4.2.2 Uji Asumsi Klasik
Salah satu satu syarat yang menjadi dasar penggunaan model regresi berganda dengan metode estimasi Ordinary Least Square OLS
adalah dipenuhinya semua asumsi klasik, agar hasil pengujian bersifat tidak bias dan efisien Best Linear Unbiased Estimator. Pengujian asumsi
klasik dalam penelitian ini dilakukan dengan bantuan program statistik. Menurut Ghozali 2005, asumsi klasik yang harus dipenuhi adalah
sebagai berikut ini: \ •
Berdistibusi normal. •
Non-Multikolinearitas, artinya antara variabel independen dalam model regresi tidak memiliki korelasi atau hubungan secara sempurna
ataupun mendekati sempurna. •
Non-Autokorelasi, artinya kesalahan pengganggu dalam model regresi tidak saling berkorelasi.
• Non-Heterokedastisitas, artinya variance variabel independen dari satu
pengamatan ke pengamatan lain adalah konstan atau sama.
a. Uji Normalitas
Uji data statistik dengan model Kolmogorov-Smirnov dilakukan untuk mengetahui apakah data sudah terdistribusi secara normal atau tidak.
Ghozali 2005, memberikan pedoman pengambilan keputusan rentang data mendekati atau merupakan distribusi normal berdasarkan uji
Kolmogorov Smirnov yang dapat dilihat dari:
Universitas Sumatera Utara
a nilai sig. atau signifikan atau probabilitas 0,05, maka distribusi
data adalah tidak normal, b
nilai sig. atau signifikan atau probabilitas 0,05, maka distribusi data adalah normal.
Hipotesis yang digunakan adalah : H0 : Data residual berdistribusi normal, dan
Ha : Data residual tidak berdistribusi normal. Hasil uji normalitas dengan menggunakan model Kolmogorov-
Smirnov adalah seperti yang ditampilkan berikut ini :
Tabel 4.2 Hasil Uji Normalitas
Sumber : Output SPSS, diolah peneliti, 2016
Berdasarkan tabel 4.2 diatas dapat dilihat bahwa data berdistribusi normal atau tidak, dan hasil test distribution ternyata menunjukkan
Universitas Sumatera Utara
normal, hal ini bisa dilihat dari nilai Asymp. Sig. 2-tailed sebesar 0,200 0,05 dan nilai test statistic sebesar 0,077 untuk selanjutnya bisa dilihat
pada diagram P-Plot dibawah ini:
Gambar 4.1 Normal P-Plot
Sumber : Output SPPS, diolah Peneliti, 2016
Pada gambar 4.1 Normal P-Plot ,menunjukkan bahwa distribusi data cenderung mendekati garis distribusi normal, berarti data tersebut
mempunyai distribusi normal, artinya data tersebut layak untuk dijadikan bahan
penelitian.
Universitas Sumatera Utara
Gambar 4.2 Histogram
Sumber : Output SPPS, diolah Peneliti, 2016
Berdasarkan grafik histogram diatas dapat dilihat bahwa variabel voluntary disclosure berdistribusi secara normal, hal ini ditunjukkan oleh
distribusi data tersebut tidak menceng ke kiri atau ke kanan.
b. Uji Multikolinearitas
Untuk melihat ada atau tidaknya multikolinieritas dalam model regresi dapat dilihat dari:
1 nilai tolerence dan lawannya, 2 Variance Inflatin Factor VIF.
Universitas Sumatera Utara
Kedua ukuran ini menunjukkan setiap variabel independen manakah yang dijelaskanoleh variabel independen lainnya. Tolerance
mengukur variabilitas variabel independen yang terpilih yang tidak dijelaskan oleh variabel independen lainnya. Jadi, nilai Tolerance yang
rendah sama dengan nilai VIF yang tinggi karena VIF = 1tolerence. Nilai cutoff yang umum dipakai untuk menunjukkan adanya
mutikolineritas adalah nilai Tolerence 0,10 atau sama dengan VIF 10 Ghozali, 2005.
Tabel 4.3 Hasil Uji Multikolinearitas
Sumber : Output SPSS, diolah peneliti, 2016
Berdasarkan tabel 4.3 dapat disimpulkan bahwa penelitian ini bebas dari adanya multikolinieritas. Hal tersebut dapat dilihat dengan
membandingkannya dengan nilai Tolerance atau VIF. Masing-masing variabel independen yang digunakan dalam penelitian ini memiliki nilai
Tolerence yang lebih besar dari 0,10. Jika dilihat dari VIFnya, bahwa
Universitas Sumatera Utara
masing-masing variabel bebas lebih kecil dari 10. Dengan demikian dapat disimpulkan bahwatidak terjadi gejala multikolinieritas dalam variabel
bebasnya.
c. Uji Heteroskedastisitas