Uji Normalitas Uji Multikolinearitas

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