73
variabel RS sangat berfluktuasi karena selisih antara RS maximum dengan RS minimum cukup besar, sehingga mengindikasikan bahwa variabel RS tidak
berdistribusi normal.
5.1.2. Uji Asumsi Klasik
Model regresi yang baik dan layak di uji adalah model regresi yang bebas dari masalah asumsi klasik. Untuk menghasilkan suatu model regresi yang baik, analisis
regresi harus melakukan pengujian asumsi klasik dan apabila terjadi penyimpangan dalam pengujian asumsi klasik perlu dilakukan perbaikan terlebih dahulu.
5.1.2.1. Uji normalitas Uji normalitas berguna untuk mengetahui apakah variabel dependen dan
variabel independen yang digunakan dalam penelitian mempunyai distribusi normal atau tidak. Model regresi yang baik dan layak digunakan dalam penelitian adalah
model yang memiliki distribusi normal atau mendekati normal. Hasil uji normalitas data dengan grafik normal Probability plot dalam penelitian ini dapat ditunjukkan
pada gambar 5.1 berikut ini:
Universitas Sumatera Utara
74
Observed Cum Prob
1.0 0.8
0.6 0.4
0.2 0.0
Expected Cum Prob
1.0 0.8
0.6 0.4
0.2 0.0
Normal P-P Plot of Regression Standardized Residual
Dependent Variable: RS
Gambar 5.1 Hasil Uji Normalitas Sebelum Dilakukan Transformasi
Dari Gambar 5.1 terlihat bahwa titik-titik menyebar jauh dari garis diagonal dan tidak mengikuti arah garis diagonal maka model regresi tidak memenuhi asumsi
normalitas. Selain itu uji normalitas data dapat dilakukan dengan menggunakan uji statistik non parametrik Kolmogorov-Smirnov K-S, pengujian ini adalah pengujian
paling valid atas asumsi normalitas. Untuk mengetahui hasil uji normalitas dari masing-masing variabel dengan uji Kolmogorov-Smirnov dapat dilihat pada Tabel
5.2 berikut:
Tabel 5.2 Uji Kolmogorov-Smirnov Sebelum Transformasi
CR ROA
NPM EPS
LR TATO
PER PBV
BV RS
N 162
162 162
162 162
162 162
162 162
162 Normal
Parametersa,b Mean
2.679 .125
.115 993.319
.428 1.36
14.609 2.920
4358.296 .765
Std. Deviation
2.184 .115
.172 2009.733
.192 .729
21.367 4.246
7651.276 .860
Most Extreme Differences
Absolute .186
.185 .253
.312 .068
.173 .263
.262 .295
.196 Positive
.186 .185
.210 .312
.068 .173
.231 .221
.295 .196
Negative -.171
-.138 -.253
-.311 -.041
-.105 -.263
-.262 -.289
-.189 Kolmogorov-Smirnov Z
2.371 2.360
3.223 3.970
.868 2.199
3.349 3.340
3.751 2.496
Asymp. Sig. 2-tailed .000
.000 .000
.000 .439
.000 .000
.000 .000
.000
Sumber: Hasil Penelitian, 2010 Data Diolah
Universitas Sumatera Utara
75
Dari hasil uji normalitas pada Tabel 5.2 dapat dilihat hanya variabel LR yang berdistribusi normal karena nilai signifikansinya sebesar 0.439 0.05, sedangkan
variabel CR, ROA, NPM, EPS, LR, TATO, PER, PBV, BV dan RS tidak berdistribusi normal karena nilai signifikansi dari masing-masing variabel sebesar
0.000 0.05. Untuk mengubah nilai residual agar berdistribusi normal peneliti melakukan transformasi data dengan Logaritma natural Ln dengan menggunakan
SPSS. Caranya adalah dengan melakukan logaritma natural terhadap semua variabel yang tidak berdistribusi normal. Setelah itu, data diuji ulang berdasarkan asumsi
normalitas. Hasil uji normalitas setelah melakukan transformasi data yang tidak normal tersebut dapat dilihat dari grafik normal Probability Plot pada Gambar 5.2
berikut ini:
Observed Cum Prob
1.0 0.8
0.6 0.4
0.2 0.0
Ex pe
ct ed
Cu m
Pr ob
1.0 0.8
0.6 0.4
0.2 0.0
Normal P-P Plot of Regression Standardized Residual
Dependent Variable: Ln_RS
Sumber: Hasil Penelitian, 2010 Data Diolah
Gambar 5.2 Hasil Uji Normalitas Setelah Dilakukan Transformasi
Universitas Sumatera Utara
76
Dari grafik normal Probability Plot pada gambar 5.2 terlihat bahwa setelah dilakukan transformasi data menggunakan logaritma natural, grafik P-P Plot
memperlihatkan titik-titik menyebar disekitar garis diagonal dan mengikuti arah garis diagonal yang menunjukkan pola distribusi normal. Untuk meyakinkan bahwa data
penelitian ini benar-benar normal, maka akan dilakukan pengujian uji statistik non parametrik dengan menggunakan Kolmogorov-Smirnov seperti yang terdapat dalam
Tabel 5.3 berikut :
Tabel 5.3 Uji Kolmogorov-Smirnov Setelah Transformasi
Sumber: Hasil Penelitian, 2010 Data Diolah
Dari hasil uji Kolmogorov-Smirnov pada Tabel 5.3 dapat dilihat bahwa setelah dilakukan transformasi data dengan logaritma natural, maka semua data
variabel yang diuji menjadi normal dengan nilai signifikansi dari masing-masing variabel lebih besar dari 0,05 dengan demikian dapat disimpulkan bahwa data telah
berdistribusi normal. 5.1.2.2. Uji heteroskedastisitas
Uji heteroskedastisitas dalam penelitian ini dilakukan dengan melihat grafik Scatter-Plot antara nilai prediksi variabel terkait ZPRED dengan residualnya
Ln_CR Ln_ROA
Ln_NPM Ln_EPS
LR Ln_TATO
Ln_PER Ln_PBV
Ln_BV Ln_RS
N 162
158 159
162 162
162 162
162 162
162 Normal
Parametersa,b Mean
.756 -2.400
-2.614 5.225
.428 .202
2.306 .512
7.225 -.8514
Std. Deviation
.649 .873
.953 2.155
.192 .452
.835 1.001
1.531 1.256
Most Extreme Differences
.077 .076
.072 .054
.068 .075
.067 .082
.077 .093
Positive .077
.048 .071
.037 .068
.075 .037
.082 .077
.050 Negative
-.041 -.076
-.072 -.054
-.041 -.049
-.067 -.040
-.059 -.093
Kolmogorov-Smirnov Z .975
.960 .904
.691 .868
.957 .858
1.042 .975
1.178 Asymp. Sig. 2-tailed
.297 .315
.387 .725
.439 .319
.453 .228
.297 .125
Universitas Sumatera Utara
77
SRESID. Jika ada pola tertentu seperti titik-titik yang ada membentuk pola tertentu yang teratur maka mengindikasikan telah terjadi heteroskedastisitas dan jika tidak ada
pola yang jelas serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y maka tidak terjadi heteroskedastisitas. Dimana Y adalah nilai residual dan X adalah
nilai yang telah diprediksi. Hasil uji heteroskedastisitas dapat dilihat pada grafik Scatter-Plot berikut ini:
Regression Standardized Predicted Value
4 2
-2
Re gressi
on S tude
nti zed R
esid ual
2
-2 -4
Scatterplot Dependent Variable: Ln_RS
Gambar 5.3 Uji Heteroskedastisitas
Dari grafik Scatter-Plot pada gambar 5.3 dapat dilihat bahwa tidak ada pola yang jelas serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y. Hal
ini menyimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi sehingga model regresi layak dipakai.
Universitas Sumatera Utara
78
5.1.2.3. Uji autokorelasi Uji autokorelasi digunakan untuk mengetahui ada tidaknya korelasi antara
kesalahan pengganggu pada periode tertentu dengan kesalahan pengganggu periode sebelumnya. Model regresi yang baik adalah regresi yang bebas dari autokorelasi. Uji
autokorelasi dapat dilakukan dengan pengujian Durbin-Watson DW. Hasil uji autokorelasi dapat dilihat pada Tabel 5.4 berikut ini:
Tabel 5.4 Uji Autokorelasi
Sumber: Hasil Penelitian, 2010 Data Diolah
Dari Tabel 5.4 dapat dilihat bahwa nilai Durbin-Watson dalam penelitian ini sebesar 1.701, yang menunjukkan bahwa nilai D-W tersebut berada di antara -2
sampai +2 berarti tidak terjadi autokorelasi pada model regresi yang digunakan. 5.1.2.4. Uji multikolinieritas
Uji Multikolinieritas digunakan untuk menguji apakah dalam model regresi ditemukan korelasi antar variabel bebas independen, model regresi yang baik
seharusnya tidak terjadi korelasi antar variabel bebas. Untuk mendeteksi ada tidaknya multikolinieritas yaitu dengan melihat Tolerance Value dan Variance Inflation Factor
VIF. Multikolinieritas terjadi jika nilai tolerance 0,10 dan VIF 10 atau jika antar variabel independen ada korelasi yang cukup tinggi umumnya di atas 0,9. Hasil
uji multikolinieritas dapat dilihat pada Tabel 5.5 beikut:
Model R
R Square
Adjusted R Square
Std. Error of the Estimate
Durbin- Watson
1 .350a
.122 .069
1.17760 1.701
Universitas Sumatera Utara
79
Tabel 5.5 Uji Multikolinieritas
Model Unstandardized
Coefficients Standardized
Coefficients Collinearity Statistics
B Std. Error
Beta Tolerance
VIF 1
Constant .850
.837 Ln_CR
-.139 .220
-.074 .440
2.274 Ln_ROA
-.466 .279
-.328 .155
6.462 Ln_NPM
.352 .203
.269 .249
4.012 Ln_EPS
-.017 .074
-.030 .367
2.723 LR
-.874 .881
-.135 .324
3.091 Ln_TATO
.188 .300
.069 .483
2.070 Ln_PER
-.723 .211
-.467 .322
3.106 Ln_PBV
.366 .183
.302 .261
3.825 Ln_BV
.010 .099
.012 .388
2.580 Sumber: Hasil Penelitian, 2010 Data Diolah
Berdasarkan hasil pengujian multikolinieritas pada tabel 5.5 dapat dilihat bahwa nilai tolerance pada variabel Ln_CR, Ln_ROA, Ln_NPM, Ln_EPS, LR,
Ln_TATO, Ln_TATO, Ln_PER, Ln_PBV, dan Ln_BV 0,10 dan VIF-nya 10. Hal ini menunjukkan bahwa tidak terjadi korelasi antar variabel independen artinya tidak
terjadi multikolinieritas.
5.1.3. Hasil Analisis Data