34
a Variabel SQRT X
1
b Variabel SQRT X ROA mempunyai nilai minimum 0.17, nilai
maksimum 0.64, nilai rata-rata 0.3640, dan standar deviasi 0.11346 dengan jumlah pengamatan 60.
2
c Variabel SQRT X Cash Ratio mempunyai nilai minimum 0.17, nilai
maksimum 2.33, nilai rata-rata 0.7261, dan standar deviasi 0.43956 dengan jumlah pengamatan 60.
3
d Variabel SQRT Y DPR mempunyai nilai minimum 0.10 nilai maksimum 1.74, nilai rata-rata 0.6105, dan standar deviasi 0.25577 dengan jumlah
pengamatan 60. DER mempunyai nilai minimum 0.35, nilai
maksimum 1.89, nilai rata-rata 0.9711, dan standar deviasi 0.40376 dengan jumlah pengamatan 60.
4.2 Pengujian Uji Asumsi klasik
Sebelum melakkukan uji asumsi klasik, yang perlu dilakukan adalah Uji Normalitas. Setelah dilakukan pengujian, ternyata data tidak normal ditandai
dengan grafik Histogram Positive Skewness maka dapat diobati dengan di transform dalam bentuk SQRT Ghazali, 2011: 36.
4.2.1. Uji Normalitas
Pengujian normalitas data dalam penelitian ini menggunakan uji statistik non parametrik yang digunakan untuk mengetahui apakah data sudah terdistribusi
secara normal atau tidak. Ghozali 2005:115, memberikan pedoman pengambilan keputusan rentang data mendekati atau merupakan distribusi normal
berdasarkan uji Kolmogorov- Smirnov, dapat dilihat dari:
a. Jika nilai signifikan 0,05 maka distribusi data tidak normal, b. Jika nilai signifikan 0,05 maka distribusi data normal.
Hipotesis yang digunakan adalah : H0 : Data residual berdistribusi normal, dan
Ha : Data residual tidak berdistribusi normal.
Tabel 4.4 Hasil Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
SQRTROA SQRTCASHRATIO SQRTDER SQRTDPR
N 60
60 60
60 Normal Parameters
a
Mean .3640
.7261 .9711
.6105 Std. Deviation
.11346 .43956
.40376 .25577
Most Extreme Differences Absolute
.109 .211
.121 .145
Positive .109
.211 .121
.145 Negative
-.068 -.104
-.096 -.067
Kolmogorov-Smirnov Z .844
1.632 .933
1.123 Asymp. Sig. 2-tailed
.475 .010
.348 .161
a. Test distribution is Normal.
35
Berdasarkan hasil uji statistik dengan model Kolmogorov-Smirnov seperti yang terdapat dalam tabel 4.4 dapat diketahui bahwa :
1. Dari hasil pengolahan data pada tabel 4.4 nilai α = 0,05 karena
Asymp.Sig.2-tailed lebih besar dari α2 0,025. Hal ini berarti
data residual terdistribusi secara normal. Dengan demikian, Ha ditolak dan Ho diterima.
2. Setelah data berdistribusi normal dapat dilanjutkan dengan uji asumsi klasik lainnya. Untuk lebih jelas berikut ini dilampirkan
grafik histogram dan grafik p-plot data yang telah berdistribusi normal.
Gambar 4.1
Sumber : Data sekunder yang diolah penulis, 2012
Grafik histogram di atas menunjukan bahwa data telah terdistribusi secara normal. Hal ini dapat dilihat dari grafik histogram yang menunjukan distribusi data
mengikuti garis garis diagonal yang tidak melenceng skewness kiri maupun menceng kanan. Hal ini juga dudukung dengan hasil uji normalitas dengan
menggunakan grafik plot yang ditampilkan pada gambar 4.2.
Gambar 4.2 Grafik Normal P-plot
.
36
Menurut ghozali 2005:122, pendeteksian normalitas dapat dilakukan dengan melihat penyebaran data titik pada sumbu diagonal dari grafik, yaitu jika
titik penyebaran di sekitar garis diagonal dan mengikutin arah garis diagonal, hal ini menunjukan data yang telah terdistribusi normal. Gambar 4.2 menunjukan
bahwa data titik menyebar di sekitar dan mendekatin garis diagonal. Hal ini sejalan dengan hasil pengujian menggunakan histogram bahwa telah terdistribusi
normal.
4.2.2 Uji Multikolinearitas
Uji Multikolinearitas dilakukan untuk melihat adanya keterkaitan antara variabel independen, atau dengan kata lain setiap variabel independen dijelaskan oleh
variabel independen lainnya. Untuk mengetahui apakah ada multikolinearitas dalam penelitian ini dapat dilihat dari nilai tolerance dan multikolinearitas dalam penelitian
ini dapat dilihat dari tolerace variance dan inflation factor VIF. Nilai tolerance yang lebih kecil dari 0,1 dan VIF yang lebih besar dari 10 menunjukan adanya
multikolinearitas yang tinggi.
Tabel 4.5 Uji Multikolenearitas
Coefficients
a
Model Collinearity Statistics
Tolerance VIF
1Constant SQRTROA
.800 1.250
SQRTCASHRATIO .538
1.859 SQRTDER
.499 2.004
a. Dependent Variable: SQRTDPR
Suatu model regresi dinyatakan bebas dari multikolinearitas jika mempunyai nilai Tolerance di atas 0.1 dan nilai VIF di bawah 10. Dari tabel 4.5 dapat diketahui
bahwa semua variabel independen memiliki nilai Tolerance di atas 0.1 dan nilai VIF jauh di bawah angka 10. Hal ini menunjukkan dalam model ini tidak terjadi
multikolinearitas
.
4.2.3 Uji Heteroskedastisitas
Uji heterokedatisitas dilakukan untuk melihat apakah ada data penyimpangan terlalu jauh outlayer. Hasil uji heteroskedastisitas dapat dilihat pada grafik
scatterplot yang ditunjukkan pada gambar 4.2.
Gambar 4.2
37
4.2.4 Uji Auotokorelasi
Model regresi yang digunakan adalah regresi yang bebas dari autokorelasi. Untuk menentukan adanya autokorelasi atau tidak dapat diketahui dari nilai Durbin
– Watsonnya.
Tabel 4.6
Uji Autokorelasi
Berdasarkan hasil pengolahan data dengan SPSS dapat diketahui bahwa nilai Durbin-Watson dalam penelitian ini sebesar 2.065, seperti dijelaskan pada tabel lihat
pada bab autokorelasi, maka nilai Durbin-Watson sebesar 2.065 memiliki arti tidak terdapat gejala autokorelasi positif maupun negative antara variabel.
Hasil uji autokorelasi di atas menunjukan nilai statistik Durbin Watson DW sebesar 2.065, nilai ini akan dibandingkan dengan nilai tabel Durbin Watson dengan
menggunakan signifikan 5 jumlah sampel 60n dan jumlah variabel independen 3 K=3, maka di tabel Durbin Watson didapat nilai batas du 1.689 dan nilai batas
bawah dl 1.480. oleh karena itu, nilai DW lebih besar dari nilai batas 2.065 1.689 1.480, berarti tidak ada autokorelasi.
4.3 Analisis Regresi
