2. Variabel NPM memiliki nilai minimum sebesar -8.11, nilai maksimum sebesar -0.13, nilai rata-rata sebesar -3.1051, dan standar deviasi sebesar
1.15753 dengan jumlah pengamatan sebanyak 84. 3. Variabel ITO memiliki nilai minimum sebesar 0.10, nilai maksimum
4.43, nilai rata-rata 1.3862, dan standar deviasi sebesar 0.78690 dengan jumlah pengamatan sebesar 93.
4. Variabel ROE memiliki nilai minimum sebesar -6.57, nilai maksimum sebesar 0.54, nilai rata-rata sebesar -2.1521, dan standar deviasi 1.23446
dengan jumlah pengamatan sebesar 85. 5. Variabel pertumbuhan laba memiliki nilai minimum sebesar -6.5, nilai
maksimum sebesar 4.79, nilai rata-rata sebesar -1.1513, dan standar deviasi 1.75058 dengan jumlah pengamatan sebesar 65.
C. Pengujian Asumsi Klasik
Untuk menghasilkan suatu model regresi yang baik, analisis regresi memerlukan pengujian asumsi klasik sebelum melakukan pengujian hipotesis.
Apabila terjadi penyimpangan dalam pengujian asumsi klasik perlu dilakukan perbaikan terlebih dahulu.
1. Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah variabel residual berdistribusi normal. Uji statistik yang dapat digunakan untuk menguji
apakah residual berdistribusi normal adalah uji statistik non parametrik Kolmogorov-Smirnov K-S dengan membuat hipotesis.
Universitas Sumatera Utara
H : Data residual berdistribusi normal
H
A
: Data residual tidak berdistribusi normal Apabila nilai signifikansi lebih besar dari 0.05, maka H
diterima atau H
A
ditolak dan sebaliknya jika nilai signifikansi lebih kecil dari 0.05, maka H ditolak atau H
A
diterima.
Tabel 4.3 Hasil Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual N
93 Normal Parameters
a
Mean .0000000
Std. Deviation 12.21389268
Most Extreme Differences Absolute
.371 Positive
.371 Negative
-.266 Kolmogorov-Smirnov Z
3.582 Asymp. Sig. 2-tailed
.000
Sumber: Data diolah penulis, 2010 Dari hasil pengolahan data pada tabel 4.3 diperoleh besarnya nilai
Kolmogorov-Smirnov adalah 3.582 dan signifikan pada 0.000. Nilai siginifikansi lebih kecil dari 0.05, maka H
ditolak yang berarti data residual berdistribusi tidak normal. Data yang tidak berdistribusi normal dapat
disebabkan oleh adanya data yang outlier yaitu data yang memiliki nilai yang sangat menyimpang dari nilai data lainnya. Beberapa cara mengatasi
data outlier menurut Erlina 106 : 2007 yaitu: − lakukan transformasi data ke bentuk lainnya,
− lakukan trimming, yaitu membuang data outlier, dan
Universitas Sumatera Utara
− lakukan winsorizing, yaitu mengubah nilai data yang outlier ke suatu nilai tertentu.
Untuk mengubah nilai residual agar berdistribusi normal, penulis melakukan transformasi data ke model logaritma natural Ln dari
Pertumbuhan Laba = fDR, NPM, ITO, ROE menjadi Ln_Pertumbuhan Laba = fLn_DR, Ln_NPM, Ln_ITO, Ln_ROE. Transformasi data ke
dalam bentuk logaritma natural menyebabkan data yang bernilai negatif tidak dapat ditransformasi sehingga menghasilkan missing values. Setiap
data yang terdapat missing values akan dihilangkan dan diperoleh jumlah sampel yang valid menjadi 60 pengamatan. Kemudian data diuji ulang
berdasarkan asumsi normalitas, berikut ini hasil pengujian dengan Kolmogorov-Smirnov.
Tabel 4.4 Hasil Uji Normalitas Pada Data Setelah Transformasi Logaritma Natural
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 60
Normal Parameters
a
Mean .0000000
Std. Deviation 1.47465115
Most Extreme Differences Absolute
.077 Positive
.059 Negative
-.077
Universitas Sumatera Utara
Kolmogorov-Smirnov Z .593
Asymp. Sig. 2-tailed .874
a. Test distribution is Normal.
Sumber: Data diolah penulis, 2010 Dari hasil pengolahan data pada tabel 4.4 diperoleh besarnya nilai
Kolmogorov-Smirnov adalah 0.593 dan signifikan pada 0.874. Nilai signifikansi lebih besar dari 0.05, maka H
diterima yang berarti data residual berdistribusi normal. 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
Universitas Sumatera Utara
Histogram
Sumber: Data diolah penulis, 2010
Grafik histogram pada gambar 4.1 menunjukkan pola distribusi normal karena grafik tidak menceng kiri maupun menceng kanan dan membentuk
pola mendekati bentuk bel lonceng. Dengan demikian dapat disimpulkan bahwa model regresi telah memenuhi asumsi normalitas. Demikian pula
hasil uji normalitas dengan menggunakan grafik normal p-plot.
Gambar 4.2 Grafik Normal P-Plot
Sumber: Data diolah penulis, 2010
Universitas Sumatera Utara
Pada grafik normal p-plot terlihat bahwa data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal, maka dapat disimpulkan bahwa
model regresi telah memenuhi asumsi normalitas.
2. Uji Multikolinearitas