5.1.2. Pengujian Asumsi Klasik
Berikut ini penulis akan melakukan uji atas data yang penulis peroleh yang disebut dengan uji asumsi klasik yang terdiri dari uji normalitas, uji
heteroskedastisitas, uji multikolinearitas dan uji autokorelasi. 5.2.1.1 Uji normalitas
Pengujian normalitas data dapat dilakukan dengan beberapa cara yaitu dengan menggunakan uji statistik Kolmogorov-Smirnov dan melihat grafik histogram. Uji
normalitas dengan uji statistik Kolmogorov – Smirnov maksudnya ialah apabila probabilitas signifikansinya diatas 0.05 berarti variabel tersebut berdistribusi normal.
Hasil uji Kolmogorov – Smirnov dapat dilihat pada berikut ini :
Tabel 5.2. Uji Statistik Kolmogorov-Smirnov Sebelum Data Outlier dikeluarkan
Dari Tabel 5.2 dapat dilihat bahwa nilai Kolmogorov – Smirnov sebelum data outlier dikeluarkan berdistribusi tidak normal, disebabkan probabilitas signifikansi
sebesar 0.00 , dimana jika probabilitas signifikansi lebih kecil dari α 0.05, hal itu berarti
data tidak berdistribusi normal. Apabila variabel tidak berdistribusi normal, maka
One-Sample Kolmogorov-Smirnov Test
79 .0000000
.22608651 .109
.109 -.062
.912 .376
N Mean
Std. Deviation Normal Parameters
a,b Absolute
Positive Negative
Most Extreme Differences
Kolmogorov-Smirnov Z Asymp. Sig. 2-tailed
Unstandardized Residual
Test distribution is Normal. a.
Calculated from data. b.
Universitas Sumatera Utara
harus dilakukan transformasi data. Transformasi data dapat dilakukan dengan cara Logaritma Natural Ln maupun SQRT akar kuadrat. Tetapi karena data penelitian
mempunyai data yang bernilai negatif dan jika ditransformasikan ke dalam bentuk Logaritma Natural Ln akan menjadi missing data, maka hal tersebut tidak dilakukan,
dan tahap selanjutnya adalah mendeteksi adanya Outlier pada data yang ada. Outlier adalah kasus atau data yang memiliki karakteristik unik yag terlihat sangat jauh
berbeda jauh dari observasi-observasi lainnya dan muncul dalam bentuk nilai ekstrim. Adapun penyebab timbulnya data outlier adalah : 1 kesalahan dalam meng-entri data,
2 gagal menspesifikasi adanya missing value dalam program komputer, 3 outlier bukan merupakan anggota populasi yang kita ambil sebagai sampel, dan 4 outlier
berasal dari populasi yang kita amabil sebagai sampel, tetapi distribusi dari variabel dalam populasi tersebut memiliki ekstrim dan tidak terdistribusi secara normal.
Deteksi terhadap univariate outlier dapat dilakukan dengan batas yang akan dikategorikan sebagai data outlier yaitu dengan cara mengkonversi nilai data kedalam
skor standardized atau yang biasa disebut z-score, dan untuk sampel 80 standar skor dinyatakan outlier jika data tersebut nilainya lebih besar dari 3 Ghozali, 2007,
Penelitian ini data awalnya adalah sebanyak 120 unit analisis tetapi setelah dijalankan dengan program SPSS ada 32 unit analisis data yang mempunyai nilai yang sangat
ekstrim mungkin dikarenakan kesalahan dalam pengentrian data. Oleh karena itu harus dikeluarkan dari data penelitian karena akan mempengaruhi hasil penelitian. Setelah
data outlier dikeluarkan dari observasi, maka data yang dianalisis lebih lanjut tinggal 32 unit N=32 dan didapat hasil seperti yang ditunjukkan dalam Tabel.5.3.
Universitas Sumatera Utara
Tabel 5.3. Uji Statistik Kolmogorov-Smirnov Setelah Data Outlier dikeluarkan
Dari tabel diatas, kita melihat bahwa variabel penelitian sudah berdistribusi normal, dengan probabilitas signifikansi sebesar 0.506 dimana probabilitas tersebut
lebih besar dari α 0.05 yang artinya variabel penelitian telah berdistribusi normal.
5.2.1.2. Uji multikolinearitas Pengujian multikolinearitas dilakukan dengan melihat nilai Toleran dan
Varian Inflation Factor VIF masing-masing variabel. Adapun hasil pengujian multikolinearitas dapat dilihat pada Tabel 5.4:
Tabel 5.4. Uji Multikolinearitas
One-Sample Kolmogorov-Smirnov Test
32 .0000000
.16508047 .146
.146 -.127
.824 .506
N Mean
Std. Deviation Normal Parameters
a,b
Absolute Positive
Negative Most Extreme
Differences Kolmogorov-Smirnov Z
Asymp. Sig. 2-tailed
Unstandardized Residual
Test distribution is Normal. a.
Calculated from data. b.
Coefficients
a
-.072 .096
-.754 .453
.400 .104
.444 3.854
.000 .742
1.348 .015
.139 .011
.109 .914
.990 1.010
.107 .112
.110 .959
.341 .748
1.337 Constant
LABA AKB
KEBHUT
Model
1
B Std. Error
Unstandardized Coefficients
Beta Standardized
Coefficients t
Sig. Tolerance
VIF
Dependent Variable: DPR a.
Collinearity Statistics
Universitas Sumatera Utara
Tabel 5.4 diatas menunjukkan bahwa model regresi yang digunakan untuk melihat pengaruh laba, arus kas bebas, dan kebijakan hutang terhadap kebijakan
deviden memiliki permasalahan multikolinieritas, oleh karena nilai VIF tidak lebih dari 10 dan nilai tolerance tidak kurang dari 0,1. maka tidak terjadi multikolinieritas
dan model regresi layak dipakai untuk melihat pengaruh laba, arus kas bebas dan kebijakan hutang terhadap kebijakan deviden.
5.2.1.3. Uji heteroskedastisitas Suatu model regresi dapat dikatakan bebas dari permasalahan heteroskedasitas
jika: a.
Titik-titik data menyebar diatas dan dibawah atau disekitar angka 0. b.
Penyebaran titik-titik data tidak boleh membentuk pola bergelombang, melebar kemudian menyempit dan melebar kembali.
c. Titik-titik data tidak mengumpul hanya diatas atau dibawah saja.
Universitas Sumatera Utara
Gambar 5.1. Grafik Scatterplot
Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara acak serta tersebar baik diatas maupun dibawah angka 0 pada sumbu Y. Hal ini dapat
disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi. 5.2.1.4. Uji autokorelasi
Model regresi yang baik adalah regresi yang bebas dari autokorelasi. Model regresi yang terbebas dari permasalahan otokorelasi jika nilai Durbin-Watson D-W
berada di antara -2 sampai +2. Secara umum angka D-W yang dapat digunakan untuk mendeteksi autokorelasi adalah:
a. Angka D-W di bawah -2 berarti ada autokorelasi positif
b. Angka D-W diantara -2 sampai +2 berarti tidak ada autokorelasi
3 2
1 -1
-2
Regression Studentized Residual
3 2
1
-1
Value Dependent Variable: DPR
Scatterplot
Universitas Sumatera Utara
c. Angka D-W di atas +2 berarti ada autokorelasi positif
Tabel 5.5. Uji Autokorelasi
Hasil uji autokorelasi pada model regresi menunjukkan bahwa nilai D-W adalah 1,690 . Angka D-W diantara -2 sampai +2 berarti tidak terdapat permasalahan
autokorelasi pada model regresi.
5.1.3. Analisis Persamaan Regresi