54
4.3. Analisis Data
4.3.1. Uji Normalitas
Uji normalitas data digunakan untuk mengetahui apakah suatu data mengikuti sebaran normal yang dapat dilakukan dengan berbagai metode
diantaranya adalah uji regresi OLS Ordinary least Square. Berikut hasil uji normalitas:
Tabel 4.2. Hasil Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
35 ,0000000
,69662577 ,186
,186 -,080
1,101 ,177
N Mean
Std. Deviation Normal Parameters
a,b
Absolute Positive
Negative Most Extreme
Differences
Kolmogorov-Smirnov Z As ymp. Sig. 2-tailed
Unstandardiz ed Res idual
Test distribution is Normal. a.
Calculated from data. b.
Sumber: Lampiran 3 Berdasarkan tabel tersebut diatas dapat diketahui bahwa nilai
statistik Kolmogorov-Smirnov yang diperoleh mempunyai taraf signifikan yang lebih dari dari 0,05 yaitu sebesar 0,177, dimana nilai tersebut telah
sesuai dengan kriteria bahwa sebaran data disebut berdistribusi normal
apabila memiliki taraf signifikan 0,05 Sumarsono, 2002:40. 4.3.2.
Uji Asumsi Klasik
Teknik analisis yang digunakan dalam penelitian ini adalah model regresi yang diperoleh dari model kuadrat terkecil biasa ordinary least
55
squares merupakan model regresi yang menghasilkan estimasi linier tidak
bias yang terbaik Best linear Unbias Estimator BLUE. Kondisi ini akan terjadi jika dipenuhi beberapa asumsi klasik yaitu :
4.3.2.1.Pengujian Autokorelasi
Autokorelasi dapat didefinisikan sebagai “korelasi antara data observasi yang diurutkan berdasarkan urut waktu data time series atau
data yang diambil pada waktu tertentu data cross sectional” Gujarati, 1995:201. Jadi dalam model regresi linear diasumsikan tidak terdapat
gejala autokorelasi. Artinya nilai residual Y observasi – Y prediksi pada waktu ke-t e
t
tidak boleh ada hubungan dengan nilai residual periode sebelumnya e
t-1
∑ ∑
= =
= =
−
−
N t
1 t
2 t
N t
2 t
2 1
t t
e e
e
. Identifikasi ada atau tidaknya gejala auto korelasi data dites dengan menghitung nilai Dulbin Watson d tes dengan persamaan :
d =
Keterangan : d = nilai Durbin Watson
e
t
= residual pada waktu ke-t e
t-1
Dalam penelitian ini, besarnya Durbin Watson setelah dianalisis adalah 2,351 lampiran 4. Untuk mengetahui adanya gejala autokorelasi
maka perlu dilihat tabel Durbin Watson dengan jumlah variabel bebas K = 3 sedangkan jumlah pengamatan 35 maka diperoleh dl = 1,283 dan du =
= residual pada waktu ke-t-1 satu periode sebelumnya N = banyaknya data
56
1,653 lampiran 8. Selanjutnya nilai tersebut diplotkan ke kurva Durbin Watson dibawah ini:
Gambar 4.1. Distribusi Daerah Keputusan Autokorelasi
D.W= 2,351
Berdasarkan gambar diatas dapat diketahui bahwa distribusi daerah penentuan keputusan dimulai dari 0 nol sampai 4 empat. Dan dapat
disimpulkan karena nilai dari analisis sebesar 2,351 berada pada daerah keragu-raguan sehingga dapat diputuskan bahwa telah terbebas dari
penyimpangan autokorelasi. 4.3.2.2.Pengujian Multikolinieritas
Identifikasi secara statistik ada atau tidaknya gejala multikolinier dapat dilakukan dengan menghitung Variance Inflation Factor VIF.
Berdasarkan hasil pengujian, diperoleh hasil bahwa nilai VIF untuk masing-masing variabel adalah sebagai berikut:
Tidak Ada Autokorelasi
A da
A ut
oko re
la si
n e
g a
ti f
D aer
ah K
er ag
u -r
ag u
an
D aer
ah k
er ag
u -ra
gua n
dl = 1,283
4-dl = 2,717
4-du = 2,347
du = 1,653
A da
A ut
oko re
la si
P o
si ti
f
57
Tabel 4.3. Hasil Pengujian Multikolinier
No Variabel
Tolerance VIF
1 2
3 Laba Akuntansi X
1
Arus Kas Operasi X
2
Arus Kas Pendanaan X
3
0,930 0,930
0,999 1,075
1,075 0,001
Sumber : Lampiran 4 Multikolinearitas merupakan satu keadaan dimana satu atau lebih
variabel independent terdapat korelasi atau hubungan dengan variabel independent lainnya.
Berdasarkan hasil pengujian dapat diketahui bahwa nilai VIF seluruh variabel bebas dalam penelitian ini lebih kecil dari 10, artinya
seluruh variabel bebas pada penelitian ini tidak terjadi gejala multikolinier Ghozali, 2001:57.
4.3.2.3.Pengujian Heteroskedastisitas
Hasil uji heteroskedastisitas diperoleh dari hasil pengujian dengan menggunakan bantuan program SPSS 13.0 dengan melihat Rank
Spearman’s Correlation . Hasil pengujian Rank Spearman’s dapat dilihat
pada tabel berikut ini:
Tabel 4.4. Hasil Pengujian Heteroskedastisitas
No Variabel
Nilai mutlak dari residual
Taraf Signifikansi
1 2
3 Laba Akuntansi X
1
Arus Kas Operasi X
2
Arus Kas Pendanaan X
3
0,000 0,112
-0,242 0,998
0,522 0,162
Sumber : Lampiran 5 Uji heteroskedastisitas bertujuan menguji apakah dalam model
regresi terjadi ketidaksamaan variance dari residual atau pengamatan ke
58
pengamatan lainnya. Kebanyakan data cross section mengandung situasi heteroskedastisitas, karena ini mengimpun data yang terwakili berbagai
ukuran kecil, sedang, dan besar. Salah satu cara untuk mendeteksi ada atau tidaknya
heteroskedastisitas adalah dengan cara menggunakan uji Rank Spearman yaitu dengan membandingkan antara residual dengan seluruh variabel
bebas. Mendeteksi adanya heteroskedastisitas adalah sebagai berikut : Gujarati, 1999 : 177
a. Nilai probabilitas 0,05 berarti bebas dari heteroskedastisitas b. Nilai probabilitas 0,05 berarti terkena heteroskedastisitas
Dari hasil korelasi tersebut tidak diperoleh adanya korelasi yang signifikan antara Unstandardized Residual dengan masing-masing variabel
bebas yang diteliti, dengan nilai taraf signifikansi lebih besar dari 0,05, sehingga dapat disimpulkan bahwa tidak terjadi penyimpangan
heteroskedastisitas pada variabel-variabel bebas yang diteliti.
4.3.3. Uji Regresi Linier Berganda