Uji Normalitas Pengujian Asumsi Klasik

2. Pengujian Asumsi Klasik

Salah satu satu syarat yang menjadi dasar penggunaan model regresi berganda dengan metode estimasi Ordinary Least Square OLS adalah dipenuhinya semua asumsi klasik, agar hasil pengujian bersifat tidak bias dan efisien Best Linear Unbiased Estimator. Pengujian asumsi klasik dalam penelitian ini dilakukan dengan bantuan program statistik. Menurut Ghozali 2005:123, asumsi klasik yang harus dipenuhi adalah: 1. Berdistibusi normal. 2. Non-Multikolinearitas, artinya antara variabel independen dalam model regresi tidak memiliki korelasi atau hubungan secara sempurna ataupun mendekati sempurna. 3. Non-Autokorelasi, artinya kesalahan pengganggu dalam model regresi tidak saling berkorelasi. 4. Non-Heterokedastisitas, artinya variance variabel independen dari satu pengamatan ke pengamatan lain adalah konstan atau sama.

a. Uji Normalitas

Uji data statistik dengan model Kolmogorov-Smirnov dilakukan untuk mengetahui apakah data sudah terdistribusi secara normal atau tidak. Ghozali 2005:115, memberikan pedoman pengambilan keputusan rentang data mendekati atau merupakan distribusi normal berdasarkan uji Kolmogorov Smirnov yang dapat dilihat dari: a nilai sig. atau signifikan atau probabilitas 0,05, maka distribusi data adalah tidak normal, b nilai sig. atau signifikan atau probabilitas 0,05, maka distribusi data adalah normal. Universitas Sumatera Utara Hasil uji normalitas dengan menggunakan model Kolmogorov-Smirnov adalah seperti yang ditampilkan berikut ini : Tabel 4.5 Hasil Uji Normalitas 1 One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 60 Normal Parameters a Mean .0000000 Std. Deviation 3.32038590 Most Extreme Differences Absolute .278 Positive .278 Negative -.224 Kolmogorov-Smirnov Z 2.156 Asymp. Sig. 2-tailed .000 a. Test distribution is Normal. Sumber : Output SPSS, diolah Peneliti, 2010 Berdasarkan hasil uji statistik dengan model Kolmogorov-Smirnov seperti yang terdapat dalam tabel 4.5 dapat disimpulkan bahwa data tidak terdistribusi normal, hal ini dapat dilihat dari nilai Asymp.Sig.2-tailed Kolmogorov-Smirnov sebesar 0,000 yang lebih kecil dari 0,05, sehingga data tidak terdistribusi normal. Untuk menguji apakah data grafik variabel CR, DER, TATO dan GPM memiliki distribusi normal atau tidak, dapat dilakukan dengan menggambarkan kurva histogram dan grafik Normality Probability Plot yaitu sebagai berikut: Universitas Sumatera Utara Gambar 4.1. Histogram Sumber : Output SPSS, diolah Peneliti, 2010 Dari hasil tampilan kurva histogram di atas dapat terlihat bahwa kemiringan kurva cenderung ke kanan, hal ini menunjukkan bahwa data tidak terdistribusi dengan normal . Universitas Sumatera Utara Gambar 4.2 Normal P-Plot Regression Sumber : Output SPSS, diolah Peneliti, 2010 Dari hasil grafik Normal P-Plot Regression di atas dapat dilihat titik-titik menyebar jauh dari garis diagonal yang menunjukkan data tidak terdistribusi dengan normal. Menurut Erlina dan Mulyani 2007 : 106 ada beberapa cara mengubah model regresi menjadi normal yaitu : a. lakukan transformasi data ke bentuk lainnya, b. lakukan trimming, yaitu membuang data outlier, c. lakukan winsorizing, yaitu mengubah nilai data yang outlier ke suatu nilai tertentu. Universitas Sumatera Utara Untuk mengubah nilai residual agar berdistribusi normal, peneliti melakukan transformasi data ke model logaritma natural Ln. Setelah itu, data diuji ulang berdasarkan asumsi normalitas. Berikut ini adalah hasil pengujian dengan Kolmogorov-Smirnov setelah dilakukan transformasi: Tabel 4.6 Hasil Uji Normalitas 2 Setelah Transformasi Dengan Logaritma Natural One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 40 Normal Parameters a Mean .0000000 Std. Deviation 1.70444216 Most Extreme Differences Absolute .106 Positive .076 Negative -.106 Kolmogorov-Smirnov Z .667 Asymp. Sig. 2-tailed .765 a. Test distribution is Normal. Sumber : Output SPSS, diolah Peneliti, 2010 Tabel 4.6 menunjukkan bahwa hasil pengujian statistik dengan model Kolmogorov-Smirnov menunjukkan bahwa data telah terdistribusi normal karena nilai Asymp.Sig 2-tailed Kolmogorov-Smirnov 0,765 lebih besar dari 0,05. Hasil pengujian normalitas dengan histogram dan Normal P-Plot Regression Standardized Residual juga dapat dilihat pada gambar berikut: Universitas Sumatera Utara Gambar 4.3 Histogram setelah transformasi Sumber : Output SPSS, diolah Peneliti, 2010 Grafik histogram di atas menunjukkan bahwa data telah terdistribusi secara normal. Hal ini dapat dilihat dari grafik histogram yang menunjukkan distribusi data mengikuti garis diagonal yang tidak menceng skewness kiri maupun menceng ke kanan. Menurut Ghozali 2005 : 112, pendeteksian normalitas dapat dilakukan dengan melihat penyebaran data titik pada sumbu diagonal dari grafik Grafik Normal P-P Plot of Regression, yaitu jika data titik menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal, hal ini menunjukkan data yang telah terdistribusi normal. Universitas Sumatera Utara Gambar 4.4 Normal P-P Plot of Regression setelah transformasi Sumber : Output SPSS, diolah Peneliti, 2010 Menurut Ghozali 2005:112, pendeteksian normalitas dapat dilakukan dengan melihat penyebaran data titik pada sumbu diagonal dari grafik, yaitu jika data titik menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal, hal ini menunjukkan data yang telah terdistribusi normal. Gambar 4.4 menunjukkan bahwa data titik menyebar di sekitar dan mendekati garis diagonal. Hal ini sejalan dengan hasil pengujian dengan menggunakan histogram bahwa data telah terdistribusi normal. Karena secara keseluruhan data telah terdistribusi secara normal, maka dapat dilakukan pengujian asumsi klasik lainnya. Universitas Sumatera Utara

b. Uji Multikolinieritas