C. Pengujian Asumsi Klasik
Syarat yang mendasari penggunaan model regresi berganda dengan metode estimasi Ordinary Least Squares pangkat kuadrat terkecil biasa adalah dipenuhinya semua asumsi
klasik, agar hasil pengujian bersifat tidak bias Best Linear Unbiased EstimatorBLUE Ghozali,2006. Pengujian asumsi klasik yang digunakan dalam penelitian ini adalah metode
analisis statistik.
1. Uji Normalitas
Uji normalitas bertujuan untuk mengetahui apakah dalam model regresi ada variabel pengganggu atau residual memiliki distribusi normal. Pengujian ini diperlukan karena
melakukan uji t dan uji F mengasumsikan bahwa nilai residual mengikuti distribusi normal Erlina, 2008.
Pengujian normalitas dalam penelitian ini menggunakan dua cara yaitu analisis grafik yang terdiri dari histogram dan normal probability plot dan analisis statistik dengan menggunakan uji
nonparametric Kolmogorov Smirnov K-S. Uji Kolmogorov-Smirnov dilakukan dengan membuat hipotesis:
H0 : Data residual berdistribusi normal Ha : Data residual tidak berdistribusi normal
Hasil uji normalitas dengan menggunakan tes Kolmogorov Smirnov K-S adalah sebagai berikut:
Universitas Sumatera Utara
Tabel 4.2 Hasil uji Kolmogorov-Smirnov sebelum transformasi
Sumber : Hasil Pengolahan SPSS 17,2011
Dari tabel 4.2, terlihat bahwa signifikansi atau probabilitas dari residual variabel independen lebih kecil dari 0,05 hal ini menunjukkan distribusi data residual tidak normal. Dengan demikian
Ha diterima bahwa residual tidak berdistribusi normal. Uji t dan uji F mensyaratkan distribusi residual harus normal, karena residual dalam
penelitian ini tidak berdistribsi normal perlu dilakukan tindakan penormalan data. Ghozali 2006 menyatakan bahwa jika asumsi normalitas data residual tidak terpenuhi maka variabel
independen dan dependen dapat ditranformasi ke dalam bentuk fungsi logaritma natural. Setelah dilakukan transformasi maka didapatkan hasil pengujian sebagai berikut:
One-Sample Kolmogorov-Smirnov Test
CR DER
TATO ITO
GPM PL
N 52
52 52
52 52
52 Normal
Parameters
a,,b
Mean 2.0581
3.4237 1.0712
5.7440 .1817
3.5012 Std.
Deviation 2.71655 9.20406
.45642 4.98815 .13419 22.26977
Most Extreme Differences
Absolute .334
.361 .108
.170 .244
.446 Positive
.334 .354
.108 .170
.244 .446
Negative -.302
-.361 -.057
-.157 -.163
-.318 Kolmogorov-Smirnov Z
2.411 2.601
.781 1.225
1.761 3.216
Asymp. Sig. 2-tailed .000
.000 .576
.099 .004
.000 a. Test distribution is Normal.
b. Calculated from data.
Universitas Sumatera Utara
Tabel 4.3 Hasil Uji Kolmogorov-Smirnov Setelah Transformasi
One-Sample Kolmogorov-Smirnov Test
LN_CR LN_DER LN_TAT
O LN_ITO LN_GPM LN_PL
N 52
52 52
52 52
30 Normal
Parameters
a, ,b
Mean .4817
.3479 -.0308
1.4605 -1.8574
-.2279 Std.
Deviation .56046 1.14422
.47890 .76887
.53146 1.91013 Most
Extreme Differences
Absolute .139
.081 .140
.085 .122
.171 Positive
.139 .081
.112 .085
.117 .171
Negative -.091
-.076 -.140
-.077 -.122
-.143 Kolmogorov-Smirnov Z
.999 .583
1.013 .610
.877 .939
Asymp. Sig. 2-tailed .271
.886 .256
.851 .426
.341 a. Test distribution is Normal.
b. Calculated from data.
Sumber : Hasil Pengolahan SPSS 17,2011
Dari hasil uji Kolmogorov-Smirnov, dapat dilihat bahwa semua variabel baik variabel CR, DER, TATO, ITO, GPM maupun perubahan laba memiliki data yang terdistribusi secara normal
karena nilai signifikan dari seluruh variabel diatas nilai signifikannya 0,05 5. Secara lengkap ditunjukkan oleh data sebagai berikut:
1. Nilai signifikan CR 0,271 0,05 maka Ho diterima.
2. Nilai siginifikan DER 0,886 0,05 maka Ho diterima.
3. Nilai signifikan TATO 0,256 0,05 maka Ho diterima.
4. Nilai signifikan ITO 0,760 0 maka Ho diterima.
5. Nilai signifikan GPM 0,426 0.05 maka Ho diterima.
6. Nilai signifikan Perubahan Laba 0,341 0.05 maka Ho diterima
Universitas Sumatera Utara
Dengan demikian secara keseluruhan dapat disimpulkan bahwa nilai-nilai observasi data telah terdistribusi secara normal dan dapat dilanjutkan dengan uji asumsi klasik lainnya.
Selain menggunakan uji Kolmogorov-Smirnov, untuk mengetahui normalitas data secara kasat mata dapat dilihat dari grafik histogram dari data sampel, apakah membentuk kurva normal
atau tidak dan juga dapat dilihat melalui grafik PP Plots. Suatu data akan terdistribusi normal jika nilai profitabilitas yang diharapkan adalah sama dengan nilai profitabilitas pengamatan. Pada
grafik PP Plots, kesamaan antara nilai profitabilitas harapan dan profitabilitas pengamatan ditunjukkan dengan garis diagonal yang merupakan perpotongan antara garis profitabilitas
harapan dan profitabilitas pengamatan. Berikut ini merupakan hasil pengujian normalitas dalam bentuk grafik histogram dan grafik
PP Plots
Gambar 4.1 Uji normalitas 1
Sumber : Hasil Pengolahan SPSS 17, 2011
Universitas Sumatera Utara
Gambar 4.2 Uji Normalitas 2
Sumber : Hasil Pengolahan SPSS 17, 2011
Dari grafik histogram pada gambar 4.1 dan grafik PP Plots pada gambar 4.2 dapat disimpulkan bahwa grafik histogram pola distribusi yang tidak menceng ke kanan maupun ke
kiri menunjukkan distribusi normal. Sedangkan pada grafik PP Plots terlihat titik-titik menyebar di sekitarmengikuti garis diagonal, yang menunjukkan bahwa data berdistribusi normal. Kedua
grafik menunjukkan bahwa model regresi layak digunakan karena memenuhi normalitas data. 2.
Uji Multikolinearitas
Multikolinearitas adalah keadaan dimana variabel-variabel independen dalam persamaan regresi mempunyai korelasi hubungan yang erat satu sama lain Pratisto, 2009. Pengujian
multikolinearitas dapat dilakukan dengan melihat Variance Inflation Factor VIF dan korelasi di antara variabel independen. Jika nilai VIF 10 atau tolerance 0,10 maka terjadi
Universitas Sumatera Utara
multikolinearitas sedangkan apabila nilai VIF 10 atau nilai tolerance 0,10 maka tidak terjadi multikolinearitas.
Hasil dari uji multikolinearitas dapat kita lihat pada tabel dibawah ini:
Tabel 4.4 Hasil Uji Multikolinearitas
Coefficients
a
Model Collinearity Statistics
Tolerance VIF
1 Constant
LN_CR .823
1.215 LN_DER
.905 1.105
LN_TATO .675
1.482 LN_ITO
.497 2.014
LN_GPM .714
1.401 a. Dependent Variable: LN_PL
Sumber : Hasil Pengolahan SPSS 17, 2011
Dari tabel 4.4 terlihat bahwa nilai VIF untuk LN_CR 1,215, nilai VIF untuk LN_DER 1,105, nilai VIF untuk LN_ TATO 1,482, nilai VIF LN_ITO 2,014 dan nilai VIF LN_GPM
1,401. Nilai tolerance untuk LN_CR 0,823, nilai tolerance untuk LN_DER 0,905, nilai tolerance untuk LN _ TATO 0,675, nilai tolerance LN_ITO 0,497 dan nilai tolerance untuk LN_GPM
0,714. Maka dapat disimpulkan bahwa tidak terjadi gejala multikolinearitas antara variabel
independen, dengan dasar nilai VIF untuk setiap variabel tidak ada yang melebihi 10 dan nilai tolerance tidak ada yang kurang dari 0,1 maka dapat dilakukan analisis lebih lanjut dengan
menggunakan model regresi linear berganda.
Universitas Sumatera Utara
3. Uji Heterokedasitas