56 sedangkan tahun 2008 DPR tertinggi yaitu sebesar 8.8 Perusahaan Gas
Negara,Tbk dan DPR terendah sebesar 0.3 terjadi pada PT.Sumi Indo Kabel,Tbk..Pada tahun 2009 DPR tertinggi yaitu sebesar 9.44 Perusahaan Gas
Negara,Tbk dan DPR terendah sebesar 0.46 terjadi pada PT.Alumindo Light Industry,Tbk
4.3. Uji Normalitas
Menurut Gujarati 1995 : 66-67 bahwa dalam regresi OLS Ordinary Least Square
asumsi normalitas diberlakukan pada u
i
residual. Dalam regresi OLS Ordinary Least Square b
, b
1
, b
2
, b
3
dan b
4
adalah fungsi linier dari Y dan Y adalah fungsi linier dari u
i
residual. Distribusi sampling dari regresi OLS Ordinary Least Square tergantung pada distribusi residual u
i
, apabila residual u
i
berdistribusi normal dengan sendirinya b , b
1
, b
2
, b
3
dan b
4
juga berdistribusi normal. Berikut ini hasil dari uji normalitas pada residual :
Tabel 4.5 : Hasil Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
INSD TOT
AKTIVA DER
PBV N
50 50
50 50
Mean .0501
20.3006 .5273
3.0784 Normal Parameters
a
Std. Deviation .09734
6.02308 .95493
4.32070 Absolute
.379 .181
.290 .283
Positive .379
.181 .286
.283 Most Extreme
Differences Negative
-.304 -.127
-.290 -.260
Kolmogorov-Smirnov Z 2.678
1.282 2.053
2.004 Asymp. Sig. 2-tailed
.000 .075
.000 .001
Sumber : data diolah, lampiran 2 Dari tabel diatas dapat dilihat bahwa uji Kolmogorov-Smirnov dengan
Lilliefors Significance Correction menunjukkan hasil tidak signifikan, bahwa
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
57 tidak semua variable yang diteliti memiliki distribusi yang normal nilai
signifikansi lebih dari 0,05. Untuk itu, agar tidak menambah biaya dan waktu, disarankan untuk
merubah pengujian normalitas dengan metode lain yang mungkin memberikan justifikasi normal. Tetapi jika jauh dari nilai normal, maka dapat dilakukan
beberapa langkah yaitu: melakukan transformasi data, melakukan trimming data outliers atau menambah data observasi. Transformasi dapat dilakukan ke dalam
bentuk Logaritma natural, akar kuadrat, inverse, atau bentuk yang lain tergantung dari bentuk kurva normalnya, apakah condong ke kiri, ke kanan, mengumpul di
tengah atau menyebar ke samping kanan dan kiri. Firdaus, Muhammad,2004, Berikut Uji Normalitas dengan uji transformasi:
Tabel 4.6. Hasil Uji Normalitas dengan Transformasi
One-Sample Kolmogorov-Smirnov Test
49 52
42 52
-5.7492 2.9476
-2.8913 .4404
3.14779 .33223
4.87061 1.09002
.102 .152
.319 .175
.084 .127
.141 .175
-.102 -.152
-.319 -.094
.711 1.095
2.067 1.260
.693 .182
.000 .084
N Mean
Std. Deviation Normal Parameters
a,b
Absolute Positive
Negative Most Extreme
Differences
Kolmogorov-Smirnov Z Asymp. Sig. 2-tailed
TR_X1 TR_X2
TR_X3 TR_Y
Test distribution is Normal. a.
Calculated from data. b.
Sumber : data diolah,lampiran 2 Berdasarkan tabel di atas bahwa uji Kolmogorov-Smirnov dengan
Lilliefors Significance Correction menunjukkan bahwa semua variable yang
diteliti memiliki distribusi yang tidak normal nilai signifikansi 0,05.
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
58 Salah satu metode untuk membuat data berdistribusi normal adalah dengan
uji outlier. Ghozali, 2006: 33-39. Uji terhadap outliers multivariate dilakukan dengan menggunakan jarak Mahalanobis pada tingkat p 1. Jarak Mahalanobis
itu dievaluasi dengan menggunakan χ² chi kuadrat pada derajat bebas sebesar
jumlah variabel yang digunakan dalam penelitian. Adalah sebagai berikut: Tabel 4.7. Uji Kualitas Data
Residuals Statisticsa
Minimum Maximum
Mean Std.
Deviation Predicted Value
-1.1168 1.7327 0.5451 0.70481 Std. Predicted Value
-2.358 1.685 0.000 1.000 Standard Error of Predicted Value
0.180 0.493 0.270 0.070 Adjusted Predicted Value
-1.0757 1.6433 0.5442 0.71369 Residual
-2.07172 1.74920 0.00000 0.83564 Std. Residual
-2.379 2.009 0.000 0.960 Stud. Residual
-2.453 2.063 0.001 1.004 Deleted Residual
-2.20162 1.86702 0.00098 0.91475 Stud. Deleted Residual
-2.657 2.170 0.000 1.034 Mahal. Distance
0.642
11.203
2.923 2.172 Cooks Distance
0.000 0.185 0.023 0.036 Centered Leverage Value
0.017 0.295 0.077 0.057 a. Dependent Variable: TR_Y
Sumber : lampiran Berdasarkan tabel di atas bahwa deteksi terhadap outliers dilakukan
dengan menggunakan kriteria Jarak Mahalanobis pada tingkat p 0,001. Jarak Mahalanobis itu dievaluasi dengan menggunakan
2
pada derajat bebas sebesar jumlah variabel yang digunakan dalam penelitian. Bila kasus yang mempunyai
Jarak Mahalanobis lebih besar dari nilai chi-square pada tingkat signifikansi 0,001 maka terjadi multivariate outliers. Nilai
2 0.001
dengan jumlah variable bebas 3 adalah sebesar 16,266 [diperoleh dari excel dengan rumus
[CHINV,0.001:3]= 16,266.. Hasil analisis Mahalanobis diperoleh nilai 11,203
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
59 lebih kecil dari
2
tabel 16,266 tersebut. Dengan demikian tidak terjadi multivariate outliers
atau data sudah berdistribusi normal.
4.3.1. Uji Asumsi Klasik
Tujuan utama menggunakan uji asumsi klasik adalah untuk mendapatkan koefisien yang terbaik linier dan tidak bias BLUE : Best Linier Unbiassed
Estimator . Uji asumsi klasik tersebut meliputi asumsi autokorelasi,
multikolinieritas dan heteroskedastisitas.
1. Uji Autokorelasi
Adanya Autokorelasi dalam model regresi artinya adanya korelasi antar anggota sampel yang diurutkan berdasarkan waktu. Uji statistik yang
digunakan untuk mengetahui ada tidaknya autokorelasi adalah uji Durbin Watson. Berikut ini hasil uji Durbin Watson :
Tabel 4.8 : Hasil Uji Durbin Watson
Model Summaryb
Model R R
Square Adjusted R
Square Std. Error of the
Estimate Durbin-
Watson 1
.645a 0.416 0.366 0.87072 1.565 a. Predictors: Constant, TR_X3, TR_X1, TR_X2
b. Dependent Variable: TR_Y
Sumber : data diolah, lampiran 3
Nilai DW Durbin Watson yang dihasilkan adalah sebesar 1,565
karena nilai DW Durbin Watson berada du 1,59 ≤ d1,565 ≤ 4 – du 4-
1,59=2,46, maka dapat disimpulkan bahwa antar residual kesalahan pengganggu terdapat korelasi atau model regresi linier berganda yang dihasilkan
terjadi autokorelasi.
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
60 Salah satu alternatif untuk mengatasi model regresi linear yang terkena
gangguan autokorelasi adalah dengan memasukkan lag dari variabel terikat menjadi salah satu variabel bebasnya. Pada tahap interpretasi model, lag variabel
tidak usah diinterpretasikan karena hanya merupakan metode untuk menghilangkan gangguan autokorelasi saja. Firdaus,Muhammad, 2004. Adalah
sebagai berikut: Tabel 4.9. Uji Autokorelasi
Model Summary
b
.515
a
.265 .202
1.03896 1.705
Model 1
R R Square
Adjusted R Square
Std. Error of the Estimate
Durbin- Watson
Predictors: Constant, TR_X3, TR_X1, TR_X2 a.
Dependent Variable: Lag_TR_Y b.
Sumber : data diolah, lampiran 3
Gambar 4.1.: Distribusi daerah keputusan Autokorelasi
Menolak Ho Daerah keragu- Daerah keragu- Menolak Ho Bukti auto raguan raguan bukti auto
Korelasi korelasi Positif negatif
Menerima Ho atau Ho kedua-duanya
0 D
L
D
U
2 4-D
U
4-D
L
4 1,34 1,59 1,705 2,41 2,66
Sumber : Gujarati, 1991 : 218.
Nilai DW Durbin Watson yang dihasilkan adalah sebesar 0,989 karena nilai DW Durbin Watson berada du 1,59
≤ d1,705 ≤ 4 – du 4-1,59=2,41,
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
61 maka dapat disimpulkan bahwa antar residual kesalahan pengganggu tidak
terdapat korelasi atau model regresi linier berganda yang dihasilkan tidak terjadi autokorelasi.
2. Uji Multikolinieritas
Tolerance mengukur variabilitas variabel bebas yang terpilih yang tidak dapat dijelaskan oleh variabel bebas lainnya. Jadi nilai tolerance yang rendah sama
dengan nilai VIF tinggi karena VIF = 1tolerance dan menunjukkan adanya kolinieritas yang tinggi. Nilai cut off yang umum dipakai adalah nilai
tolerance 0,10 atau sama dengan nilai VIF diatas 10. Adapun besaran VIF dari masing-masing variabel bebas adalah sebagai berikut :
Tabel 4.10 : Nilai VIF Variance inflation Factor
Coefficients
a
.996 1.004
.975 1.026
.974 1.027
TR_X1 TR_X2
TR_X3 Model
1 Tolerance
VIF Collinearity Statistics
Dependent Variable: TR_Y a.
Sumber : data diolah, lampiran 3 Berdasarkan tabel 4.10 di atas, dapat disimpulkan bahwa model regresi
tidak terjadi multikolinieritas, karena besaran VIF yang dihasilkan oleh variabel insider ownership X
1
, firm size X
2
, leverageX
3
lebih kecil dari 10.
3. Uji Heteroskedastisitas
Heteroskedastisitas dapat diidentifikasikan dengan cara menghitung koefisien korelasi Rank Spearman antara nilai residual dengan seluruh variabel bebas.
Hasil dari uji Rank Spearman adalah sebagai berikut :
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
62 Tabel 4.11 : Hasil Korelasi Rank Spearman
Correlations
1.000 .063
-.160 -.016
. .665
.330 .924
49 49
39 39
.063 1.000
-.156 .016
.665 .
.324 .921
49 52
42 39
-.160 -.156
1.000 .244
.330 .324
. .134
39 42
42 39
-.016 .016
.244 1.000
.924 .921
.134 .
39 39
39 39
Correlation Coeffici Sig. 2-tailed
N Correlation Coeffici
Sig. 2-tailed N
Correlation Coeffici Sig. 2-tailed
N Correlation Coeffici
Sig. 2-tailed N
TR_X1
TR_X2
TR_X3
Unstandardize Residual
Spearmans rh TR_X1
TR_X2 TR_X3
Unstandardiz ed Residual
Sumber: data diolah, Lampiran 3 Berdasarkan tabel 4.10 di atas dapat disimpulkan bahwa model regresi
terjadi heteroskedastisitas, karena tingkat signifikansi yang dihasilkan oleh variabel insider ownership X
1
, firm size X
2
, rasio hutang X
3
lebih kecil dari 5 sig 5.
4.4. Analisis Model dan Pengujian Hipotesis 4.4.1. Hasil Analisis Regresi Berganda
