4.1.2 Uji Asumsi Klasik
Sebelum melakukan uji hipotesis, terlebih dahulu akan dilakukan uji asumsi klasik. Pengujian ini perlu dilakukan untuk mengetahui apakah distribusi data yang
digunakan dalam penelitian ini sudah normal, serta bebas dari gejala multikolonieritas, heterokedastisitas, dan uji autokorelasi.
4.1.2.1 Uji Normalitas
Uji ini bertujuan untuk menguji apakah dalam model regresi, variable pengganggu atau residual memiliki distribusi normal. Ada dua cara untuk
mendeteksi apakah residual berdistribusi normal atau tidak yaitu dengan analisis grafik dan uji statistik Ghozali 2006: 110.
Uji normalitas dalam penelitian ini menggunakan uji statistic non- parametrik Kolmogorov-Smirnov K-S, caranya adalah dengan menentukan
terlebih dahulu pengujian hipotesis yaitu : Hipotesis nol
: data terdistribusi secara normal Hipotesis Alternatif
: data tidak terdistribusi secara normal Apabila signifikansi lebih besar daripada 0.05, maka
diterima, sedangkan jika nilai signifikansi lebih kecil daripada 0.05, maka
ditolak.
Tabel 4.2 Uji Kolmogrov-Smirnov
Persamaan 1
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 45
Normal Parameters
a,,b
Mean .0000000
Std. Deviation 6.43423106
Most Extreme Differences Absolute
.129 Positive
.087 Negative
-.129 Kolmogorov-Smirnov Z
.866 Asymp. Sig. 2-tailed
.442 a. Test distribution is Normal.
b. Calculated from data.
Sumber : Data diolah peneliti, 2012 Dari hasil pengolahan data berdasarkan uji statistik menunjukkan
besarnya nilai Kolmogrov-Smirnov K-S adalah 0.866 dan nilai Asymp. Sig. 2tailed sebesar 0.442 0.05 maka model regresi ini berdistribusi normal.
Data yang berdistribusi normal tersebut juga dapat dilihat melalui grafik histogram dan grafik normal plot data.
Sumber : Data diolah, 2012
Gambar 4.1 Histogram
Persamaan1
Dari grafik diatas dapat disimpulkan bahwa data berdistribusi dengan normal karena grafik histogram menunjukkan distribusi data nyang mengikuti garis
diagonal.
Sumber : data diolah, 2012
Gambar 4.2 Grafik Normal P-Plot
Persamaan 1
Sedangkan,
Tabel 4.3 Uji Kolmogrov-Smirnov
Persamaan 2
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 45
Normal Parameters
a,,b
Mean .0000000
Std. Deviation 61.58388131
Most Extreme Differences Absolute
.164 Positive
.164 Negative
-.092 Kolmogorov-Smirnov Z
1.101 Asymp. Sig. 2-tailed
.177 a. Test distribution is Normal.
b. Calculated from data.
Sumber : data diolah, 2012 Dari hasil pengolahan data berdasarkan uji statistik menunjukkan
besarnya nilai Kolmogrov-Smirnov K-S adalah 1.101 dan nilai Asymp. Sig. 2 tailed sebesar 0.177 0.05 maka model regresi ini memiliki distribusi data yang
normal. Data yang berdistribusi secara normal tersebut juga dapat dilihat melalui
grafik histogram dan grafik normal plot data.
Sumber : data diolah, 2012
Gambar 4.3 Histogram
Persamaan 2
Dari grafik diatas dapat disimpulkan bahwa distribusi data normal karena grafik histogram menunjukkan distribusi data mengikuti garis diagonal.
Sumber : data diolah, 2012
Gambar 4.4 Grafik Normal P-Plot
Persamaan 2 4.1.2.2
Uji Multikolinearitas
Uji ini bertujuan untuk menguji apakah model regresi yang ditemukan adanya korelasi antar variabel bebas independen. Model regresi yang baik
seharusnya tidak terjadi korelasi antara variabel independen. Pengujian
multikolinearitas dilakukan dengan melihat nilai Tolerance dan Variance Inflation Factor VIF. Jika nilai Variance Inflation Factor tidak lebih dari 10 VIF 10 dan
nilai Tolerance tidak kurang dari 0.10 Tolerance 0.10 maka model penelitian terbebas dari multikolinearitas.
Tabel 4.4 Uji Multikolinearitas
Persamaan 1
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients T
Sig. Collinearity Statistics
B Std. Error
Beta Tolerance
VIF 1
Constant -11.617
11.114 -1.045
.302 CSR=CSDI
17.330 15.293
.163 1.133
.264 .520
1.923 lev=LEVit
.244 .226
.144 1.082
.286 .610
1.638 size=SIZEit
.205 .039
.618 5.302
.dar000 .795
1.258 growth=GROWTH
2.198 .905
.259 2.429
.020 .950
1.053 a. Dependent Variable: ROE=ROEit
Sumber : data diolah, 2012
Dari hasil pengolahan data maka pada semua variabel nilai Tolerance 0.10 dan nilai VIF 10. Dengan demikian, dapat disimpulkan bahwa tidak terjadi
gejala multikolinearitas antar variabel independen dalam model regresi. Sedangkan,
Tabel 4.5 Uji Multikolinearitas
Persamaan 2
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients T
Sig. Collinearity Statistics
B Std. Error
Beta Tolerance
VIF 1
Constant 23.753
130.125 .183
.856 CSR=CSDI
-53.377 151.035
-.070 -.353
.726 .514
1.945 lev=LEVit
-1.839 2.281
-.151 -.806
.425 .577
1.734 size=SIZEit
-.012 .436
-.005 -.028
.978 .602
1.660 betasaham
= BETAit 30.727
75.781 .060
.405 .687
.913 1.096
growth=GR OWTH
25.128 9.441
.412 2.662
.011 .841
1.189 UE=UEit
.036 .091
.071 .392
.697 .618
1.619 a. Dependent Variable: returnsaham=Rit
Sumber : data diolah, 2012
Dari hasil pengolahan data diatas maka dapat kita simpulkan bahwa pada semua variabel tidak terjadi multikolieneritas karena nilai Tolerance 0.1 dan
nilai VIF 10.
4.1.2.3 Uji Heterokedastisitas
Kategori