4. variabel laba bersih memiliki nilai minimum 18,58, nilai maximum 27,11,
nilai rata-rata 24,7156 dan standar deviasi 1,83647 5.
variabel arus kas masa depan memiliki nilai minimum 20,39, nilai maximum 28,55, nilai rata-rata 24,7352 dan standar deviasi 2.17839.
4.2.2. Pengujian Asumsi Klasik
Syarat yang mendasari penggunaan model regresi berganda adalah dipenuhinya semua asumsi klasik agar hasil pengujian bersifat efisien dan tidak
bias. Menurut Ghozali 2005:123, asumsi klasik yang harus dipenuhi adalah berdistribusi normal, non-multikolinearitas, non-autokorelasi dan non-
heterokedastisitas.
4.2.2.1. Uji Normalitas
Uji normalitas bertujuan untuk mengetahui apakah dalam model regresi, variabel penggangu atau residual memiliki distribusi normal.
Pengujian ini diperlukan karena untuk melakukan uji t dan uji F perlu mengasumsikan bahwa nilai residual mengikuti distribusi normal.
Pengujian normalitas dalam penelitian ini menggunakan dua metode yang secara umum digunakan oleh penelitian lainnya, yaitu analisis
statistik dengan menggunakan uji non-parametrik Kolmogorov- Smirnov K-S dan analisis grafik yang terdiri dari histogram dan
normal probability plot.
Universitas Sumatera Utara
Pengujian normalitas data dalam penelitian ini menggunakan uji statistik non-parametrik Kolmogorov-Smirnov K-S dengan membuat
hipotesis: 1. jika Z
hitung
Kolmogrov Smirnov Z
tabel
1,96 atau angka signifikan signifikansi α 0,05 maka distribusi data dikatakan
normal, 2. jika Z
hitung
Kolmogrov Smirnov Z
tabel
1,96 atau angka signifikansi signifikansi α 0,05 maka distribusi data dikatakan tidak
normal.
Tabel 4.2 Uji Normalitas Sebelum Data Ditransformasi
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 40
Normal Parameters
a
Mean -.0001312
Std. Deviation 5.93729070E11
Most Extreme Differences
Absolute .251
Positive .251
Negative -.211
Kolmogorov-Smirnov Z 1.589
Asymp. Sig. 2-tailed .013
a. Test distribution is Normal
b. Calculated from data
Sumber : Output SPSS Hasil pengolahan data tersebut terlihat bahwa Asymp. Sig 0,013
signifikansi 0,05. Hal ini menunjukkan bahwa data terdistribusi tidak normal. Seperti yang terlihat dalam grafik histogram dan grafik normal
plot data. Penelitian ini menunjukkan bahwa nilai residual dalam
Universitas Sumatera Utara
penelitian ini tidak terdistribusi normal. Hal ini ditunjukkan oleh grafik histogram yang terlalu melenceng ke kiri positif skewness dan distribusi
data tidak mengikuti garis diagonal. Normal probability plot juga menunjukkan hal yang sama, dimana titik-titik dalam plot terlihat tidak
mengikuti garis diagonal dan bergerak menjauhi garis diagonal. Persamaan regresi dalam penelitian ini menjadi kurang baik, karena
uji t dan uji F dalam persamaan regresi mensyaratkan distribusi residual haruslah normal. Distribusi residual dalam penelitian ini kembali normal,
maka dilakukan langkah perbaikan dengan mentransformasi seluruh variabel yang digunakan dalam penelitian ini kedalam bentuk logaritma
natural Ln. Setelah dilakukan transformasi, data kemudian di uji kembali berdasarkan uji normalitas. Hasil uji kolmogrov-smirnov setelah dilakukan
transformasi data ke dalam bentuk logaritma natural dapat dilihat dibawah ini :
Tabel 4.3 Hasil Uji Normalitas setelah transformasi
One-Sample Kolmogorov-Smirnov Test
Unstandardiz ed Residual
N 40
Normal Parameters
a
Mean .0000000
Std. Deviation 1.61216789
Most Extreme Differences
Absolute .130
Positive .061
Negative -.130
Kolmogorov-Smirnov Z .821
Asymp. Sig. 2-tailed .511
Universitas Sumatera Utara
One-Sample Kolmogorov-Smirnov Test
Unstandardiz ed Residual
N 40
Normal Parameters
a
Mean .0000000
Std. Deviation 1.61216789
Most Extreme Differences
Absolute .130
Positive .061
Negative -.130
Kolmogorov-Smirnov Z .821
Asymp. Sig. 2-tailed .511
a. Test distribution is Normal.
b. Calculated from data
Sumber : Output SPSS Hasil pengolahan data tersebut terlihat bahwa Asymp. Sig 0,511
signifikansi 0,05 dan Z
hitung
Kolmogrov Smirnov 0,821 dari 1,96. Hasil uji normalitas dengan menggunakan grafik histogram dan normal
probability plot juga menunjukkan bahwa data terdistribusi normal. Hal tersebut dilihat memalui grafik histogram dan normal probability plot
dibawah ini.
Gambar 4.1 Histogram Setelah Data Ditransformasi
Universitas Sumatera Utara
Uji Normalitas Histogram Sumber: Output SPSS
Setelah adanya transformasi data, distribusi residual menjadi relative lebih
normal. Hal ini ditunjukkan oleh grafik histogram pada gambar 4.3 tidak terlalu menceng, baik ke kanan maupun ke kiri. Hasil yang sama juga dapat
dilihat dari grafik normal probability plot pada gambar diabwah ini.
Gambar 4.2 Grafik Normal P-P Setalah Data Ditransformasi
Pola titik-titik pada normal probability plot gambar 4.4 setelah ditransformasikan menunjukkan pola titiik-titik menyebar, mendekati dan searah
dengan garis diagonal menunjukkan bahwa data residual telah terdistribusi dengan normal. Seringkali data kelihatan normal karena mengikuti garis diagonal.
Padahal belum tentu data tersebut berdistribusi normal.
4.2.2.2. Uji Multikolinieritas
