46
Variabel RISK merupakan perbandingan antara total liabilitas jangka panjang dengan total aset perusahaan. Variabel RISK memiliki rata-rata 0,0309286, nilai
minimum 0, nilai maksimum 0,12493, dan standar deviasi 0,03144745.
4.2.1.2 Uji Asumsi Klasik
Model regresi linier dikatakan baik jika memenuhi uji asumsi klasik. Oleh karena itu, uji asumsi klasik sangat diperlukan sebelum melakukan analisis regresi.
Uji asumsi klasik dalam penelitian ini terdiri atas uji normalitas, uji multikolinieritas, uji heteroskedastisitas, dan uji autokorelasi.
a. Uji Normalitas
Uji normalitas bertujuan untuk mengetahui normal atau tidaknya suatu distribusi data Sarjono dan Julianita, 2013 : 53. Uji normalitas menjadi hal penting
karena salah satu syarat pengujian parametric-test uji parametrik adalah data harus berdistribusi normal. Penelitian ini mengambil hasil output berupa tabel test of
normality. Keputusan diambil dari tabel Kolmogorov-Smirnov pada test of normality.
47
Tabel 4.3 Uotput SPSS Uji Normalitas
Tests of Normality
Kolmogorov-Smirnov
a
Statistic df
Sig. Unstandardized Residual
,086 54
,200 . This is a lower bound of the true significance.
a. Lilliefors Significance Correction
Dari hasil uji normalitas dengan menggunakan tabel test of normality, tampak pada kolom Kolmogorov-Smirnov memiliki nilai sig. 0,200. Dari angka signifikansi
tersebut, dapat disimpulkan bahwa data berdistribusi normal. Data akan berdistribusi normal jika nilai signifikansi 0,05.
b. Uji Multikolinieritas
Uji multikolinieritas bertujuan untuk mengetahui apakah hubungan di antara variabel bebas memiliki masalah gejala mutikolinieritas atau tidak Sarjono dan
Julianita, 2013 : 70. Uji multikolinieritas perlu dilakukan jika jumlah variabel independen variabel bebas lebih dari satu. Penelitian ini menggunakan nilai VIF
variance-inflating factor untuk melihat ada tidaknya gejala multikolinieritas. Jika VIF 10, maka model dapat dikatakan terbebas dari gejala multikolinieritas.
48
Tabel 4.4 Output SPSS Uji Multikolinieritas
Coefficients
a
Model Collinearity Statistics
Tolerance VIF
1 Constant
LnASSET ,212
4,710 ROA
,529 1,892
SUBS ,287
3,489 BIG
,662 1,510
GEN ,723
1,384 TIPE
,453 2,206
RISK ,540
1,852 a. Dependent Variable: LnFEE
Hasil perhitungan VIF menunjukkan bahwa setiap variabel tidak mengalami gejala multikolinieritas. Ini dikarenakan nilai VIF masing-masing variabel 10.
c. Uji Heteroskedastisitas
Menurut Wijaya dalam Sarjono dan Julianita, 2013 : 66, heteroskedastisitas menunjukkan bahwa varians variabel tidak sama untuk semua pengamatan
observasi. Jika varians dari residual satu pengamatan ke pengamatan yang lain tetap disebut homokedastisitas. Model regresi yang baik adalah terjadi homokedastisitas
atau tidak terjadi heteroskedastisitas. Untuk melihat ada tidaknya
heteroskedastisitas, peneliti menggunakan uji gletjer.
49
Tabel 4.5 Output SPSS Uji Heteroskedastisitas
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error
Beta
1 Constant
3,173 2,836
1,119 ,269
LnASSET -,047
,092 -,149
-,511 ,612
ROA -8,269
16,499 -,092
-,501 ,619
SUBS ,068
,274 ,062
,247 ,806
BIG ,067
,184 ,060
,362 ,719
GEN -,022
,206 -,017
-,107 ,916
TIPE -,813
,291 -,558
-2,799 ,067
RISK -4,666
3,651 -,233
-1,278 ,208
a. Dependent Variable: Abresid
Hasil tampilan output SPSS menunjukkan bahwa model regresi tidak mengandung adanya heteroskedastisitas. Hal ini terlihat dari probabilitas
signifikansi setiap variabel di atas tingkat kepercayaan 5 atau nilai sig. 0,05.
d. Uji Autokorelasi
Menurut Wijaya dalam Sarjono dan Julianita, 2013 : 66, uji autokorelasi bertujuan untuk menguji apakah dalam model regresi linier ada korelasi antara
kesalahan pengganggu pada periode t dan kesalahan pengganggu pada periode sebelumnya t-1. Apabila terjadi korelasi maka hal tersebut menunjukkan adanya
50
problem autokorelasi. Untuk menguji autokorelasi, peneliti menggunakan uji Durbin- Watson.
Tabel 4.6 Output SPSS Uji Autokorelasi
Model Summary
b
Mode l
R R Square
Adjusted R Square
Std. Error of the Estimate
Durbin-Watson 1
,891
a
,794 ,762
1,04866 1,873
a. Predictors: Constant, RISK, ROA, BIG, GEN, TIPE, SUBS, LnASSET b. Dependent Variable: LnFEE
Nilai dw sebesar 1,873 akan dibandingkan dengan nilai tabel dengan menggunakan nilai signifikansi 5 jumlah sampel 54 N dan jumlah variabel
independen 7 k=7. Pada tabel Durbin-Watson akan didapatkan nilai dl = 1,2851 dan nilai du = 1,8632. Dapat disimpulkan bahwa tidak terjadi autokorelasi karena
nilai dl dw 4 – du 1,2851 1,873 2,1368.
51
4.2.2 Pengujian Analisis Regresi