSA EFEK INDONESIA.

2 6 31

PENGARUH INTELLECTUAL CAPITAL TERHADAP KINERJA KEUANGAN PERUSAHAAN PERBANKAN YANG TERDAFTAR Pengaruh Intellectual Capital Terhadap Kinerja Keuangan Perusahaan Perbankan Yang Terdaftar Di Bursa Efek Indonesia (BEI).

0 2 15

PENGARUH INTELLECTUAL CAPITAL TERHADAP KINERJA KEUANGAN PERUSAHAAN PERBANKAN YANG TERDAFTAR Pengaruh Intellectual Capital Terhadap Kinerja Keuangan Perusahaan Perbankan Yang Terdaftar Di Bursa Efek Indonesia (BEI).

0 5 16

Pengaruh Intellectual Capital Terhadap Kinerja Perusahaan Industri Barang Konsumsi di Bursa Efek Indonesia

0 0 2

PENGARUH INTELLECTUAL CAPITAL DAN STRUKTUR KEPEMILIKAN TERHADAP KINERJA KEUANGAN PERUSAHAAN

0 0 15

BAB II TINJAUAN PUSTAKA 2.1 Landasan Teori 2.1.1 Profitabilitas - Pengaruh Profitabilitas dan Ukuran Perusahaan Serta Kepemilikan Institusional Terhadap Kinerja Intellectual Capital Industri Keuangan di Bursa Efek Indonesia

0 0 17

PENGARUH KEPEMILIKAN MANAJERIAL, KEPEMILIKAN INSTITUSIONAL DAN KEPEMILIKAN ASING TERHADAP KINERJA INTELLECTUAL CAPITAL

0 0 17