Uji Normalitas Pengujian Asumsi Klasik

a. Uji Normalitas

Uji data statistik dengan model Kolmogorov-Smirnov dilakukan untuk mengetahui apakah data sudah terdistribusi secara normal atau tidak, dengan membuat hipotesis sebagai berikut: H : data residua l terdistribusi normal H A : data residual terdistribusi tidak normal Santoso 2002:34 memberikan pedoman pengambilan keputusan untuk data-data yang mendekati atau telah terdistribusi secara normal. 1 Apabila nilai signifikansi atau nilai probabilitas 0,05, maka distribusi data normal. 2 Apabila nilai signifikansi atau nilai probabilitas 0,05, mkaa distribusi data tidak normal. Adapun hasil uji normalitas dengan menggunakan model Kolmogorov- Smirnov adalah seperti yang ditampilkan dalam tabel 4.2 berikut ini: Tabel 4.2 Hasil Uji Normalitas 1 One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 54 Normal Parametersa,b Mean .0000000 Std. Deviation 5.97144237 Most Extreme Differences Absolute .098 Positive .097 Negative -.098 Kolmogorov-Smirnov Z .717 Asymp. Sig. 2-tailed .682 Sumber : Output SPSS, diolah Penulis, 2008 Universitas Sumatera Utara Berdasarkan hasil uji statistik dengan model Kolmogorov-Smirnov seperti yang terdapat dalam tabel 4.2 dapat disimpulkan bahwa data terdistribusi normal. Hal ini dapat dilihat dari nilai Asymp.Sig.2-tailed Kolmogorov-Smirnov adalah 0,682, karena 0,682 0,05 maka H diterima dan data berdistribusi normal. Namun ternyata ditemukan sebuah data outlier yaitu pada observasi No.32 PT Multistrada Arah Sarana Tbk, dapat dilihat pada tabel 4.3 berikut: Tabel 4.3 Casewise Diagnostics a -3.619 -17.42 4.6054 -22.02981 Case Number 32 Std. Residual RENTABI LITAS Predicted Value Residual Dependent Variable: RENTABILITAS a. Sumber : Output SPSS, diolah Penulis, 2008 Menurut Erlina dan 2007:106, “data oulier adalah data yang secara nyata berbeda dengan data-data yang lainnya.” Data oulier bias terjadi karena beberapa sebab yaitu: • Kesalahan dalam pemasukan data. • Kesalahan dalam pengambilan sampel. • Memang ada data ekstrim yang tidak bisa dihindari keberadaannya. Ada beberapa cara yang dapat digunakan untuk mengatasi data yang outlier yaitu: • Lakukan transformasi data ke bentuk lainnya. • Lakukan trimming, yaitu membuang data outlier. • Lakukan winsorising, yaitu mengubah nilai data yang outlier ke suatu nilai tertentu. Universitas Sumatera Utara Munculnya outlier pada observasi 32 tentunya akan mengganggu estimasi koefisien regresi, yang dapat berakibat tidak tepatnya model dibutuhkan. Oleh karena itu, penulis dalam penelitian ini melakukan cara treatment yaitu dengan melakukan trimming yaitu membuang data outlier, sehingga model akan diestimasi berdasarkan 53 observasi. Setelah observasi No.32 dikeluarkan dan dilakukan pengolahan data, ternyata tidak didapatkan kembali data outlier dan hasil uji statistik dengan model Kolmogorov-Smirnov yang baru adalah: Tabel 4.4 Hasil Uji Normalitas 1 Sumber : Output SPSS, diolah Penulis, 2008 Tabel 4.4 menunjukkan bahwa hasil pengujian statistik dengan model Kolmogorov-Smirnov menunjukkan nilai Asymp.Sig 2-tailed Kolmogorov- Smirnov lebih besar dari 0,05 0,05 yaitu sebesar 0,497 maka H diterima dan data berdistribusi normal. 53 .0000000 5.17314555 .114 .114 -.064 .829 .497 N Mean Std. Deviation Normal Parameters a,b Absolute Positive Negative Most Extreme Differences Kolmogorov-Smirnov Z Asymp. Sig. 2-tailed Unstandardiz ed Residual Test distribution is Normal. a. Calculated from data. b. Universitas Sumatera Utara Karena secara keseluruhan data telah terdistribusi secara normal, maka dapat dilakukan pengujian asumsi klasik lainnya. Untuk lebih jelas, berikut ini ditampilkan grafik histogram dan plot data sebagai berikut: -3 -2 -1 1 2 3 Regression Standardized Residual 2 4 6 8 10 12 Frequency Mean = 7.56E-16 Std. Dev. = 0.981 N = 53 Dependent Variable: RENTABILITAS Histogram Gambar 4.1 Histogram Sumber : Output SPSS, diolah Penulis, 2008 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 sebagai berikut: Universitas Sumatera Utara 0.0 0.2 0.4 0.6 0.8 1.0 Observed Cum Prob 0.0 0.2 0.4 0.6 0.8 1.0 E xpect ed C um P rob Dependent Variable: RENTABILITAS Normal P-P Plot of Regression Standardized Residual Gambar 4.2 Grafik Normal Plot Sumber : Output SPSS, diolah Penulis, 2008 Menurut Ghozali 2005:112, pendeteksian normalitas dapat dilakukan dengan melihat penyebaran data titik pada sumbu diagonal dari grafik, yaitu jika data titik menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal, hal ini menunjukkan data yang telah terdistribusi normal. Gambar 4.2 menunjukkan bahwa data titik menyebar di sekitar dan mendekati garis diagonal. Hal ini sejalan dengan hasil pengujian dengan menggunakan histogram bahwa data telah terdistribusi normal. Universitas Sumatera Utara

b. Uji Multikolinieritas