4. 2. 2 Uji Kualitas Data 4. 2. 2. 1 Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal atau
tidak, salah satu cara termudah untuk melihat normalitas adalah dengan melihat histrogram yang membandingkan antara data observasi dengan
distribusi yang mendekati distribusi normal. Berdasarkan Tabel 4.3 Uji Normalitas yang terbentuk sebagai berikut:
Tabel 4.3 Uji Normalitas
`Unstandardized
Residual
N Normal
Mean Std. Deviation
Most Extreme Absolute Differences Positive
Negative Kolmogrov-Smirnov Z
Asymp. Sig. 2-tailed 56
25.0207 13.87394
.128 .128
-.101 .956
.321
Sumber; Lampiran 1
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Menggunakan uji Kolmogorov-Smirnov dikatakan data dipastikan dari populasi yang berdistribusi normal jika nilai
signifikansinya lebih besar dari 0,05 5. Dengan menggunakan uji ini diperoleh hasil analisis bahwa semua variable Perubahan Laba
berasal dari populasi yang berdistribusi normal, sehingga dapat disimpulkan memenuhi asumsi berdistribusi normal.
Hasil analisis diatas menunjukkan bahwa data diambil dari data yang berdistribusi normal.
4. 2. 3 Uji Asumsi Klasik
Uji asumsi klasik merupakan prasyarat analisis regresi berganda. Dari hasil perhitungan sampel rata-rata rasio keuangan selama empat tahun,
maka dalam penelitian ini perlu dilakuakan pengujian asumsi klasik terlebih dahulu yang meliputi: uji multikolinieritas, uji heteroskedastisitas dan uji
autokorelasi yang dilakukan sebagai berikut:
4. 2. 3. 1 Uji Multikolinearitas
Untuk menditeksi ada tidaknya gejala multikolinearitas antar variabel independen yang digunakan, dapat diketahui melalui variance
inflation faktor VIF Deteksi adanya Multikolinier :
Besarnya VIF Variance Inflation Factor dan Tolerance
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
- Jika VIF melebihi angka 10, maka variabel tersebut mengindikasikan
adanya multikolinieritas. Gujarati
Table 4.4 Uji Variance Inflation Factor VIF
Model Collinearity Statistic
Tolerance VIF
1 Constans X1 = CR
X2 = DER X3 = GPM
X4 = OPM X5 = ROE
.683 .523
.224 .180
.486 1.464
1.913 4.471
5.556 2.059
Sumber; Lampiran 2
Dalam pengujian asumsi klasik terhadap analisis regresi linier berganda ini menyatakan bahwa hasil analisis penelitian ini menunjukkan
tidak adanya gejala multikolinieritas dimana nilai VIF pada variabel tidak lebih besar dari 10 maka variabel ini disimpulkan terdapat gejala
multikolinieritas dengan variabel independen lainnya. Dengan nilai VIF untuk CR X
1
= 1,464, DER X
2
= 1,913, GPM X
3
= 4,471, OPM X
4
= 5,556, dan ROE X
5
= 2,059 Syarat terjadi multikolinieritas jika nilai VIF Variance Inflation Factor
10.
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
4. 2. 3. 2 Uji Heteroskedastisitas Untuk menentukan heteroskedastisitas, varian dari residual dari satu
pengamatan ke pengamatan lain mempunyai varian yang berbeda. Jika sama namanya Homoskedastisitas. Model regresi yang baik tidak
mempunyai Heteroskedastisitas. Deteksi Adanya Heteroskedastisitas :
a. Dari Scatter Plot Residual: jika ada pola tertentu seperti titik-titik point-point
yang ada
membentuk pola
tertentu yang
teratur bergelombang, menyebar kemudian menyempit
b. Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas 0 pada
sumbu Y, maka tidak terjadi Heteroskedastisitas.
c. Pada regresi linier nilai residual tidak boleh ada hubungan dengan variabel X. Hal ini bisa diidentifikasi dengan cara menghitung korelasi
rank Spearman antara residual dengan seluruh variabel bebas. Rumus rank Spearman adalah :
r
s
= 1 – 6
1 N
N d
2 2
i
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Keterangan : d
i
= perbedaan dalam rank antara residual dengan variabel bebas ke-i N = banyaknya data
Pengujian Heteroskedastisitas di sini menggunakan korelasi rank Spearman antara residual dengan seluruh variabel bebas dengan hasil
analisis sebagai berikut:
Table 4.5 Correlations Rank Spearman
Sumber; Lampiran 3
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Hasil analisis menunjukkan bahwa pada variabel untuk untuk CR X
1
, DER X
2
, GPM X
3
, OPM X
4
, dan ROE X
5
TIDAK mempunyai
korelasi yang signifikan antara residual dengan variabel bebasnya, maka
hasil analisis ini dapat disimpulkan semua variabel penelitian Tidak terjadi Heteroskedastisitas. sehingga dapat disimpulkan bahwa semua variable
penelitian memenuhi asumsi Non Heteroskedastisitas. 4. 2. 2. 4 Uji Autokorelasi
Penyimpangan autokorelasi dalam penelitian ini diuji dengan uji Durbin-Watson DW-test. Dimana autokorelasi yang memiliki arti adanya
korelasi antara kesalahan pengganggu pada periode t dengan kesalahan
pengganggu periode t-1 sebelumnya.
Catatan: Autokorelasi pada sebagian besar data time series. Deteksi Autokorelasi:
a. Besarnya Angka Durbin Watson Patokan : Angka D-W di bawah
–2 ada autokorelasi positif
Angka D-W di atas +2 ada autokorelasi negatif Angka Berada diantara
–2 sampai +2 Tidak ada Autokorelasi
Jadi disimpulkan data tidak terdapat autokorelasi.
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Identifikasi gejala autokorelasi dapat dilakukan dengan kurva di bawah ini.
Gambar 4.1 Kurva Autokorelasi
T idak ada autokorelasi positif dan t idak ada
autokorelasi negatif
dL dU
4 - dU 4 - dL
4
ad a
au to
k o
re la
si p
o si
ti f
daerah keragu
raguan
ad a
au to
k o
re la
si n
eg at
if daerah
keragu raguan
Sumber; Lampiran 4
a. Koefisien determinasi berganda R square tinggi b. Koefisien korelasi sederhananya tinggi.
c. Nilai F hitung tinggi signifikan d. Tapi tak satupun atau sedikit sekali diantara variabel bebas yang
signifikan. Untuk asumsi klasik yang mendeteksi adanya autokorelasi di
sini dilihat dari hasil analisis yang menunjukkan hasil bahwa nilai
Durbin Watson sebesar 1,910, hal ini menunjukkan Tidak adanya gejala autokorelasi Berdasarkan normal, atau bandingkan
dengan tabelnya.
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Table 4.6 Durbin - Watson
Model R Square
Durbin - Watson 1
.222 1.910
Sumber ; Lampiran 5 4. 2. 4 Analisis Regresi Linier Berganda
Analisis pengaruh rasio keuangan CR, DER, GPM, OPM dan ROE terhadap Perubahan Laba
Δ Laba pada perusahaan manufaktur di Bursa Efek Indonesia BEI dapat dilihat dari hasil analisis regresi berganda. Pengujian
koefisien regresi bertujuan untuk menguji signifikansi hubungan antara variabel independen X dengan variabel dependen Y secara kecocokan
model dengan ui F maupun secara parsial dengan uji t serta dengan uji koefisien determinasi. Dalam penelitian ini uji hipotesis yang digunakan
meliputu; uji signifikan kecocokan model F-test, uji secara parsial t-test, uji koefisien determinasi R².
4. 2. 4. 1 Persamaan Regresi Linier Berganda
