4.1.2 Pengujian Asumsi Klasik
Pengujian asumsi klasik dalam penelitian ini dilakukan dengan bantuan program statistik.
4.1.2.1 Uji Normalitas Data
Pengujian normalitas data pada penelitian ini menggunakan analisis grafik histogram dan kurva normal probability plot dan
anaisis statistik. Analisis statistik dilakukan dengan non parametric Kolmogorov-Smirnov KS dengan membuat hipotesis sebagai
berikut: H
= Data residual berdistribusi normal Ha= Data residual tidak berdistribusi normal
Apabila nilai signifikansi lebih besar dari 0,05 maka H0 diterima dan sebaliknya, jika nilai signifikansi lebih kecil dari 0,05, maka H0
ditolak atau Ha diterima.
Gambar 4.1 Hasil Normaitas
Grafik Histogram Sumber: Data diolah penulis, 2013
Grafik histogram pada gambar 4.1 menunjukkan pola distribusi tidak normal karena grafik menceng ke kiri. Dengan demikian dapat
disimpulkan bahwa model regresi tidak memenuhi asumsi normalitas.
Data yang tidak berdistribusi normal dapat disebabkan oleh adanya data yang outlier, yaitu data yang memiliki nilai yang sangat
menyimpang dari nilai data lainnya. Untuk mengubah grafik histogram agar berdistribusi normal,
penulis melakukan transformasi data ke model logaritma natural Ln dari Pertumbuhan Laba = fCR, DR, TATO, ROA, ROE menjadi
Ln_Pertumbuhan Laba = fLn_CR, Ln_DR, Ln_TATO, Ln_ROA, Ln_ROE. Kemudian data diuji ulang berdasarkan asumsi normalitas,
berikut ini hasil pengujian dengan grafik histogram.
Gambar 4.2 Hasil Uji Normalitas Setelah Transformasi Logaritma Natural
Grafik Histogram
Sumber: Data diolah penulis, 2013
Grafik histogram di atas menunjukkan bahwa data telah terdistribusi secara normal. Hal ini dapat dilihat dari grafik histogram
yang menunjukkan distribusi data mengikuti garis diagonal yang tidak menceng skewness kiri maupun menceng ke kanan. Hal ini juga
didukung dengan hasil uji normalitas dengan menggunakan grafik plot yang ditampilkan pada Gambar 4.2.
Gambar 4.3 Grafik Normal P-Plot
Sumber: Data diolah penulis, 2013
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.
Tabel 4.3 Kolmogorov-Smirnov
Dari hasil pengolahan data pada tabel 4.3 diperoleh besarnya nilai Kolomogorov-Smirnov adalah 1,061 dan signifikan pada 210. 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.
4.1.2.2 Uji Multikolinearitas
Uji multikolinieritas bertujuan menguji apakah pada model regresi ditemukan adanya korelasi antara variabel independen. Untuk
mendeteksi ada tidaknya multikoliniearitas dalam model regresi dapat
Unstandardized Residual
N 30
Normal Parametersa Mean
Std. Deviation 1,17616886
Most Extreme Differences Absolute
.194 Positive
.194 Negative
-175 Kolmogorov-Smirnov Z
1.061 Asymp. Sig. 2-tailed
210 a. Test distribution is Normal.
Sumber: Data diolah penulis, 2012
One-Sample Kolmogorov-Smirnov Test One-Sample Kolmogorov-Smirnov Test
dilihat dari tolerance value atau variance inflation factor VIF. Menurut Nugroho 2005: 58 deteksi multikolenaritas pada suatu
model dapat dilihat yaitu jika nilai Tolerance 0,1 dan nilai Variance Inflation Factor VIF 10 maka model dapat dikatakan terbebas dari
multikolenearitas.
Tabel 4.4 Hasil Uji Multikolinearitas
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients T
Sig. Collinearity
Statistics B
Std. Error Beta
Tolerance VIF 1
Constant .882
.627 1.407
.172 ln_cr
-.157 .197
-.173 -.797
.433 .595 1.681
ln_dr -.261
.185 -.239
-1.406 .172
.975 1.026 ln_tato
-.499 .578
-.204 -.863
.397 .502 1.990
ln_roa .003
.060 .010
.057 .955
.897 1.115 ln_roe
.695 .240
.548 2.899
.008 .789 1.268
a. Dependent Variable: ln_pl
Sumber: Data penelitian yang diolah menggunakan SPSS 16 Berdasarkan tabel 4.4 dapat disimpulkan bahwa penelitian ini
bebas dari adanya multikolinieritas. Hal tersebut dapat dilihat dengan membandingkannya dengan nilai Tolerence atau VIF. Masing-masing
variabel independen yang digunakan dalam penelitian ini memiliki nilai Tolerence yang lebih besar dari 0,10. Jika dilihat dari VIF-nya, bahwa
masing-masing variabel bebas lebih kecil dari 10. Dengan demikian dapat disimpulkan bahwa tidak terjadi gejala multikolinieritas dalam variabel
bebasnya.
4.1.2.3 Uji Heteroskedastisitas
Uji heterokedastisitas bertujuan untuk melihat apakah di dalam model regresi terjadi ketidaksamaan variabel dari residual
satu pengamatan ke pengamatan yang lain. Model penelitian yang baik adalah homoskeditas, yaitu varian dan residual satu
pengamatan ke pengamatan yang lain hasilnya tetap. Terdapat beberapa cara untuk untuk mendeteksi adanya heteroskeditas yang
menunjukkan bahwa model penelitian kurang layak. Dalam penelitian ini digunakan diagram titik scatterplot yang
seharusnya titik-titik tersebut tersebar acak agar tidak terdapat heteroskeditas. Adapun hasil uji heteroskeditas dalam penelitian ini
disajikan pada Gambar 4.4 berikut ini.
Gambar 4.4 Hasil Uji Heteroskedastisitas
Grafik Scatterplot
Sumber: Data penelitian yang diolah menggunakan SPSS 16
Dengan melihat grafik scatterplot, terlihat titik-titik menyebar secara acak,serta tersebar baik di atas maupun di bawah
angka 0. Maka dapat diambil kesimpulan bahwa tidak terdapat gejala heteroskedastisitas pada model regresi yang digunakan.
4.1.2.4 Uji Autokorelasi
Uji ini bertujuan untuk melihat apakah dalam suatu model linear ada korelasi antar kesalahan pengganggu pada periode t dengan
kesalahan pada periode t-1 sebelumnya. Model regresi yang baik adalah yang bebas
dari autokorelasi
. Untuk mengetahui adanya autokorelasi dalam suatu model regresi, dilakukan pengujian Durbin-
Watson DW dengan ketentuan yang dapat dilihat pada Tabel 4.6 sebagai berikut Algifari, 2000.
Tabel 4.5 Autokorelasi
Pada data penelitian ini, didapatkan nilai DW 1,986 seperti terlihat pada Tabel 4.6.
Tabel 4.6 Hasil Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-
Watson 1
.570
a
.324 .184
1.29289 1.986
a. Predictors: Constant, ln_roe, ln_cr, ln_dr, ln_roa, ln_tato b. Dependent Variable: ln_pl
Sumber: Data penelitian yang diolah menggunakan SPSS 16
Berdasarkan hasil perhitungan menggunakan SPSS 16 pada Tabel 4.7 nilai DW berada diantara 1,55 sampai dengan 2,46,
1 Ada autokorelasi
1,1 - 1,54 Tanpa Kesimpulan
1,55 - 2,46 Tidak ada autokorelasi
2,46 - 2,9 Tanpa Kesimpulan
2,9 Ada autokorelasi
sumber: Algifari 2000
sehingga dapat disimpulkan bahwa tidak terdapat autokorelasi pada persamaan regresi penelitian ini.
4.1.3 Pengujian Hipotesis Penelitian