1. Uji Asumsi Klasik
Penelitian ini bertujuan untuk menganalisis pengaruh Debt to Equity
Ratio DER, Dividend Yield DY dan Return On Asset ROA terhadap Investment Opportunity Set IOS pada perusahaan sektor manufaktur di
Bursa Efek Indonesia periode 2013-2014. Sebelum dilakukan analisis regresi akan dilakukan uji asumsi klasik. Pengujian asumsi klasik
merupakan syarat utama dalam persamaan regresi, maka harus dilakukan pengujian terhadap 4 asumsi klasik berikut ini: 1 data berdistribusi
normal, 2 tidak terdapat autokorelasi, 3 tidak terdapat multikolinearitas antar variabel independen, dan 4 tidak terdapat heteroskedastisitas. Hasil
uji asumsi klasik disajikan sebagai berikut: a.
Uji Normalitas Menurut Latan dan Temalagi 2012 uji normalitas berfungsi untuk
mengetahui apakah residual data dari model regresi linear memiliki distribusi normal ataukah tidak. Uji normalitas dapat diuji menggunakan
grafik normal probability plot dan nonparametric test Kolmogorov-
Smirnov. Dasar pengambilan keputusannya adalah jika nilai signifikansi 5, data tersebut memiliki distribusi normal, dan jika nilai
signifikansi 5, data tersebut memiliki distribusi tidak normal.
Sumber: Lampiran 10 , halaman 100 Gambar 2. Hasil Uji Normalitas
Berdasarkan gambar 2 yang menjelaskan grafik Normal Probability
Plot terlihat bahwa data menyebar di sekitar garis diagonal dan searah mengikuti garis diagonal tersebut. Dapat disimpulkan, data dalam
penelitian ini memiliki distribusi normal.
Tabel 7. Hasil Uji Normalitas Unstandardized
Residual Kesimpulan
Asymp. Sig. 2-tailed 0,445
Normal Sumber : Lampiran 10, halaman 100
Berdasarkan tabel
7 hasil
uji normalitas
menggunakan nonparametric test Kolmogorov-Smirnov, memiliki nilai signifkasi
sebesar 0,445. Nilai signifikansi yang lebih besar dari nilai kritis, menunjukkan bahwa data memiliki distribusi normal.
b. Uji Multikolinearitas
Menurut Arief 2006 multikolinearitas adalah situasi adanya korelasi variabel-variabel bebas di antara satu dengan lainnya. Dalam
hal ini kita sebut variabel bebas ini tidak ortogonal. Variabel bebas ortogonal adalah variabel bebas yang nilai korelasi di antara sesamanya
sama dengan nol. Untuk mendeteksi masalah multikolinearitas, menurut Ghozali 2011 dapat melihat nilai
tolerance atau nilai variance inflation factor. Nilai yang umum dipakai untuk menunjukkan adanya
multikolinieritas adalah nilai Tolerance 0,10 atau sama dengan nilai
VIF 10.
Tabel 8. Hasil Uji Multikolinearitas Variabel
Tolerance VIF
Kesimpulan
DER 0,950
1.052 Tidak terdapat multikolinieritas
DY 0,929
1.076 Tidak terdapat multikolinieritas
ROA 0,975
1.025 Tidak terdapat multikolinieritas
Sumber : Lampiran 11, halaman 101 Tabel 8 menunjukkan bahwa semua variabel bebas mempunyai nilai
toleransi di atas 0,1 dan nilai VIF di bawah 10, sehingga dapat disimpulkan bahwa model regresi pada penelitian ini tidak terjadi
multikolinearitas. Untuk memperjelas hubungan antar variabel, dalam penelitian ini menggunakan uji korelasi pearson. Uji ini digunakan
untuk memperjelas derajat hubungan antara variabel bebas dan variabel terikat. Hasil tersebut dapat dilihat dalam tabel berikut:
Tabel 9. Hasil Korelasi Pearson IOS
DER DY
ROA IOS
1 0.444
-0.045 0.459
DER 0.444
1
-0.217 0.017
DY
-0.045 -0.217
1 0.149
ROA 0.459
0.017 0.149
1
Sumber : Lampiran 11, halaman 101 Berdasarkan tabel 9. Hasil korelasi pearson menunjukkan jika
angka korelasi pearson ≥ 0,8 maka terjadi multikolinearitas, sebaliknya jika angka korelasi pearson lebih kecil dari 0,8 maka tidak
terjadi multikolinearitas. c.
Uji Autokorelasi Uji autokorelasi bertujuan menguji apakah dalam model regresi
linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahaan pengganggu pada periode t-1 sebelumnya Ghozali, 2011.
Jika terjadi korelasi, maka dinamakan ada problem autokorelasi. Autokorelasi muncul karena observasi yang berurutan sepanjang waktu
berkaitan satu sama lainnya. Model regresi yang baik adalah regresi yang bebas dari autokorelasi. Alat ukur yang digunakan untuk
mendeteksi adanya autokorelasi dalam penelitian menggunakan tes Durbin Watson D-W. Uji Durbin Watson hanya digunakan untuk
autokorelasi tingkat satu first order autocorrelation dan mensyaratkan
adanya intercept konstanta dalam model regresi dan tidak ada variabel
lagi di antara variabel independen.
Tabel 10. Hasil Uji Autokorelasi Du
Durbin-Watson 4-du
Kesimpulan
1,681 1,870
2,129 Non Autokorelasi
Sumber : Lampiran 12, halaman 102 Berdasarkan tabel 10 dapat dilihat bahwa hasil perhitungan nilai
Durbin-Watson sebesar 1,870 yang berarti nilainya di antara dudw4- du dimana du = 1,681 dan 4-du = 2,130. Hal ini menunjukkan tidak ada
autokorelasi. d.
Uji Heteroskedastisitas Uji heteroskedastistas bertujuan menguji apakah dalam model
regresi terjadi ketidaksamaan varian dari residual satu pengamatan ke pengamatan yang lain. Jika varian dari residual satu pengamatan ke
pengamatan lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut heteroskedastistas. Model regresi yang baik adalah yang
homoskedastisitas atau tidak terjadi heteroskedastistas. Alat ukur yang digunakan untuk mengukur adanya heteroskedastisitas dalam penelitian
ini menggunakan uji White, uji ini dapat dilakukan dengan meregres
residual kuadrat U
2
t dengan variabel independen, variabel independen kuadrat dan perkalian interaksi variabel independen. Berdasarkan
persamaan regresi ini diperoleh nilai R
2
untuk menghitung c
2
, dimana c
2
=n x R
2
. Pengujiannya adalah jika c
2
hitung c
2
tabel, maka pengujian bebas dari heteroskedastisitas
Tabel 11. Hasil Uji Heteroskedastisitas Model
R R Square
Adjusted R Square
1 .455
a
.207 .101
Sumber : Lampiran 13, halaman 103 Berdasarkan tabel 11 dapat diketahui bahwa nilai R
2
nya bernilai 0,207, untuk jumlah N=60 maka didapatkan c
2
= 0,207 x 60 = 12,42, kemudian untuk nilai c
2
tabelnya adalah 77,93. Sehingga menjadi 12,42 77,93, Dapat diambil kesimpulan nilai c
2
hitung c
2
tabel, sehingga pengujian tidak terjadi heteroskedastisitas.
2. Hasil Analisis Regresi Linier Berganda