7. Variabel ROI memiliki nilai minimum sebesar -3.91, nilai maksimum
2.60, nilai rata-rata 0.8061, dan standar deviasi sebesar 1.31568 dengan jumlah pengamatan sebanyak 51.
8. Variabel ROE memiliki nilai minimum sebesar -2.04, nilai maksimum
sebesar 3.42, nilai rata-rata sebesar 1.4428, dan standar deviasi sebesar 1.47136 dengan jumlah pengamatan sebanyak 51.
9. Variabel pertumbuhan laba memiliki nilai minimum sebesar -4.61, nilai
maksimum sebesar 3.96, nilai rata-rata sebesar -0.9602, dan standar deviasi sebesar 2.07025 dengan jumlah pengamatan sebanyak 33. Nilai
rata-rata pertumbuhan laba menunjukkan rendahnya pertumbuhan laba dalam perusahaan yang diambil sebagai sampel pada periode pengamatan.
C. Pengujian Asumsi Klasik
Sebelum melakukan analisis statistik dengan model linier regresi berganda, perlu dilakukan pengujian asumsi klasik terlebih dahulu. Model regresi
dikatakan baik apabila telah memenuhi asumsi normalitas data dan terbebas dari asumsi-asumsi klasik statistik, baik itu multikolinieritas, heteroskesdastisitas dan
autokorelasi.
1. Uji Normalitas
Uji normalitas bertujuan untuk mengetahui apakah distribusi sebuah data mengikut i atau mendekati distribusi normal. Uji statistik yang dapat
dilakukan untuk mengetahui apakah data residual berdistribusi normal atau tidak adalah dengan uji statistik non parametik Kolmogorov-Smirnov K-S
dengan membuat hipotesis.
Universitas Sumatera Utara
Ho : Data residual berdistribusi normal Ha : Data residual tidak berdistribusi normal
Apabila nilai signifikansi lebih besar dari 0.05, maka Ho diterima dan sebaliknya jika nilai signifikansi lebih kecil dari 0.05, maka Ho ditolak atau
Ha diterima.
Tabel 4.6 Hasil Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 51
Normal Parameters
a
Mean .0000000
Std. Deviation 6.63276355
Most Extreme Differences Absolute .217
Positive .217
Negative -.161
Kolmogorov-Smirnov Z 1.547
Asymp. Sig. 2-tailed .017
Sumber : Data diolah penulis, 2010 Berdasarkan hasil pengolahan data pada tabel 4.6 terlihat bahwa
besarnya nilai Kolmogorov-Smirnov adalah 1.547 dan nilai Asymp. Sig. 2- tailed adalah 0.17 dimana nilai ini di bawah nilai signifikan 0.05, maka Ho
ditolak yang berarti data residua l tidak berdistribusi normal. Untuk mengatasi data yang berdistribusi tidak normal ada beberapa
cara yang dapat dilakukan. Salah satunya adalah dengan melakukan transformasi data ke dalam bentuk logaritma natural Ln yaitu dari
Pertumbuhan Laba = fCR, DER, LR, OPM, NPM, TATO, ROI, ROE
Universitas Sumatera Utara
menjadi Ln_Pertumbuhan Laba = fLn_CR, Ln_DER, Ln_LR, Ln_OPM, Ln_OPM, Ln_NPM, Ln_TATO, Ln_ROI, Ln_ROE. Transformasi data ke
dalam bentuk logaritma natural menyebabkan data yang bernilai negatif tidak dapat ditransformasikan sehingga menghasilkan missing values. Setiap data
yang terdapat missing values akan dihilangkan dan diperoleh jumlah sampel yang valid menjadi 30 pengamatan. Kemudian data diuji kembali berdasarkan
asumsi normalitas, berikut ini hasil pengujian dengan Kolmogorov-Smirnov.
Tabel 4.7 Hasil Uji Normalitas Data Setelah Transformasi Logaritma Natural
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 30
Normal Parameters
a
Mean .0000000
Std. Deviation 1.31120395
Most Extreme Differences Absolute
.104 Positive
.077 Negative
-.104 Kolmogorov-Smirnov Z
.572 Asymp. Sig. 2-tailed
.899
Sumber : Data diolah penulis, 2010 Berdasarkan hasil pengolahan data pada tabel 4.7 terlihat bahwa
besarnya nilai Kolmogorov-Smirnov adalah 0.572 dan nilai Asymp. Sig. 2- tailed adalah 0.899 dimana nilai ini di atas nilai signifikan 0.05, maka Ho
diterima yang berarti data residual berdistribusi normal. Untuk lebih jelas berikut ini dilampirkan grafik histogram dan grafik p-p plot data yang telah
berdistribusi normal.
Universitas Sumatera Utara
Gambar 4.1 Grafik Histogram
Sumber : Data diolah penulis, 2010
Pada grafik histogram di atas terlihat bahwa variabel pertumbuhan laba berdistribusi normal. Hal ini ditunjukkan oleh distribusi data tersebut tidak
menceng ke kiri atau menceng ke kanan.
Universitas Sumatera Utara
Gambar 4.2 Grafik Normal P-P Plot
Sumber : Data diolah penulis, 2010
Grafik normal p-p plot pada gambar 4.2 menunjukkan bahwa data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal.
Berdasarkan hal ini dapat disimpulkan bahwa data berdistribusi normal.
Universitas Sumatera Utara
2. Uji Multikolinieritas
Uji multikolinieritas bertujuan untuk mengetahui ada tidaknya variabel independen yang memiliki kemiripan dengan variabel independen lain dalam
suatu model. Kemiripan-kemiripan tersebut dapat menyebabkan terjadinya korelasi yang sangat kuat antara satu variabel independen dengan variabel
independen lainnya. Selain itu, deteksi terhadap multikolinieritas juga bertujuan untuk menghindari kebiasan dalam proses pengambilan kesimpulan
mengenai pengaruh pada uji parsial masing-masing variabel independen terhadap variabel dependen Nugroho, 2005:58.
Untuk mendeteksi multikolinieritas dalam suatu model dapat dilihat dari nilai Variance Inflation Factor VIF dan nilai tolerance. Jika nilai VIF
tidak lebih dari 10 dan nilai tolerance tidak kurang dari 0.1, maka dapat disimpulkan bahwa model terbebas dari multikolinieritas.
Tabel 4.8 Hasil Uji Multikolinieritas
Model Collinearity Statistics
Tolerance VIF
1 Constant
Ln_CR .590
1.694 Ln_DER
.064 15.622
Ln_LR .139
7.201 Ln_OPM
.028 35.170
Ln_NPM .041
24.565 Ln_TATO
.209 4.775
Ln_ROI .104
9.607 Ln_ROE
.029 34.504
Sumber : Data diolah penulis, 2010
Universitas Sumatera Utara
Pada tabel 4.8, dapat dilihat bahwa variabel independen yaitu DER, OPM, NPM dan ROE memiliki nilai VIF 10 dan nilai tolerance 0.1
sehingga dapat disimpulkan bahwa terjadi multikolinieritas pada variabel- variabel independen tersebut.
Tindakan perbaikan yang dilakukan untuk menghilangkan multikolinieritas dari model adalah dengan mengeluarkan variabel independen
yang memiliki nilai VIF terbesar yaitu OPM. Selanjutnya, dilakukan uji multikolinieritas kembali dengan hasil sebagai berikut :
Tabel 4.9 Hasil Uji Multikolinieritas Setelah Tindakan Perbaikan I
Model Collinearity Statistics
Tolerance VIF
1 Constant
Ln_CR .292
3.424 Ln_DER
.065 15.315
Ln_LR .074
13.424 Ln_NPM
.411 2.432
Ln_TATO .498
2.009 Ln_ROI
.188 5.316
Ln_ROE .407
2.459
Sumber : Data diolah penulis, 2010 Pada tabel 4.9 terlihat bahwa masih terjadi multikolinieritas pada
variabel independen DER dan LR dengan nilai VIF 10 dan nilai tolerance 0.1 sehingga variabel independen dengan nilai VIF tertinggi yaitu DER akan
dikeluarkan dari model untuk menghilangkan multikolinieritas tersebut.
Universitas Sumatera Utara
Tabel 4.10 Hasil Uji Multikolinieritas Setelah Tindakan Perbaikan II
Model Collinearity Statistics
Tolerance VIF
1 Constant
Ln_CR .309
3.232 Ln_LR
.348 2.872
Ln_NPM .411
2.432 Ln_TATO
.525 1.904
Ln_ROI .260
3.853 Ln_ROE
.435 2.300
Sumber : Data diolah penulis, 2010
Pada tabel 4.9 dapat dilihat bahwa tidak terdapat lagi variabel independen yang memiliki nilai VIF 10 dan nilai tolerance 0.1 sehingga
dapat disimpulkan bahwa dalam model regresi sudah tidak terjadi multikolinearitas antar variabel independen.
Tindakan perbaikan dengan mengeluarkan variabel OPM dan DER dari model regresi dapat mempengaruhi normalitas data. Untuk mengetahui
apakah variabel residual tetap berdistribusi normal setelah dilakukan tindakan perbaikan, maka harus dilakukan uji normalitas kembali. Adapun hasil uji
normalitas tersebut dengan menggunakan uji Kolmogorov Smirnov dapat dilihat pada tabel 4.11.
Universitas Sumatera Utara
Tabel 4.11 Hasil Uji Kolmogorov Smirnov Setelah Tindakan Perbaikan
Atas Terjadinya Multikolinearitas
Unstandardized Residual
N 33
Normal Parameters
a
Mean .0000000
Std. Deviation 1.46105029
Most Extreme Differences Absolute
.069 Positive
.069 Negative
-.052 Kolmogorov-Smirnov Z
.398 Asymp. Sig. 2-tailed
.997
Sumber : Data diolah penulis, 2010
Berdasarkan hasil pengolahan data pada tabel 4.11 terlihat bahwa besarnya nilai Kolmogorov-Smirnov adalah 0.398 dan nilai Asymp. Sig. 2-
tailed adalah 0.997 dimana nilai ini di atas nilai signifikansi yaitu 0.05 sehingga dapat disimpulkan bahwa variabel residual tetap berdistribusi normal
setelah dilakukan tindakan perbaikan atas multikolinieritas. Untuk lebih jelas berikut ini dilampirkan grafik histogram dan grafik p-p plot data yang telah
berdistribusi normal.
Universitas Sumatera Utara
Gambar 4.3 Grafik Histogram II
Sumber : Data diolah penulis, 2010
Pada grafik histogram di atas terlihat bahwa variabel pertumbuhan laba tetap berdistribusi normal. Hal ini ditunjukkan oleh distribusi data tersebut
tidak menceng ke kiri atau menceng ke kanan.
Universitas Sumatera Utara
Gambar 4.4 Grafik Normal P-P Plot II
Sumber : Data diolah penulis, 2010
Grafik normal p-p plot pada gambar 4.4 menunjukkan bahwa data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal.
Berdasarkan hal ini dapat disimpulkan bahwa data berdistribusi normal.
Universitas Sumatera Utara
3. Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji terjadinya perbedaan variance residual suatu periode pengamatan ke periode pengamatan lainnya
dalam model regresi. Model regresi yang baik adalah model regresi yang memiliki persamaan variance residual suatu periode pengamatan dengan
periode pengamatan yang lain. Cara untuk mendeteksi ada tidaknya heteroskedastisitas pada suatu
model regresi dapat dilihat dari pola gambar scatterplot model regresi tersebut. Analisis terhadap gambar scatterplot yang menyatakan bahwa suatu
model regresi tidak terdapat heteroskedastisitas apabila titik-titik data menyebar di atas dan di bawah atau di sekitar angka 0 serta penyebaran titik-
titik data tersebut tidak berpola. Berikut adalah gambar scatterplot untuk model regresi dalam penelitian ini.
Gambar 4.5 Hasil Uji Heteroskedastisitas Sactterplot
Sumber : Data diolah penulis, 2010
Universitas Sumatera Utara
Grafik scatterplot di atas memperlihatkan bahwa titik-titik data menyebar secara acak tidak membentuk sebuah pola tertentu yang jelas serta
tersebar baik di atas maupun di bawah angka 0. Dengan demikian dapat disimpulkan tidak terdapat heterokedastisitas pada model regresi sehingga
model regresi layak dipakai untuk memprediksi pertumbuhan laba, berdasarkan masukan variabel independen CR, LR, NPM, TATO, ROI dan
ROE.
4. Uji Autokorelasi
Uji autokorelasi bertujuan untuk mengetahui ada tidaknya korelasi antara variabel pengganggu pada periode tertentu dengan variabel pengganggu
pada periode sebelumnya. Autokorelasi menunjukkan adanya korelasi antara kesalahan pengganggu pada data yang tersusun, baik berupa data cross
sectional danatau time series. Salah satu metode yang dapat dipakai untuk mendeteksi ada tidaknya
autokorelasi dalam model regresi adalah runs test. Dalam model ini dibuat hipotesis sebagai berikut.
Ho : Tidak terjadi autokorelasi antar nilai residual
Ha : Terjadi autokorelasi antar nilai residual
Kaidah keputusan dalam model ini adalah tidak menolak hipotesis nol jika probabilitas 0.05 dan menolak hipotesis nol jika probabilitas 0.05.
Universitas Sumatera Utara
Tabel 4.12 Hasil Uji Autokorelasi
Runs Test
Unstandardized Residual
Test Value
a
.13659 Cases Test Value
16 Cases = Test Value
17 Total Cases
33 Number of Runs
18 Z
.005 Asymp. Sig. 2-tailed
.996
Sumber : Data diolah penulis, 2010. Tabel 4.12 menunjukkan hasil uji autokorelasi dengan runs test dimana
nilai dari test tersebut adalah 0.13659 dengan probabilitas 0.996 siginifikan pada 0.05 yang berarti hipotesis nol diterima. Dengan demikian dapat
disimpulkan bahwa tidak terjadi autokorelasi antar nilai residual dalam model regresi.
D. Analisis Regresi
