4.2 Analisis Data
Dalam penelitian ini, metode analisis data yang dilakukan adalah analisis statistik dan menggunakan software SPSS versi 18. Dalam penggunaan metode
analisis regresi dalam pengujian hipotesis, terlebih dahulu diuji apakah model tersebut memenuhi asumsi klasik atau tidak.
4.2.1 Metode Analisis Deskriptif
Metode analisis deskriptif memberikan penjelasan mengenai nilai minimum, nilai maksimum, nilai rata-rata mean, dan nilai standard deviasi
dari variabel-variabel independen dan variabel dependen. Berikut merupakan data statistik secara umum dari seluruh data yang digunakan :
Tabel 4.2 Hasil Uji Deskriptif
Descriptive Statistics
N Minimum
Maximum Mean
Std. Deviation HRAD
80 .073
1.452 .58861
.340051 ROA
80 .150
.900 .59287
.181702 ROE
80 .030
.710 .32438
.183564 Valid N listwise
80
Universitas Sumatera Utara
Dari tabel 4.2 diatas dapat dijelaskan beberapa hal dengan rincian sebagai berikut:
1. Nilai rata-rata dari human resource accounting disclosure HRAD adalah 0,588 dengan standard deviasi 0,340 dan jumlah data yang
ada adalah 80. Nilai tertinggi human resource accounting disclosure adalah 1.452 dan nilai terendah adalah 0.073.
2. Nilai rata-rata dari return on asset ROA adalah 0,592 dengan standard deviasi 0,181 dan jumlah data yang ada adalah 80. Nilai
tertinggi return on asset ROA adalah 0,900 dan nilai terendah adalah 0,150
3. Nilai rata-rata dari return on equity ROE adalah 0,324 dengan standard deviasi 0,183 dan jumlah data yang ada adalah 80. Nilai
tertinggi return on equity ROE adalah 0,710 dan nilai terendah adalah 0,030.
4.2.2 Analisis Uji Klasik 4.2.2.1 Uji Normalitas
Pengujian normalitas data dalam penelitian ini menggunakan uji statistik non parametrik Kolmogorov-Smirnov K-S dengan membuat
hipotesis : Ho : Data residual berdistribusi normal,
Ha : Data residual tidak berditribusi normal.
Universitas Sumatera Utara
Apabila nilai signifikansinya lebih besar dari 0,05 maka Ho diterima, sedangkan nilai signifikansinya lebih kecil dari 0,05 maka Ho ditolak
atau Ha diterima.
Tabel 4.3 Hasil Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 80
Normal Parameters
a,,b
Mean .0000000
Std. Deviation .10123489
Most Extreme Differences Absolute
.093 Positive
.093 Negative
-.076 Kolmogorov-Smirnov Z
.830 Asymptotic Significance 2-tailed
.497 a. Test Distribution is Normal
b. Calculated from data
Sumber : Output SPSS, diolah penulis 2013
Dari hasil pengolahan data pada table 4.3 diperoleh besarnya nilai Kolmogorov-Smirnov K-S adalah 0.830 dan signifikan pada 0,497.
Nilai signifikansi lebih besar dari 0,05 0,497 0,05 maka Ho diterima yang berarti data residual berdistribusi normal. Data yang
berdistribusi normal tersebut juga dapat dilihat melalui grafik histrogram dan grafik normal plot data.
Universitas Sumatera Utara
Gambar 4.1 HISTOGRAM
Sumber : Output SPSS, diolah penulis 2013
Grafik histogram pada gambar 4.1 menunjukan pola distribusi normal karena grafik tidak melenceng kiri atau melenceng kanan.
Dengan demikian dapat disimpulkan bahwa model regresi telah memenuhi asumsi normalitas. Demikian pula hasil uji normalitas
dengan menggunakan grafik normal p-plot.
Universitas Sumatera Utara
Gambar 4.2 Grafik Normal P-Plot
Sumber : Output SPSS, diolah penulis 2013
Pada grafik normal p-plot terlihat bahwa data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal, bahwa dapat
disimpulkan model regresi memenuhi asumsi normalitas.
4.2.2.2 Uji Multikolinearitas
Uji multikolinearitas digunakan untuk menguji apakah ada atau tidak korelasi antara variabel independen. Analisis regresi yang baik
seharusnya tidak ada korelasi antara variabel independen. Pengujian multikolinearitas dapat dilihat dari nilai variance inflance faktor
Universitas Sumatera Utara
VIF. Apabila nilai VIF 10 dan mendekati 0,1 , dapat disimpulkan bahwa asumsi adanya multikolinearitas ditolak. Hasil analisis
multikolinearitas selengkapnya dapat dilihat pada tabel berikut ini.
Tabel 4.4 Hasil Uji Multikolinearitas
Sumber : Output SPSS, diolah penulis 2013
Berdasarkan hasil penelitian diperoleh nilai VIF dan tolerance untuk variable return on asset ROA danreturn on equity ROE
berada dibawah 10 dan nilai tolerance 0,10 yang berarti tidak ada ditemukan gejala multikolinearitas antara variabel independen.
4.2.2.3 Uji Heteroskedastisitas
Coefficients
a
Model Unstandardized
Coefficients Standardize
d Coefficients
T Significanc
e Collinearity
Statistics B
Std. Error Beta
Toleranc e
VIF 1
Constant .658
.042 15.660
.000
ROA -1.005
.064 -.537 -15.646
.000 .977
1.024 ROE
1.622 .064
.876 25.507 .000
.977 1.024
a. Dependent Variable: HRAD
Universitas Sumatera Utara
Uji heterokedastisitas bertujuan untuk melihat apakah dalam model regresi terjadi ketidaksamaan variabel dari residual suatu pengamatan
ke pengamatan lain. Model regresi yang baik adalah tidak terjadi heterokedastisitas. Menurut Nugroho 2005:62 cara memprediksi ada
tidaknya heteroskedastisitas pada suatu model dapat dilihat dari pola gambar grafik Scatterplot yang menyatakan model regresi linear
berganda tidak terdapat heterokedastisitas jika : 1. titik-titik data menyebar di atas dan di bawah atau di sekitar angka
0, 2. titik-titik data tidak mengumpul hanya di atas atau di bawah saja,
3. penyebaran titik-titik data tidak boleh membentuk pola bergelombang melebar kemudian menyempit dan melebar kembali,
Gambar 4.3 Hasil Uji Heterokedastisitas
Universitas Sumatera Utara
Terlihat dari gambar 4.3 diatas, titik-titik tersebar secara tidak beraturan, sehingga dapat disimpulkan bahwa tidak ditemukan gejala
heterokedastisitas. 4.2.2.4 Uji Autokolerasi
Uji ini bertujuan untuk melihat apakah dalam suatu model regresi linear ada kolerasi antara kesalahan penggangguan pada periode
dengan kesalahan pada periode t-1. Untuk mendeteksi maasalah autokolerasi adalah dengan menggunakan nilai uji Durbin Watson D-
W.
Tabel 4.5 Hasil Uji Autokolerasi
Sumber : Output SPSS, diolah penulis, 2013 Tabel 4.5 dapat dilihat bahwa nilai DW sebesar 2,403 pada tingkat
signifikansi 0,05 dengan jumlah sampel N 80, dan jumlah variabel independen 2 k = 2, memberikan niali dU batas atas 1,6882 dan
nilai dL batas bawah 1,5859. Nilai DW lebih besar dari pada nilai
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .955
a
.911 .909
.102541 2.403
a. Predictors: constant ROE, ROA... b. Dependent Variable: HRAD
Universitas Sumatera Utara
dU dan kurang dari 4- dU 4 – 1,6882, maka dapat disimpulkan bahwa tidak terjadi autokolerasi.
4.2.3 Model Analisis Regresi Berganda