Uji Normalitas Analisis Data

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