Hasil Uji Asumsi Klasik

64 maksimum sebesar 9,603 dengan nilai rata-rata sebesar 6,629 dan standar deviasinya sebesar 0,695. Nilai minimum variabel ukuran perusahaan ASSET adalah sebesar 6,861 dan nilai maksimum sebesar 8,587 dengan nilai rata-rata sebesar 7,542 dan standar deviasinya sebesar 0,561. Nilai minimum variabel corporate social responsbility CSR adalah sebesar 0,560 dan nilai maksimum sebesar 0,870 dengan nilai rata-rata sebesar 0,778 dan standar deviasinya sebesar 0,067. Pada variabel nilai perusahaan nilai minimum sebesar 0,650 dan maksimum sebesar 6,320 dengan nilai rata-rata sebesar 2,442 dan standar deviasinya sebesar 1,342.

2. Hasil Uji Asumsi Klasik

Uji asumsi klasik dilakukan dengan menggunakan analisis regresi terhadap variabel independen dan variabel dependen. Adapun dalam penelitian ini variabel independen yang digunakan adalah profitabilitas, leverage, kebijakan dividen, cash holding, ukuran perusahaan dan corporate social responsibility, sedangkan variabel dependen yang digunakan adalah nilai perusahaan. Agar model regresi yang dipakai menghasilkan nilai yang sesuai, terlebih dahulu data harus memenuhi empat uji asumsi klasik. Uji asumsi klasik yang telah dilakukan dan hasilnya adalah sebagai berikut:

a. Hasil Uji Normalitas

Tujuan dilakukannya uji normalitas adalah untuk menguji apakah dalam model regresi, variabel dependen dan variabel 65 independen atau keduanya mempunyai distribusi normal atau tidak. Model regresi yang baik adalah distribusi data normal atau mendekati normal. Untuk mendeteksi normalitas data, penelitian ini menggunakan analisis grafik, yaitu dengan melihat grafik histogram dan dengan melihat Normal Probability Plot P-P Plot Gambar 4.1 Grafik histogram Sumber : Data sekunder yang diolah tahun 2015 66 Gambar 4.2 Grafik Normal P-P Plot Sumber : Data sekunder yang diolah tahun 2015 Dengan melihat tampilan grafik histogram Gambar 4. maupun grafik normal plot Gambar 4.2 dapat disimpulkan bahwa kedua grafik ini menunjukkan bahwa model regresi memenuhi asumsi normalitas. Karena pada grafik histogram Gambar 4.1 data menunjukkan distribusi normal dan pada grafik normal plot Gambar 4.2 data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal. Untuk lebih meyakinkan pendapat diatas, maka peneliti juga melakukan uji statistik Kolmogorov-Smirnov K-S. Berikut adalah tabel hasilnya : 67 Tabel 4.4 Uji Kolmogorov-Smirnov One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 40 Normal Parameters a,b Mean ,0000000 Std. Deviation ,73892058 Most Extreme Differences Absolute ,097 Positive ,097 Negative -,071 Test Statistic ,097 Asymp. Sig. 2-tailed ,200 c,d a. Test distribution is Normal. b. Calculated from data. Sumber: Data yang diolah tahun 2015 Dari hasil output pada tabel 4.4 bisa di lihat nilai Asymp. Sig. 2-Tailed adalah sebesar 0,200 dan barada di atas tingkat kepercayaan sebesar 0,05 atau 5. Berarti bisa disimpulkan bahwa data terdistribusi dengan normal.

a. Hasil Uji Multikolinieritas

Tujuan dilakukan uji multikolinieritas adalah untuk menguji apakah dalam model regresi ditemukan adanya korelasi antar variabel bebas. Untuk mendeteksi adanya problem multikolinieritas, maka dapat dilakukan dengan melihat nilai tolerance dan Variance Inflation Factor VIF serta besaran korelasi antar variabel 68 independen. Berikut ini adalah tabel yang menunjukkan hasil uji multikolinieritas. Tabel 4.5 Uji Multikolonieritas Berdasarkan tabel 4.5 diatas dapat diketahui bahwa hasil uji multikolinieritas menunjukkan tidak ada variabel independen yang memiliki nilai tolerance kurang dari 0,10 yang berarti tidak ada korelasi antar variabel independen. Hasil perhitungan nilai Variance Inflation Factor VIF juga menunjukkan hasil yang sama, tidak ada satu variabel independen yang memiliki nilai VIF lebih dari 10. Jadi dapat disimpulkan bahwa tidak ada multikolinieritas antar variabel independen dalam model regresi. Model Collinearity Statistics Tolerance VIF Constant ROE ,799 1,252 DER ,467 2,140 DPR ,613 1,632 CASH ,624 1,603 ASET ,343 2,917 CSR ,553 1,809 b. Dependent Variable: NP Sumber : Data sekunder yang di olah tahun 2015 69

c. Hasil Uji Autokorelasi

Tujuan dilakukanya uji autokorelasi adalah untuk menguji apakah dalam suatu model regresi ditemukan adanya autokorelasi dalam analisis regresi. Model regresi yang baik adalah model regresi yang bebas dari masalah autokorelasi. Berikut ini adalah tabel yang menunjukkan hasil uji autokorelasi. Dari tabel 4.6 diatas menunjukkan bahwa nilai D-W sebesar 1,692. Dengan jumlah predictor sebanyak 6 buah k-6 dan sampel sebanyak 40 n=40, berdasarkan tabel D-W dengan tingkat signifikansi 5, maka dapat ditentukan nilai dl adalah sebesar 1,175 dan du adalah sebesar 1,853. Dengan demikian nilai D-W ada di antara dl dan du maka menyebabkan kesimpulan yang tidak pasti. Namun menurut Sarwono 2013: 52, untuk mendeteksi ada atau tidaknya autokorelasi, maka dapat dilakukan dengan melihat Tabel 4.6 Uji Autokorelasi Model R R Square Adjusted R Square Durbin- Watson 1 ,835 a ,697 ,642 1,692 a. Predictors: Constant, CSR, DER, CASH, ROE, DPR, ASET b. Dependent Variable: NP Sumber: Data sekunder yang di olah tahun 2015 70 nilai Durbin-Watson. Regresi yang bebas dari autokorelasi memiliki nilai Durbin-Watson diantara -2 sampai +2. Berdasarkan tabel 4.5 diatas dapat diketahui bahwa hasil uji autokorelasi pada nilai Durbin-Watson adalah 1,692. Nilai yang dihasilkan tersebut berada diantara angka -2 dan +2 sehingga dapat disimpulkan bahwa data yang digunakan dalam penelitian ini bebas dari autokorelasi. Untuk menguatkan pendapat itu maka peneliti menambahkan uji Run test. Uji run test dalam Ghozali 2013 adalah bagian dari statistik parametik dapat pula di gunakan untuk menguji apakah antar residual terdapat korelasi yang tinggi Berikut ini adalah tabel hasil dari uji run test : Tebel 4.7 Uji Run Test Runs Test Unstandardized Residual Test Value a -,13159 Cases Test Value 20 Cases = Test Value 20 Total Cases 40 Number of Runs 17 Z -1,121 Asymp. Sig. 2- tailed ,262 a. Median Sumber : Data sekunder yang diolah tahun 2015 71 Hasil dari tabel 4.7 menunjukan bahwa nilai Asymp. Sig. 2- tailed yaitu 0,262 atau lebih tinggi dari tingkat kepercayaan sebesar 0,05 atau 5. Hal ini menunjukan bahwa data cukup random dan terbebas dari masalah autokorelasi.

d. Hasil Uji Heteroskedatisitas

Tujuan dilakukannya uji heteroskedastisitas adalah untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Untuk mendeteksi ada atau tidaknya heteroskedastisitas dilakukan dengan melihat ada atau tidaknya pola tertentu pada grafik scatterplot antara SRESID dan ZPRED. Jika terdapat pola tertentu seperti titik-titik yang ada membentuk suatu pola tertentu yang teratur bergelombang, melebar kemudian menyempit, maka terjadi heteroskedastis. Sebaliknya jika tidak terdapat pola yang jelas serta titik-titik menyebar di atas dan bawah angka 0 nol pada sumbu Y, maka tidak terjadi heteroskedastisitas. Adapun hasil uji heteroskedastisitas dalam penelitian ini dapat dilihat pada gambar 4.3. 72 Gambar 4.3 Grafik Scatterplot Sumber: data sekunder yang di olah tahun 2015 Berdasarkan hasil uji heterokedastisitas pada gambar 4.3 di atas dapat dilihat bahwa grafik scatterplot terlihat bahwa titik-titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y. Hal ini dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi, sehingga model regresi layak dipakai untuk memprediksi nilai perusahaan berdasarkan masukan variabel independen return on equity ROE, Leverage DER, kebijakan dividen DPR, cash holding, ukuran perusahaan dan corporate social responsbility CSR. Untuk lebih menguatkan pendapat diatas maka peneliti juga melakukan uji glejser. Hasil bisa di lihat di tabel berikut : 73 Tabel 4.8 Uji Glejser Coefficients a Model Unstandardized Coefficients Standardize d Coefficient s T Sig. B Std. Error Beta 1Constant -3,003E-15 2,319 ,000 1,000 ROE ,000 1,707 ,000 ,000 1,000 DER ,000 ,078 ,000 ,000 1,000 DPR ,000 ,845 ,000 ,000 1,000 CASH ,000 ,234 ,000 ,000 1,000 ASET ,000 ,391 ,000 ,000 1,000 CSR ,000 2,578 ,000 ,000 1,000 a. Dependent Variable: AbsUt Sumber : Data sekunder yang di olah tahun 2015 Dari hasil uji pada tabel 4.8 bisa dilihat bahwa tingkat signifikan dari semua variabel independen adalah 1,00 atau lebih tinggi dari tingkat kepercayaan sebesar 0,05 atau 5. Maka bisa disimpulkan bahwa data terbebas dari masalah heteroskedastisitas .

3. Hasil Analisis Regresi Linier Berganda