mengetahui range dari variabel perubahan laba, yaitu selisih antara nilai maksimum dan nilai minimum yaitu sebesar 35,89, hal ini
memberikan informasi besarnya penyebaran data yang terjadi.
3. Uji Asumsi Klasik
a. Normalitas
Grafik histogram memperlihatkan bahwa pola distribusi yang menceng dan tidak normal dan pada grafik normal probability plot
menggambarkan titik – titik yang menyebar menjauh dari garis diagonal. Kedua grafik ini menunjukkan bahwa normalitas data tidak terpenuhi.
Hasil uji normalitas dengan grafik terkadang bisa menyesatkan karena kelihatannya distribusinya normal, padahal secara statistik bisa
sebaliknya. Normalitas data dapat dilihat dari grafik histogram dan normal probability plot yang ditunjukkan gambar 4.1 dan 4.2 berikut.
Gambar 4.1 Grafik Histogram 1
Sumber: hasil pengolahan data dengan SPSS, 2010
Universitas Sumatera Utara
Gambar 4.2 Normal Probability Plot 1
Sumber: hasil pengolahan data dengan SPSS, 2010
Universitas Sumatera Utara
Normalitas data diuji secara statistik dengan menggunakan uji Kolmogorov Smirnov yang terdapat pada tabel 4.2 berikut.
Tabel 4.2 Uji Kolmogorov Smirnov
One-Sample Kolmogorov-Smirnov Test
CR DTA
TATO ITO
PL N
72 72
72 72
72 Normal Parameters
a
Mean 1.8132
.5801 1.0478
5.8804 -.1783
Std. Deviation 1.45669
.20038 .37397
4.64330 4.03129
Most Extreme Differences
Absolute .217
.094 .104
.131 .246
Positive .209
.077 .104
.122 .198
Negative -.217
-.094 -.071
-.131 -.246
Kolmogorov-Smirnov Z 1.839
.795 .880
1.114 2.091
Asymp. Sig. 2-tailed .002
.553 .421
.167 .000
a. Test distribution is Normal.
Sumber: hasil pengolahan data dengan SPSS, 2010
Hasil uji Kolmogorov Smirnov menunjukkan bahwa nilai signifikansi dari variabel DTA, TATO, dan ITO dengan probalilitas signifikansi
masing – masing 0,553; 0,421; dan 0,167 yang nilainya 0,05. Hal tersebut menunjukan bahwa variabel DTA, TATO, dan ITO berdistribusi
normal. Hasil uji variabel CR dan PL dengan probabilitas signifikansi masing – masing 0,002 dan 0,000 memiliki nilai 0,05. Hal ini berarti
hipotesis nol ditolak atau variabel CR dan PL tidak terdistribusi secara normal.
Universitas Sumatera Utara
Transformasi data menjadi bentuk LN dilakukan untuk memperoleh data yang berdistribusi secara normal. Setelah dilakukan transformasi
data, maka hasil uji normalitas dapat dilihat pada grafik histogram, normal probability plot, dan tabel Kolmogorov Smirnov sebagai berikut.
Gambar 4.3 Grafik Histogram setelah transformasi data LN 2
Sumber: hasil pengolahan data dengan SPSS, 2010
Universitas Sumatera Utara
Gambar 4.4 Normal Probability Plot setelah transformasi data LN 2
Sumber: hasil pengolahan data dengan SPSS, 2010
Grafik histogram setelah transformasi data memperlihatkan pola distribusi yang mendekati normal. Titik – titik yang menyebar di sekitar
garis diagonal dan mengikuti arah garis diagonal pada normal probability plot juga menunjukkan bahwa data berdistribusi normal.
Universitas Sumatera Utara
Tabel 4.3 Uji Kolmogorov Smirnov setelah transformasi data LN
One-Sample Kolmogorov-Smirnov Test
LN_CR LN_DTA
LN_TATO LN_ITO
LN_PL N
72 72
72 72
34 Normal
Parameters
a
Mean .4330
-.6178 -.0323
1.4974 -.4877
Std. Deviation .51734
.41438 .43622
.76950 1.84624
Most Extreme
Differences Absolute
.115 .130
.158 .086
.086 Positive
.115 .099
.130 .055
.075 Negative
-.066 -.130
-.158 -.086
-.086 Kolmogorov-Smirnov Z
.978 1.100
1.337 .729
.499 Asymp. Sig. 2-tailed
.294 .178
.056 .663
.965 a. Test distribution is Normal.
Sumber: hasil pengolahan data dengan SPSS, 2010
Hasil uji normalitas melalui grafik histogram, normal probability plot, dan Kolmogrov Smirnov menunjukkan variabel CR, DTA, TATO,
ITO dan PL telah berdistribusi secara normal. Tindakan perbaikan yang dilakukan dalam penelitian ini agar model regresi memenuhi asumsi
normalitas, yakni dengan menggunakan transformasi seluruh variabel penelitian ke dalam fungsi logaritma natural atau LN, menghasilkan nilai
signifikansi LN_CR 0,294; LN_DTA 0,178; LN_TATO 0,056; LN_ITO 0,663; dan LN_PL 0,965. Transformasi data dalam bentuk LN
menyebabkan variabel LN_CR, LN_DTA, LN_TATO, LN_ITO dan LN_PL memiliki nilai signifikansi 0,05. Hal ini menunjukkan bahwa
variabel terdistribusi secara normal, dan hasil pengujian statistik
Universitas Sumatera Utara
Kolmogorov Smirnov ini sejalan dengan hasil pengujian grafik yang menggambarkan data terdistribusi secara normal.
b. Multikolinearitas
Uji multikolinearitas dengan melihat nilai tolerance dan VIF menunjukan hasil seperti pada tabel 4.4 berikut.
Tabel 4.4 Uji Multikolinearitas
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity
Statistics B
Std. Error Beta
Tolerance VIF
1 Constant
.541 .992
.545 .590
LN_CR 1.364
1.026 .330
1.329 .194
.450 2.220
LN_DTA 2.171
1.073 .441
2.023 .052
.585 1.708
LN_TATO -2.025
1.185 -.341
-1.710 .098
.700 1.429
LN_ITO 7.269E-5
.483 .000
.000 1.000
.727 1.375
a. Dependent Variable: LN_PL
Sumber: hasil pengolahan data dengan SPSS, 2010
Tabel 4.4 di atas memperlihatkan bahwa penelitian ini bebas dari adanya multikolinearitas. Hal ini bisa dilihat dengan membandingkan
nilai tolerance dan VIF. Masing – masing variabel bebas yang digunakan dalam penelitian ini memiliki nilai tolerance yang lebih besar dari 0,01
yaitu untuk LN_CR nilai tolerance 0,450; LN_DTA nilai tolerance 0,585; LN_TATO nilai tolerance 0,700; LN_ITO nilai tolerance 0,727.
Universitas Sumatera Utara
Jika dilihat dari VIF-nya, bahwa masing-masing variabel bebas lebih kecil dari 10, yaitu untuk VIF LN_CR sebesar 2,220; VIF LN_DTA
sebesar 1,708; VIF LN_TATO sebesar 1,429; VIF LN_ITO sebesar 1,375. Kesimpulan yang diperoleh adalah tidak terjadi gejala
multikolinearitas dalam variabel bebasnya.
c. Heteroskedastisitas
Uji heterokedastisitas bertujuan untuk melihat apakah di dalam model regresi terjadi ketidaksamaan variabel dari residual satu
pengamatan ke pengamatan yang lain. Grafik scatterplot
memperlihatkan bahwa titik-titik menyebar secara acak dengan tidak adanya pola yang jelas serta tersebar baik di atas maupun di bawah
angka 0 pada sumbu Y. Dapat disimpulkan bahwa tidak terjadi heterokedastisitas.
Dasar pengambilan keputusan menurut Ghozali 2005:105 adalah sebagai berikut:
1. jika ada pola tertentu, seperti titik-titik yang ada membentuk
pola tertentu yang teratur bergelombang, melebar kemudian menyempit, maka mengindikasikan telah terjadi
heterokedastisitas.
2. jika tidak ada pola yang jelas, serta titik-titik menyebar di atas
dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heterokedastisitas.
Ada tidaknya heterokedastisitas pada penelitian ini dapat dilihat
dari grafik scatterplot pada gambar 4.5 berikut ini.
Universitas Sumatera Utara
Gambar 4.5 Grafik Scatterplot
Sumber: hasil pengolahan data dengan SPSS, 2010
d. Autokorelasi
Uji ini bertujuan untuk melihat apakah dalam suatu model linear pada korelasi antar kesalahan pengganggu pada periode t dengan
kesalahan pada periode t-1. Model regresi yang baik adalah bebas dari autokorelasi.
Universitas Sumatera Utara
Ada beberapa cara yang digunakan untuk mendeteksi masalah dalam autokorelasi, di antaranya adalah dengan uji Durbin Watson. Menurut
Sunyoto 2009:91, untuk melihat ada tidaknya autokorelasi dapat dilihat dari:
1. angka D-W di bawah -2 berarti ada autokorelasi positif,
2. angka D-W di antara -2 sampai +2 berarti tidak ada autokorelasi,
3. angka D-W di atas +2 berarti ada autokorelasi negatif.
Hasil uji Autokorelasi pada penelitian ini dapat dilihat pada tabel 4.5 berikut ini.
Tabel 4.5 Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R Square
Std. Error of the Estimate
Durbin-Watson 1
.439
a
.193 .081
1.76951 1.673
a. Predictors: Constant, LN_ITO, LN_DTA, LN_TATO, LN_CR b. Dependent Variable: LN_PL
Sumber: hasil pengolahan data dengan SPSS, 2010 Berdasarkan tabel di atas diketahui bahwa nilai DW sebesar 1,673.
Hasil pengujian tersebut menunjukkan bahwa tidak terjadi autokorelasi. Angka D-W berada di antara -2 dan 2, artinya nilai D-W lebih besar dari
-2 dan lebih kecil dari 2.
Universitas Sumatera Utara
4. Analisis Regresi