Uji Normalitas Pengujian Asumsi Klasik

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