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