4.3 Pengujian Asumsi Klasik
4.3.1 Uji Normalitas
Uji normalitas bertujuan untuk mengetahui apakah dalam model regresi ada variabel pengganggu atau residual memiliki distribusi normal. Pengujian ini
diperlukan karena melakukan uji t dan uji F mengasumsikan bahwa nilai residual mengikuti distribusi normal Erlina, 2007:103.
Pengujian normalitas dalam penelitian ini menggunakan dua cara yaitu analisis grafik yang terdiri dari histogram dan normal probability plot dan analisis
statistik dengan menggunakan uji Nonparametric Kolmogorov Smirnov K-S memberikan pedoman pengambilan keputusan tentang data-data yang mendekati
atau merupakan distribusi normal dapat dilihat dari: a. Nilai sig. atau signifikan atau protitabilitas 0,05 maka distribusi data adalah
tidak normal. b. Nilai sig. atau signifikan atau profitabilitasnya 0,05 maka distibusi data
adalah normal.
Uji Kolmogorov-Smirnov dilakukan dengan membuat hipotesis: H0 : data resiudal berdistribusi normal.
Ha : data residual tidak berdistribusi normal Hasil uji normalitas dengan menggunakan tes Kolmogorov Smirnov KS
adalah sebagai berikut:
Universitas Sumatera Utara
Tabel 4.3. Hasil Uji Normalitas 1
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 50
Normal Parameters
a,b
Mean .0000000
Std. Deviation 1.54933945E4
Most Extreme Differences
Absolute .271
Positive .269
Negative -.271
Kolmogorov-Smirnov Z 1.919
Asymp. Sig. 2-tailed .001
a. Test distribution is Normal. b. Calculated from data.
Sumber: Data diolah penulis
Berdasarkan hasil uji statistik dengan model Kolmogorov-Smirnov seperti yang terdapat dalam tabel 4.3 dapat disimpulkan bahwa data tidak terdistribusi
normal, hal ini dapat dilihat dari nilai Asymp.Sig.2-tailed Kolmogorov-Smirnov sebesar 0.001 yang lebih kecil dari 0.05, sehingga data tidak terdistribusi normal.
Untuk menguji apakah data grafik variabel EPS, NPM, ROA, dan ROE memiliki distribusi normal atau tidak, dapat dilakukan dengan menggambarkan kurva
histogram dan grafik Normality Probability Plot yaitu sebagai berikut:
Universitas Sumatera Utara
Gambar 4.1. Histogram
Sumber: Data diolah penulis
Dari hasil tampilan kurva histogram di atas dapat terlihat bahwa kemiringan kurva cenderung ke kanan, hal ini menunjukkan bahwa data tidak terdistribusi
dengan normal.
Universitas Sumatera Utara
Gambar 4.2. Grafik Normal P-Plot
Sumber: Data diolah penulis
Dari hasil grafik Normal P-Plot Regression di atas dapat dilihat titik-titik menyebar jauh dari garis diagonal yang menunjukkan data tidak terdistribusi
dengan normal. Menurut Erlina 2008 ada beberapa cara mengubah model regresi menjadi
normal yaitu : a. lakukan transformasi data ke bentuk lainnya,
b. lakukan trimming, yaitu membuang data outlier, c. lakukan winsorizing, yaitu mengubah nilai data yang outlier ke suatu
nilai tertentu.
Universitas Sumatera Utara
Untuk mengubah nilai residual agar berdistribusi normal, peneliti melakukan transformasi data ke model logaritma natural Ln. Setelah itu, data diuji ulang
berdasarkan asumsi normalitas. Berikut ini adalah hasil pengujian dengan Kolmogorov-Smirnov setelah dilakukan transformasi:
Tabel 4.4. Hasil Uji Normalitas 2 Setelah Transformasi Dengan Logaritma Natural
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 49
Normal Parameters
a,b
Mean .0000000
Std. Deviation .56585807
Most Extreme Differences
Absolute .080
Positive .078
Negative -.080
Kolmogorov-Smirnov Z .560
Asymp. Sig. 2-tailed .912
a. Test distribution is Normal. b. Calculated from data.
Sumber: Data diolah penulis
Tabel 4.4 menunjukkan bahwa hasil pengujian statistik dengan model Kolmogorov-Smirnov menunjukkan bahwa data telah terdistribusi normal karena
nilai Asymp.Sig 2-tailed Kolmogorov-Smirnov 0.912 lebih besar dari 0.05. Hasil pengujian normalitas dengan histogram dan Normal P-Plot Regression
Standardized Residual juga dapat dilihat pada gambar berikut:
Universitas Sumatera Utara
Gambar 4.3. Histogram Setelah Transformasi
Sumber: Data diolah penulis
Grafik histogram di atas menunjukkan bahwa data telah terdistribusi secara normal. Hal ini dapat dilihat dari grafik histogram yang menunjukkan distribusi
data mengikuti garis diagonal yang tidak menceng skewness kiri maupun menceng ke kanan.
Universitas Sumatera Utara
Gambar 4.4. Grafik Normal P-Plot Setelah Transformasi Sumber: Data diolah penulis
Pada grafik normal p-plot terlihat bahwa data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal, maka dapat disimpulkan bahwa model
regresi telah memenuhi asumsi normalitas.
4.3.2 Uji Multikolinieritas