commit to user
karena data penelitian telah terdistribusi normal, maka data dapat digunakan dalam pengujian dengan model regresi berganda.
Berikut disajikan hasil uji normalitas data setelah dilakukan proses outlier data.
Tabel IV. 4 Hasil Uji Normalitas Data Setelah
Outlier Data
Unstandardized Residual
N 125
Normal Parameters
a
Mean .0000000
Std. Deviation 2.38657083
Most Extreme Differences Absolute .099
Positive .099
Negative -.056
Kolmogorov-Smirnov Z 1.108
Asymp. Sig. 2-tailed .172
a. Test distribution is Normal.
Sumber : Hasil pengolahan data
D. Uji Asumsi Klasik
Hasil dari pengujian asumsi klasik pada penelitian ini dijabarkan sebagai berikut ini.
a. Uji Multikolinieritas
Uji Multikolinieritas digunakan untuk menunjukkan ada tidaknya hubungan linier di antara variabel-variabel independen dengan model regresi.
Pengujian ini dilakukan dengan menggunakan tolerance value dan variance inflation factor VIF dengan kriteria, jika tolerance value 0,01 dan VIF
10 maka terjadi multikolinieritas dan jika tolerance value 0,01 atau VIF 10 maka tidak terjadi multikolinieritas.
commit to user
Tabel di bawah ini menunjukkan bahwa nilai tolerance untuk semua variabel dalam tiap-tiap model regresi lebih besar dari 0,1 dan nilai value
inflating factor untuk semua variabel dalam tiap-tiap model regresi lebih kecil dari 10. Hasil pengujian ini mengindikasikan bahwa dalam model-
model regresi yang digunakan dalam penelitian ini tidak terjadi gejala multikolinieritas atau seluruh variabel dalam model-model penelitian ini
homokedastisitas. Hasil uji multikolinieritas dapat dilihat pada Tabel IV.5 berikut ini.
Tabel IV. 5 Hasil Uji Multikolinieritas
Model Collinearity Statistics
Tolerance VIF
LN_SIZE .718
1.392 LEV
.940 1.064
LOSS .850
1.177 GROWTH
.926 1.080
MANOWN .892
1.122 INSTOWN
.851 1.175
AC .662
1.511 INDP
.801 1.248
COMPET .852
1.174 ACSIZE
.605 1.654
Sumber : Hasil pengolahan data
b. Uji Autokorelasi
Autokorelasi menunjuk pada hubungan yang terjadi antara anggota-anggota dari serangkaian observasi yang terletak berderetan secara series dalam
bentuk waktu time series atau hubungan antara tempat yang berdekatan cross sectional. Pada penelitian ini menggunakan alat uji runs test. Dari
pengujian ini dapat dilihat apakah terjadi autokorelasi atau tidak didasarkan
commit to user
pada nilai asymp.sig dalam runs test. Apabila asymp. sig. lebih besar dari 5, maka tidak terjadi gejala autokorelasi dan sebaliknya jika asymp. sig.
lebih kecil 5 maka terjadi gejala aoutokorelasi dalam model regresi yang digunakan dalam penelitian ini. Berikut ini disajikan hasil uji runs test untuk
mengindikasikan asumsi autokorelasi dalam model regresi yang digunakan
dalam penelitian ini. Tabel IV. 6
Hasil Uji Autokorelasi
Unstandardized Residual
Test Value
a
-.37544 Cases Test Value
62 Cases = Test Value
63 Total Cases
125 Number of Runs
62 Z
-.269 Asymp. Sig. 2-tailed
.788 a. Median
Sumber : Hasil pengolahan data
Tabel di atas menunjukkan bahwa nilai asymp. sig dalam runs test adalah 0,788 yang lebih besar dari 0,05. Hasil ini mengindikasikan bahwa tidak
terjadi gejala autokorelasi di dalam model regresi yang digunakan dalam penelitian.
c. Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke
pengamatan yang lain Ghozali, 2009. Untuk mendeteksi ada atau tidaknya heterokedastisitas dalam model, digunakan uji Glejser seperti Tabel IV. 7
commit to user
Tabel IV. 7 Hasill Uji Heteroskedastisitas
Model Sig.
Kriteria Keterangan
Constant .622
α 5
Tidak terjadi heterokedastisitas
LN_SIZE .947
α 5
Tidak terjadi heterokedastisitas
LEV .130
α 5
Tidak terjadi heterokedastisitas
LOSS .934
α 5
Tidak terjadi heterokedastisitas
GROWTH .494
α 5
Tidak terjadi heterokedastisitas
MANOWN .757
α 5
Tidak terjadi heterokedastisitas
INSTOWN .080
α 5
Tidak terjadi heterokedastisitas
AC .077
α 5
Tidak terjadi heterokedastisitas
INDP .505
α 5
Tidak terjadi heterokedastisitas
COMPET .499
α 5
Tidak terjadi heterokedastisitas
ACSIZE .052
α 5
Tidak terjadi heterokedastisitas Sumber : Hasil pengolahan data
Tabel di atas menunjukkan bahwa probabilitas sig dalam tiap model regresi yang digunakan dalam penelitian ini lebih besar dari 0,05 atau 5
sehingga dapat dinyatakan bahwa tidak terjadi gejala heteroskedastisitas dalam semua model regresi penelitian ini.
Cara lain untuk mendeteksi ada tidaknya heterokedastisitas dilakukan dengan melihat ada tidaknya pola tertentu pada grafik scatterplot. Dasar
pengambilan keputusan Ghozali, 2009 adalah sebagai berikut ini. 1.
Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur bergelombang, melebar kemudian menyempit,
maka mengindikasikan telah terjadi heteroskedastisitas. 2.
Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.
commit to user
Hasil uji heteroskedastisitas melalui grafik scatterplot dapat dilihat pada gambar 4.1 di bawah ini.
Gambar IV. 1 Hasil Uji Heteroskedastisitas
E. Pengujian Hipotesis
