78
Tabel 4.2 Uji Normalitas Histogram
Sumber : Data diolah dengan menggunakan Eviews 6
Dilihat dari hasil Jarque-Bera, hasil menunjukkan di atas 2 sedangkan untuk hasil yang bagus Jarque-Bera di bawah 2 dan hasil dari probabilitas di atas
0,5. Pada hasil penelitian ini, hasil menunjukkan bahwa data berdistribusi tidak normal. Hal ini terjadi karena timbulnya masalah korelasi serial yang
sering timbul pada data time series atau runtut waktu. Korelasi serial timbul karena data masa sekarang dipengaruhi oleh data pada masa-masa
sebelumnya, sehingga timbul masalah korelasi serial.
20 40
60 80
100 120
-0.3 -0.2
-0.1 -0.0
0.1
Series: Standardized Residuals Sample 2005M01 2011M12
Observations 334 Mean
2.21e-16 Median
0.003869 Maximum
0.131477 Minimum
-0.279426 Std. Dev.
0.061275 Skewness
-2.559259 Kurtosis
12.63854 Jarque-Bera
1657.484 Probability
0.000000
79
b. Uji Multikolinearitas
Multikolinearitas adalah hubungan yang terjadi diantara variabel independen. Multikolinearitas diduga terjadi bila R
2
tinggi, tetapi nilai t semua variabel independen tidak signifikan atau nilai F tinggi.
Konsekuensi multikolinearitas adalah invalidnya signifikansi variabel. Untuk mengetahui ada atau tidaknya multikolinearitas digunakan uji
correlation dengan menggunakan matriks korelasi. Jika koefisien korelasi cukup tinggi di atas 0,8 maka diduga adanya
multikolinearitas. Sebaliknya jika koefisien korelasi rendah atau di bawah 0,8 maka diduga model tidak mengandung multikolinearitas. Berdasarkan
hasil perhitungan yang dilakukan dengan Eviews diperoleh hasil sebagai berikut :
Tabel 4.3 Matriks Korelasi
DSTRUKTUR_ ASET
DUKURAN_PE RUSAHAAN
DPERTUMBU HAN
DLDR 1.000000
-0.002577 0.004403
-0.004081 -0.002577
1.000000 -0.155926
-0.041296 0.004403
-0.155926 1.000000
-0.182265 -0.004081
-0.041296 -0.182265
1.000000
Sumber : Data diolah dengan menggunakan Eviews 6
Berdasarkan hasil pengujian korelasi pada tabel 4.3 diatas, terlihat bahwa semua variabel mempunyai korelasi di bawah 0,8. Hal ini menyatakan bahwa
model regresi ini tidak terdapat masalah multikolinearitas Agus Widarjono, 2009:105.
80
c. Uji Autokorelasi
Uji autokorelasi dilakukan untuk menguji apakah dalam sebuah model regresi linier ada korelasi antara kesalahan pengganggu pada periode t dengan periode t-1
sebelumnya. Jika terjadi korelasi maka dinyatakan terjadi masalah autokorelasi, dan model yang baik adalah yang bebas dari autokorelasi. Dalam penelitian ini
menggunakan nilai Durbin-Watson untuk menguji autokorelasi.
Gambar 4.3 Uji Autokorelasi
Dependent Variable: DLEVERAGE Method: Panel Least Squares
Date: 072313 Time: 18:38 Sample adjusted: 2005M02 2011M12
Periods included: 83 Cross-sections included: 4
Total panel unbalanced observations: 330 Variable
Coefficient Std. Error
t-Statistic Prob.
C 4.12E-05
0.002287 0.018028
0.9856 DSTRUKTUR_ASET
-0.000885 0.033295
-0.026573 0.9788
DUKURAN_PERUSAHAAN 0.001487
0.030537 0.048709
0.9612 DPERTUMBUHAN
0.044685 0.051046
0.875391 0.3820
DLDR 0.005127
0.062818 0.081615
0.9350 R-squared
0.002405 Mean dependent var 1.78E-05
Adjusted R-squared -0.009873 S.D. dependent var
0.041311 S.E. of regression
0.041514 Akaike info criterion -3.510534
Sum squared resid 0.560111 Schwarz criterion
-3.452972 Log likelihood
584.2380 Hannan-Quinn criter. -3.487573
F-statistic 0.195864 Durbin-Watson stat
2.492473 ProbF-statistic
0.940459
Sumber : Data diolah dengan menggunakan Eviews 6
Hasil penelitian untuk uji autokorelasi telah menggunakan treatment dengan menggunakan lag untuk menaikkan nilai Durbin Watson, tetapi setelah di lag semua
variabel menunjukkan hasil yang tidak signifikan.
81
Nilai tabel Durbin Watson pada α = 5; n = 330; k = 4 adalah dL = 1,80111 dan dU = 1,83779. Hasil pengolahan data menunjukkan nilai Durbin Watson sebesar 2,16221
dan nilai tersebut berada di antara dU dan 4-dU atau 2,16221 lebih besar dari 1,83779 dan 2,16221 lebih kecil dari 2,49247 maka dapat disimpulkan bahwa dalam
model regresi linier tersebut tidak terdapat autokorelasi atau tidak terjadi korelasi di antara kesalahan pengganggu.
d. Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varians dari residual model regresi. Data yang baik adalah data yang
homoskedastisitas, yaitu yang memiliki kesamaan varians dalam model regresi. Untuk menguji masalah heteroskedastisitas, peneliti menggunakan uji Park, yaitu
dengan menggunakan ln residu
2
sebagai variabel dependen. Apabila probabilitas diatas 0,05 signifikan maka data dinyatakan homoskedastisitas atau lulus uji
heteroskedastisitas. Berikut ini hasil uji Park :
Gambar 4.4 Uji Park
Dependent Variable: LOGRES2 Method: Panel Least Squares
Date: 072213 Time: 14:42 Sample adjusted: 2005M02 2011M12
Periods included: 83 Cross-sections included: 4
Total panel unbalanced observations: 330 Variable
Coefficient Std. Error
t-Statistic Prob.
C -8.466343
0.162854 -51.98718
0.0000 DSTRUKTUR_ASET
1.592416 2.370411
0.671789 0.5022
DUKURAN_PERUSAH AAN
-0.159101 2.174067
-0.073181 0.9417
DPERTUMBUHAN 1.331605
3.634169 0.366413
0.7143 DLDR
-1.379797 4.472322
-0.308519 0.7579
R-squared 0.002312 Mean dependent var
-8.469628 Adjusted R-squared
-0.009968 S.D. dependent var 2.940950