4.1.3. Analisis Statistik Inferensial
1. Pengujian Asumsi Klasik
Uji asumsi klasik digunakan untuk mengetahui apakah hasil analisis regresi berganda yang digunakan untuk menganalisis dalam penelitian, bebas dari
penyimpangan asumsi klasik. Uji asumsi klasik menurut Ghozali 2011 terdiri dari
uji normalitas,
uji multikolinieritas,
uji autokorelasi,
dan uji
heteroskedastisitas. Berikut ini hasil pengujian asumsi klasik dalam penelitian ini.
1.1 Uji Normalitas
Uji normalitas memiliki tujuan untuk menguji apakah variabel dependen dan variabel independen suatu model regresi berdistribusi normal atau tidak.
Model regresi yang baik adalah model yang memiliki distribusi normal atau mendekati normal. Menurut Ghozali 2011 Ada tiga cara untuk mendeteksi
apakah variabel dependen dan variabel independen berdistribusi normal atau tidak yaitu pertama, analisis grafis dengan melihat titik-titik di sekitar garis diagonal.
Kedua, analisis statistik dengan melihat skewness dan kurtosis. Ketiga, dengan uji one-sample kolmogorof-smirnov.
Pengujian normalitas yang digunakan dalam model regresi ini adalah uji statistik non-parametrik kolmogorov-smirnov K-S. Nilai signifikansi dari
residual yang beristribusi secara normal adalah nilai asymp. Sig 2-tailed dalam pengujian one-sample kolmogorof-smirnov test lebih dari
= 0,05. Uji normalitas dalam penelitian ini dapat dilihat pada Tabel 4.13 di bawah ini.
Tabel 4.13 Hasil Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 402
Normal Parameters
a,b
Mean ,0000000
Std. Deviation 11,59014195
Most Extreme Differences Absolute
,085 Positive
,085 Negative
-,042 Kolmogorov-Smirnov Z
1,701 Asymp. Sig. 2-tailed
,006 a. Test distribution is Normal.
b. Calculated from data.
Sumber : data sekunder diolah tahun 2015 Tabel 4.13 menunjukkan bahwa hasil pengujian normalitas dengan uji
one-sample kolmogorof-smirnov. Besar nilai kolmogorof-smirnov adalah sebesar 1,701 dengan signifikansi pada 0,006 Nilai tersebut di bawah 5
= 0,05. Jadi dapat disimpulkan bahwa data residual berdistribusi tidak normal.
Untuk mengatasi distribusi data yang tidak normal tersebut, peneliti melakukan transformasi pada data. Transformasi tidak dapat dilakukan apabila
terdapat negatif atau nilai nol. Conover dan Iman 1979 merekomendasikan tranformasi yang dapat berlaku pada semua distribusi, yaitu transformasi rank.
Transformasi rank adalah bentuk transformasi data dengan merubah data asli menjadi data dalam bentuk skor rangking. Untuk melakukan transformasi rank
peneliti melakukan
Rank Cases
pada aplikasi SPSS, hal ini dilakukan untuk mengubah data menjadi bentuk data peringkat. Berikut adalah hasil dari
rank cases
:
Tabel 4.14 Hasil
Rank Cases
Created Variables
a
Source Variable Function New Variable
Label Profita
b
Rank RProfita
Rank of Profita Ukuran
b
Rank RUkuran
Rank of Ukuran Umur
b
Rank RUmur
Rank of Umur Jenis
b
Rank RJenis
Rank of Jenis Gri
b
Rank RGri
Rank of Gri Asdm
b
Rank RAsdm
Rank of Asdm a. Mean rank of tied values is used for ties.
b. Ranks are in ascending order.
Sumber : Data sekunder diolah tahun 2015 Fungsi
rank cases
bertujuan untuk mengurutkan
rank
isi sebuah variabel, yang secara otomatis urutan tersebut akan ditampilkan pada sebuah variabel baru.
Hasil dari
rank cases
ada pada tabel 4.14, dalam tabel tersebut variabel penelitian yaitu variabel Profitabilitas, Ukuran, Umur, Jenis, Gri, dan ASDM berubah nama
menjadi RProfitabilitas, RUkuran, RUmur, RJenis, RGri dan RAsdm dengan label variabel
Rank
of Profitabilitas,
Rank
of Ukuran,
Rank
of Umur,
Rank
of jenis,
Rank
of gri, dan
Rank
of Asdm.
Setelah melakukan
rank cases
peneliti kembali melakukan pengujian asumsi normalitas, dengan hasil sebagai berikut :
Tabel 4.15 Hasil Uji Normalitas Tahap 2
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 402
Normal Parameters
a,b
Mean ,0000000
Std. Deviation 92,26973301
Most Extreme Differences Absolute
,025 Positive
,025 Negative
-,021 Kolmogorov-Smirnov Z
,505 Asymp. Sig. 2-tailed
,961 a. Test distribution is Normal.
b. Calculated from data.
Sumber : Data sekunder yang diolah tahun 2015 Berdasarkan Tabel 4.15, hasil uji one-sample kolmogorov-smirnov
menunjukkan nilai 0,505 dengan nilai signifikansinya sebesar 0,961. Nilai tersebut di atas 5
= 0,05. Jadi dapat disimpulkan bahwa data residual berdistribusi normal.
Selain melalui uji statistik, normalitas data juga dapat diketahui melalui analisis grafik, berikut adalah hasil pengujian normalitas melalui analisis grafik:
Gambar 4.1 Hasil Uji Normalitas
Berdasarkan gambar 4.1, hasil uji normalitas menunjukan residual telah mendeteksi garis diagonal atau garis normal, terlihat titik-titik obsevasi data telah
tersebar di sekitar garis lurus, sehingga asumsi normalitas residual terpenuhi.
1.2 Uji Multikolinearitas
Kategori