Pengujian Asumsi Klasik Data Penelitian

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