mampu menghasilkan keuntungan bagi pemegang saham. Rata-rata dari NPM adalah sebesar 0,866 dengan standart deviasi 1.57038 hal ini menunjukkan bahwa kondisi
NPM perusahaan sampel sangat berfluktuasi karena selisih antara NPM maximum dengan NPM minimum cukup besar, nilai standart deviasi NPM lebih besar dari nilai
rata-rata NPM. Hal ini mengindikasikan bahwa variabel NPM tidak berdistribusi normal.
Berdasarkan Tabel 5.1 diketahui bahwa nilai GPM minimum sebesar - 43906,94 menunjukkan bahwa kinerja perusahaan yang kurang baik karena
perusahaan tidak mampu memberikan keuntungan bagi pemegang sahamnya. Nilai GPM maximum sebesar 1,00 menunjukkan kinerja perusahaan yang semakin baik
karena perusahaan mampu menghasilkan keuntungan bagi pemegang saham. Rata- rata dari GPM adalah sebesar -377,92 dengan standart deviasi 4008,11 hal ini
menunjukkan bahwa kondisi GPM perusahaan sampel sangat berfluktuasi karena selisih antara GPM maximum dengan GPM minimum cukup besar, nilai standart
deviasi GPM lebih besar dari nilai rata-rata GPM. Hal ini mengindikasikan bahwa variabel GPM tidak berdistribusi normal.
5.1.2. Pengujian Asumsi Klasik Hipotesis Pertama
Untuk menghasilkan suatu model regresi yang baik, analisis regresi memerlukan pengujian asumsi klasik sebelum melakukan pengujian hipotesis.
Apabila terjadi penyimpangan dalam pengujian asumsi klasik perlu dilakukan perbaikan terlebih dahulu.
Universitas Sumatera Utara
5.1.2.1. Uji normalitas
Uji normalitas berguna untuk mengetahui apakah variabel dependen dan variabel independen yang digunakan dalam penelitian mempunyai distribusi normal
atau tidak. Model regresi yang baik dan layak digunakan dalam penelitian adalah model yang memiliki distribusi normal atau mendekati normal. Hasil uji normalitas
data dengan normal Probability Plot dalam penelitian ini dapat ditunjukkan pada gambar 5.1 berikut ini:
Sumber: Hasil Penelitian, 2010 Data diolah
Gambar 5.1. Hasil Uji Normalitas Sebelum Dilakukan Transformasi
Universitas Sumatera Utara
Dari Gambar 5.1 terlihat bahwa titik-titik menyebar jauh dari garis diagonal dan tidak mengikuti arah garis diagonal, maka model regresi tidak memenuhi asumsi
normalitas. Selain itu uji normalitas data dapat dilakukan dengan menggunakan uji statistik non parametrik Kolmogorov-Smirnov K-S, pengujian ini adalah pengujian
paling valid atas asumsi normalitas. Untuk mengetahui hasil uji normalitas dari masing-masing variabel dengan uji Kolmogorov-Smirnov dapat dilihat pada Tabel 5.2
berikut:
Tabel 5.2 Uji Kolmogorov-Smirnov Sebelum Transformasi
One-Sample Kolmogorov-Smirnov Test Unstandardize
d Residual
N 120
Mean .0000000
Normal Parameters
a,,b
Std. Deviation 1.57566522E4
Absolute .300
Positive .260
Most Extreme Differences Negative
-.300 Kolmogorov-Smirnov Z
3.288 Asymp. Sig. 2-tailed
.000 a. Test distribution is Normal.
b. Calculated from data.
Sumber: Hasil Penelitian, 2011 Data diolah Dari hasil uji normalitas pada Tabel 5.2 dapat dilihat bahwa variabel GPM,
NPM, ROA, ROE, EPS, HGS dan PER memiliki data yang tidak berdistribusi normal karena nilai signifikansi dari masing-masing variabel sebesar 0,000 0,05. Untuk
mengubah nilai residual agar berdistribusi normal, peneliti melakukan transformasi data dengan Logaritma natural Ln dengan menggunakan SPSS. Caranya adalah
Universitas Sumatera Utara
dengan melakukan logaritma natural terhadap semua variabel yang tidak berdistribusi normal. Setelah itu, data diuji ulang berdasarkan asumsi normalitas. Hasil uji
normalitas setelah melakukan transformasi data yang tidak normal tersebut dapat dilihat dari gambar normalitas Probability Plot pada Gambar 5.3 berikut ini:
Sumber: Hasil Penelitian, 2010 Data diolah
Gambar 5.2 Hasil Uji Normalitas Setelah Dilakukan Transformasi
Dari grafik normal Probability Plot pada Gambar 5.2 terlihat bahwa setelah dilakukan transformasi data menggunakan logaritma natural, grafik P-P Plot
memperlihatkan titik-titik menyebar disekitar garis diagonal dan mengikuti arah garis diagonal yang menunjukkan pola distribusi normal. Untuk meyakinkan bahwa data
Universitas Sumatera Utara
penelitian ini benar-benar normal, maka akan dilakukan pengujian uji statistik non parametrik dengan menggunakan Kolmogorov-Smirnov seperti yang terdapat dalam
Tabel 5.3 berikut:
Tabel 5.3. Uji Kolmogorov-Smirnov Setelah Transformasi
Unstandardize d Residual
N 69
Mean .0000000
Normal Parameters
a,,b
Std. Deviation 1.38640121
Absolute .090
Positive .090
Most Extreme Differences Negative
-.081 Kolmogorov-Smirnov Z
.744 Asymp. Sig. 2-tailed
.638 a. Test distribution is Normal.
b. Calculated from data.
Sumber: Hasil Penelitian, 2011 Data diolah Dari hasil uji Kolmogorov-Smirnov pada Tabel 5.3 dapat dilihat bahwa
setelah dilakukan transformasi data dengan logaritma natural, maka semua data variabel yang diuji menjadi normal dengan nilai signifikansi dari masing-masing
variabel lebih besar dari 0,05 dengan demikian dapat disimpulkan bahwa data telah berdistribusi normal.
5.1.2.2. Uji heteroskedastisitas
Uji heteroskedastisitas dalam penelitian ini dilakukan dengan melihat grafik Scatter-Plot antara nilai prediksi variabel terkait ZPRED dengan residualnya
SRESID. Jika ada pola tertentu seperti titik-titik yang ada membentuk pola tertentu yang teratur maka mengindikasikan telah terjadi heteroskedastisitas dan jika tidak ada
Universitas Sumatera Utara
pola yang jelas serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y maka tidak terjadi heteroskedastisitas. Di mana Y adalah nilai residual dan X adalah
nilai yang telah diprediksi. Hasil uji heteroskedastisitas dapat dilihat pada grafik Scatter-Plot berikut ini:
Sumber: Hasil Penelitian, 2010 Data diolah
Gambar 5.3. Uji Heteroskedastisitas
Dari grafik Scatterpplot pada Gambar 5.3 dapat dilihat bahwa tidak ada pola yang jelas serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y. Hal
ini menyimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi sehingga model regresi layak dipakai.
5.1.2.3. Uji autokorelasi
Uji autokorelasi digunakan untuk mengetahui ada tidaknya korelasi antara kesalahan pengganggu pada periode tertentu dengan kesalahan pengganggu periode
Universitas Sumatera Utara
sebelumnya. Model regresi yang baik adalah regresi yang bebas dari autokorelasi. Uji autokorelasi dapat dilakukan dengan pengujian Durbin-Watson DW. Hasil uji
autokorelasi dapat dilihat pada Tabel 5.4 berikut ini:
Tabel 5.4. Uji Autokorelasi Model Summary
b
Model R
R Square Adjusted
R Square Std. Error
of the Estimate
Durbin- Watson
1 .811
a
.658 .633
1.30063 1.544
a. Predictors: Constant, Ln_EPS, Ln_GPM, Ln_ROA, Ln_ROE, Ln_NPM
b. Dependent Variable: Ln_HGS Sumber: Hasil Penelitian, 2011 Data diolah
Nilai D-W tersebut berada di antara 1,5 sampai 2,5 berarti tidak terjadi autokorelasi pada model regresi yang digunakan.
a. Jika nilai D-W berada di bawah 0 sampai 1,5 berarti ada autokorelasi positif.
b. Jika nilai D-W berada di antara 1,5 sampai 2,5 berarti tidak terjadi autokorelasi.
c. Jika nilai D-W berada di atas 2,5 berarti ada autokorelasi negatif.
Dari Tabel 5.4 dapat dilihat bahwa nilai Durbin-Watson dalam penelitian ini sebesar 1,544, dapat disimpulkan bahwa tidak terjadi autokorelasi pada model yang
digunakan pada penelitian ini. 5.1.2.4. Uji multikolinieritas
Uji Multikolinieritas digunakan untuk menguji apakah dalam model regresi ditemukan korelasi antar variabel bebas independen, model regresi yang baik
seharusnya tidak terjadi korelasi antar variabel bebas. Untuk mendeteksi ada tidaknya
Universitas Sumatera Utara
multikolinieritas yaitu dengan melihat Tolerance Value dan Variance Inflation Factor VIF. Multikolinieritas terjadi jika nilai tolerance 0,10 dan VIF 10 atau jika antar
variabel independen ada korelasi yang cukup tinggi umumnya di atas 0,9. Hasil uji multikolinieritas dapat dilihat pada Tabel 5.5 beikut:
Tabel 5.5. Uji Multikolinieritas
Coefficients
a
Unstandardized Coefficients
Standardized Coefficients
Collinearity Statistics Model
B Std. Error
Beta Tolerance
VIF Constant
2.789 .962
Ln_GPM -.164
.243 -.053
.841 1.190
Ln_NPM .165
.365 .061
.276 3.621
Ln_ROA .058
.203 .030
.472 2.120
Ln_ROE -.310
.222 -.163
.374 2.676
1
Ln_EPS .785
.084 .863
.592 1.690
a. Dependent Variable: Ln_HGS
Sumber: Hasil Penelitian, 2011 Data diolah Berdasarkan hasil pengujian multikolinieritas pada Tabel 5.5 dapat dilihat
bahwa nilai tolerance pada variabel LnGPM, LnNPM, LnROA, LnROE dan LnEPS 0,10 dan VIF-nya 10. Hal ini menunjukkan bahwa tidak terjadi korelasi antar
variabel independen artinya tidak terjadi multikolinieritas.
5.2. Hasil Analisis Data Model Pertama