Uji Asumsi Klasik .1 Uji Normalitas

4.2.2 Uji Asumsi Klasik 4.2.2.1 Uji Normalitas Uji normalitas bertujuan untuk menguji apakah dalam sebuah regresi variabel dependen, variabel independen atau keduanya mempunyai distribusi normal ataukah tidak mempunyai distribusi normal. Model regresi yang baik adalah memiliki distribusi data normal atau mendekati normal. Salah satu metode untuk mengetahui normalitas adalah dengan menggunakan metode analisis grafik dan analisis statistik.Analisis grafik dapat dilihat dengan melihat grafik histogram ataupun dengan melihat grafik Normal Probability Plot. Uji normalitas yang pertama dengan melihat grafik histogram sebagaimana terlihat dalam gambar 4.1 di bawah ini Gambar 4.1 Grafik Histogram Data Asli Sumber: Data sekunder diolah Universitas Sumatera Utara Dari gambar 4.1 terlihat bahwa pola distribusi mendekati normal, akan tetapi jika kesimpulan normal atau tidaknya data hanya dilihat dari grafik histogram, maka hal ini dapat membingungkan khususnya untuk jumlah sampel yang kecil. Metode lain yang digunakan dalam analisis grafik adalah dengan melihat Normal Probability Plot yang membandingkan distribusi kumulatif dari distribusi normal. Jika distribusi data residual normal, maka garis yang akan menggambarkan data sesungguhnya akan mengikuti garis diagonalnya. Uji normalitas dengan melihat Normal Probability Plot dapat dillihat pada gambar 4.2 berikut: Gambar 4.2 Normal Probability Plot Data Asli Sumber: Data sekunder diolah Grafik Normal Probability Plot pada gambar 4.2 di atas menunjukkan data terdistribusi secara tidak normal karena distribusi data residualnya tidak mengikuti arah garis diagonal garis normal.Pengujian normalitas data secara analisis statistik dapat pula dilakukan dengan menggunakan Uji Kolmogorov – Smirnov. Data yang Universitas Sumatera Utara berdistribusi normal ditunjukkan dengan nilai signifikansi di atas 0,05 Ghozali, 2009:165. Hasil pengujian normalitas pada pengujian terhadap 32 data terlihat dalam tabel 4.4 berikut: Tabel 4.4 Hasil Uji Normalitas dengan Kolmogorov-Smirnov Data Asli One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 32 Normal Parameters a Mean .0000000 Std. Deviation 9.32073496E2 Most Extreme Differences Absolute .219 Positive .219 Negative -.188 Kolmogorov-Smirnov Z 1.239 Asymp. Sig. 2-tailed .093 a. Test distribution is Normal. b. Calculated from data. Sumber: Data sekunder diolah Berdasarkan tabel 4.4 diatas menunjukkan bahwa data terdistribusi secara normal.Hal ini ditunjukkan oleh nilai Kolmogorov-Smirnov Z sebesar 1.239 dengan nilai signifikansi 0,093.Hal ini menunjukkan bahwa data terdistribusi normal. Universitas Sumatera Utara Meskipun data terdistribusi secara normal, namun Grafik Normal Probability Plot pada gambar 4.2 di atas masih menunjukkan data terdistribusi secara tidak normal karena distribusi data residualnya tidak mengikuti arah garis diagonal garis normal. Untuk memperoleh hasil terbaik maka dilakukan transformasi normal agar data menjadi lebih normal dengan menggunakan natural logaritmaLn Ghozali, 2009. Hasil pengujian normalitas yang kedua dapat terlihat dalam tabel 4.5 sebagai berikut: Tabel 4.5 Hasil Uji Normalitas dengan Kolmogorov-Smirnov Setelah Transformasi Ln One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 32 Normal Parameters a Mean .0000000 Std. Deviation 2.03949499 Most Extreme Differences Absolute .111 Positive .087 Negative -.111 Kolmogorov-Smirnov Z .629 Asymp. Sig. 2-tailed .824 a. Test distribution is Normal. Universitas Sumatera Utara Dari pengujian kedua terlihat bahwa data telah terdistribusi normal dengan nilai signifikansi diatas 0,05 yaitu sebesar 0,824.Hasil terakhir di atas juga didukung hasil analisis grafiknya, yaitu dari grafik histogram maupun grafik Normal Probability Plot -nya seperti gambar 4.3 dan 4.4 dibawah ini : Gambar 4.3 Grafik Histogram Setelah Transformasi Ln Sumber: Data sekunder diolah Universitas Sumatera Utara Gambar 4.4 Normal Probability Plot Setelah Transformasi Ln Sumber: Data sekunder diolah Dengan melihat tampilan grafik histogram dapat disimpulkan bahwa pola distribusi data mendekati normal.Kemudian pada grafik normal probability plot terlihat titik-titik sebaran lebih mendekati dan mengikuti garis normal jika dibandingkan dengan grafik normal probabilityplot saat sebelum dilakukan transformasi ke logaritma natural. Universitas Sumatera Utara

4.2.2.2 Uji Multikolinearitas

Uji ini bertujuan menguji apakah pada model regresi ditemukan adanya korelasi antar variabel independen.Pada model regresi yang baik seharusnya antar variabel independen tidak terjadi kolerasi. Untuk mengetahui ada tidaknya multikolinearitas dapat dilihat dari nilai Variance Imflation Factor VIF dan nilai Tolerance, apabila nilai VIF 10 dan nilai Tolerance 0,1 maka terjadi multikolinearitas dan apabila nilai VIF 10 dan nilai Tolerance 0,1 maka tidak terjadi multikolineraritas. Hasil uji mutikolinearitas dapat dilihat pada tabel berikut : Tabel 4.6 Hasil Uji Multikolinearitas Model Collinearity Statistics Tolerance VIF 1 Constant lnDER .915 1.093 lnSIZE .896 1.116 lnAKTIVA .824 1.214 a. Dependent Variable: LNROE Sumber : Data sekunder yang diolah Universitas Sumatera Utara Berdasarkan aturan VIF Variance Inflation Factor dan Tolerance, maka apabila VIF melebihi angka 10 atau Tolerance kurang dari 0,10 maka dinyatakan terjadi gejala multikolinieritas, sebaliknya apabila harga VIF kurang dari 10 atau tolerance lebih dari 0,10 maka dinyatakan tidak terjadi gejala multikolinieritas. Data yang digunakan untuk uji multikolinearitas ini adalah data dari variabel independen setelah dilakukan transformasi Ln. Dari tabel 4.6 diatas diketahui masing-masing nilai VIF sebagai berikut : a. Nilai VIF untuk variabel DER adalah 1.093 10 dan nilai tolerance variabel DER adalah 0.915 0.10 maka variabel DER dapat dinyatakan tidak terjadi gejala multikolinearitas. b. Nilai VIF untuk variabel SIZE adalah 1.116 10 dan nilai tolerance variabel SIZE adalah 0.896 0.10 maka variabel SIZE dapat dinyatakan tidak terjadi gejala multikolinearitas. c. Nilai VIF untuk variabel Struktur Aktiva adalah 1.214 10 dan nilai tolerance variabel Struktur Aktiva adalah 0.824 0.10 maka variabel Struktur Aktiva dapat dinyatakan tidak terjadi gejala multikolinearitas.

4.2.2.3 Uji Heteroskedastisitas

Uji ini bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Jika variance dari residual satu pengamatan ke pengamatan lain tetap, maka disebut homoskedastisitas, dan jika variance dari residual satu pengamatan ke pengamatan Universitas Sumatera Utara lain berbeda disebut heteroskedastisitas. Untuk mendeteksi ada atau tidaknya heteroskedastisitas dapat dilakukan dengan melihat grafik scatterplot, dengan dasar analisis Ghozali, 2005:139 1. Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur bergelombang, melebar kemudian menyempit, maka mengindikasikan telah terjadi heteroskedastisitas. 2. Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas. Hasil uji heteroskedastisitas dengan menggunakan grafik scatterplot di tunjukkan pada gambar 4.5 dibawah ini Gambar 4.5 Grafik Scatterplot Sumber: Data sekunder diolah Universitas Sumatera Utara Pada grafik scatterplot di atas, terlihat titik-titik menyebar secara acak serta tersebar, baik di atas maupun di bawah angka 0 pada sumbu Y sehingga dapat diambil kesimpulan bahwa tidak terdapat gejala heteroskedastisitas pada model transformasi regresi yang digunakan.

4.2.2.4 Uji Autokorelasi

Uji ini bertujuan untuk menguji apakah dalam suatu model regresi linier terdapat korelasi antara kesalahan pengganggu pada periode t dengan kesalahan periode t-1 sebelumnya.Jika terjadi korelasi maka dinamakan ada problem autokorelasi.Model regresi yang baik adalah yang bebasautokorelasi.Untuk mengetahui adanya autokorelasi dalam suatu model regresi dilakukan melalui pengujian terhadap nilai uji Durbin-Watson Uji DW.Hasil uji autokorelasi dengan Durbin-Watson dapat dilihat pada tabel 4.7 dibawah ini : Tabel 4.7 Hasil Uji Autokorelasi dengan Durbin-Watson Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .328 a .107 .012 2.14597 1.534 a. Predictors: Constant, lnAKTIVA, lnDER, lnSIZE b. Dependent Variable: lnROE Universitas Sumatera Utara Dari hasil uji autokorelasi Durbin–Watson dengan menggunakan spss 16 maka diperoleh nilai DW sebesar 1.534. Dengan melihat kriteria nilai uji Durbin–Watson yaitu 1,65 DW 2,35 maka dapat disimpulkan tidak terjadi autokorelasi.

4.2.3 Analisis Regresi Berganda