karena itu, uji asumsi klasik perlu dilakukan. Pengujian-pengujian yang dilakukan adalah sebagai berikut.
4.3.1. Uji Normalitas
Pengujian normalitas dalam penelitian ini menggunakan uji statistik
non-parametrik Kolmogorov-Smirnov K-S, dengan hipotesis :
Ho = Data residual berdistribusi normal Ha = Data tidak berdistribusi normal
Apabila nilai signifikansi 0,05 dengan α = 5, berarti
distribusi data normal dan Ho diterima, sebaliknya bila nilai signifikansi 0,05 berarti distribusi data tidak normal dan Ha
diterima.
Universitas Sumatera Utara
Tabel 4.2 Hasil Uji Normalitas One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual N
60 Normal
Parameters
a,,b
Mean .0000000
Std. Deviation
.10730456 Most Extreme
Differences Absolute
.057 Positive
.057 Negative
-.047 Kolmogorov-Smirnov Z
.442 Asymp. Sig. 2-tailed
.990 a.
Test distribution is Normal. b.
Calculated from data Sumber : Hasil Pengolahan Data SPSS 2013
Berdasarkan hasil pengolahan data pada tabel 4.2 diperoleh besarnya nilai Kolmogorov-Smirnov adalah 0,442 dan signifikan pada
0,990. Nilai signifikansi ini lebih besar dari 0,05 yang menunjukkan bahwa setiap variabel berdistribusi normal. Setelah data berdistribusi
normal dapat dilanjutkan dengan uji asumsi lainnya. Berikut turut dilampirkan grafik histogram dan plot data yang terdistribusi normal.
Universitas Sumatera Utara
Gambar 4.1 Histogram
Sumber : Hasil Pengolahan Data SPSS 2013 Berdasarkan gambar 4.1 histogram di atas, dapat disimpulkan
bahwa distribusi data mendekati normal, karena grafik histogram menujukkan garis diagonal yang tidak menceng baik ke kiri maupun
ke kanan. Berikut hasil uji normalitas dengan menggunakan grafik plot:
Universitas Sumatera Utara
Gambar 4.2 Normal P-Plot
Sumber : Hasil Pengolahan Data SPSS 2013 Berdasarkan gambar 4.2 dapat dilihat bahwa penyebaran data
mendekati normal atau memenuhi asumsi normalitas, dimana titik- titik menyebar di sekitar garis diagonal dan penyebarannya mengikuti
arah garis diagonal.
4.3.2. Uji Multikoleniaritas
Pengujian multikoleniaritas dilakukan untuk melihat apakah pada model regresi ditemukan adanya korelasi antar variabel
independen. Model regresi yang baik seharusnya tidak terjadi multikolonieritas. Cara mendeteksi ada atau tidaknya multikoleniaritas
adalah dengan melihat nilai Variance Inflation Factor VIF dan nilai tolerence. Menurut Ghozali 2005:92, ”suatu model regresi
Universitas Sumatera Utara
dinyatakan terjadi multikolinearitas apabila nilai tolerance 0,10 dan VIF 10”. Berikut adalah hasil pengujian multikoleniaritas.
Tabel 4.3 Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity
Statistics B
Std. Error Beta
Tolerance VIF
1 Constant -.754
.277 -2.720
.009 LN_SIZE
.045 .011
.574 4.273
.000 .725 1.379
ROA -.209
.102 -.278 -2.054
.045 .715 1.399
DER -.044
.023 -.225 -1.860
.068 .893 1.120
DK .014
.010 .163
1.353 .182
.899 1.112 RND
-.027 .035
-.093 -.780
.439 .924 1.082
a. Dependent Variable: CSR Sumber : Hasil Pengolahan Data SPSS 2013
Berdasarkan tabel 4.3, dapat disimpulkan bahwa tidak terjadi korelasi di antara variabel independen, dengan kata lain variabel-
variabel independen dalam penelitian ini bebas dari gejala multikolinearitas. Jika dilihat pada tabel semua variabel independen
memiliki VIF sekitar 1, atau VIF 10. Selain itu, nilai toleransi untuk setiap variabel independen lebih besar dari 0,1 tolerance 0,1
Universitas Sumatera Utara
sehingga dapat disimpulkan tidak ada multikolinearitas dalam model regresi ini.
4.3.3. Uji Heterokedastisitas