hutang tertinggi adalah 1.00 dimilikioleh perusahaan PT. Renuka Coalindo Tbk.
5. Ukuran perusahaan memiliki nilai rata-rata sebesar 14.774.271. Ukuran
perusahaan terendah adalah 138.130 yaitu PT. Renuka Coalindo Tbk. Ukuran perusahaan tertinggi adalah 213.994.000 yaitu PT. Astra Internasional Tbk.
6. Dividen memiliki nilai rata-rata 1.194. Dividen terendah adalah -102. yaitu
dividen PT. Intraco Penta Tbk. Dividen tertinggi adalah 40.000 yaitu dividen PT. Multistrada Arah Sarana Tbk.
4.3 Uji Asumsi Klasik
4.3.1 Uji normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal. Normalitas variabel pengganggu
umumnya dideteksi dengan melihat tabel histogram. Namun demikian, dengan hanya melihat tabel histogram belum tentu bisa memastikan bahwa data memiliki distribusi
normal. Metode yang lebih handal adalah dengan melihat normal probability plot yang membandingkan distribusi kumulatif dari data yang sesungguhnya dengan distribusi
kumulatif dari distribusi normal.
Gambar 4.1. Hasil Uji Histogram of Regression Standardized Residual
Sumber: Hasil pengolahan data sekunder, 2015
Gambar 4.2. Hasil Uji P-Plot of Regression Standardized Residual
Sumber: Hasil pengolahan data sekunder, 2015
Pada gambar 4.2 dapat dilihat bahwa grafik normal probability plot of regression standardized menunjukan pola grafik yang tidak normal. Hal ini terlihat dari titik-titik yang
melenceng dari garis diagonal. Untuk memperkuat pengujian dilakukan pengujian normalitas dengan menggunakan uji One-sample Kolmogorov-Smirnov.
Tabel 4.2 one-Sample Kolmogorov-Smirnov Test
Sumber:Hasil pengolahan data sekunder, 2015
Dari table 4.2 terlihat bahwa variabel memiliki nilai signifikan 0.000, dasar pengambilan keputusan untuk pengujian one-Sample Kolmogorov-Smirnov adalah data
normal apabila nilai signifikan untuk nilai residual lebih besar dari 0,05. Sehingga dari hasil pengujian di atas dapat disimpulkan bahwa variabel dalam penelitian ini terdistribusi
secara tidak normal. Menurut Situmorang yang dikutip dalam Iskandar Muda 2010 beberapa cara untuk memperbaiki data yang menyebar secara tidak normal antara lain :
1. Melakukan transformasi data menjadi bentuk logaritma atau logaritma natural
2. Menambah jumlah data
3. Menghilangkan data yang dianggap sebagai penyebab tidak normalnya data
4. Menerima data apa adanya.
Dalam hal ini peneliti akan melakukan transformasi data yang berbentuk nominal menjadi logaritma natural. Transformasi data ke dalam bentuk logaritma natural
menyebabkan data yang bernilai negatif tidak dapat ditransformasi sehingga menghasilkan missing values. Setiap data yang terdapat missing values akan dihilangkan d an diperoleh
jumlah sampel yang valid menjadi 52 pengamatan dengan analisis statistik deskriptif sebagai berikut:
Tabel 4.3 Analisis Statistik Deskriptif Tahun 2011-2013 setelah transformasi data
Statistics
lndividen lnukuranper usahaan
lnaruskasope rasi
lnlabaakunta nsi
kebijakan hutang
N Valid
62 66
55 63
66 Missing
4 11
3 Mean
5.3721 28.8239
26.3244 25.9523
.5121 Std. Deviation
1.78097 1.65062
2.01138 2.09494
.19593 Minimum
1.10 25.65
22.19 21.03
.17 Maximum
10.60 33.00
30.69 30.76
1.00
Sumber: Hasil pengolahan data sekunder, 2015
Sehingga diperoleh uji normalitas sebagai berikut:
Gambar 4.3 Hasil Uji Histogram of Regression Standardized Residual Setelah Transformasi Data
Sumber: Hasil pengolahan data sekunder, 2015
Gambar 4.4 Hasil Uji P-Plot of Regression Standardized Residual Setelah Transformasi Data
Sumber: Hasil pengolahan data sekunder, 2015
Pada gambar 4.3 ditunjukkan bahwa histogram sudah menjadi normal dan pada gambar 4.4 grafik normal probability of regression standardized menunjukkan pola grafik
yang normal. Setelah melakukan transformasi data ke dalam bentuk logaritma natural, titik-titik kini telah menyebar di sekitar garis diagonal dan penyebarannya mengikuti garis
diagonal. Maka model regresi layak dipakai karena telah memenuhi asumsi normalitas.
Untuk memperkuat pengujian, kembali dilakukan uji One-Sample Kolmogorov-Smirnov.
Tabel 4.4 One-Sample Kolmogorov-Smirnov Test Setelah Transformasi Data
Sumber: Hasil pengolahan data sekunder, 2015
Dari table 4.4 ditunjukkan bahwa nilai signifikan One-Sample Kolmogorov- Smirnov adalah 0,307. Karena lebih besar dari 0,05 maka hasil pengujian di atas dapat
disimpulkan bahwa variabel dalam penelitian ini terdistribusi secara normal, mendukung pengujian dengan menggunakan grafik plot.
4.3.2 Uji multikolinieritas