Uji Asumsi Klasik Pengaruh Foreign Direct Investment dan Debt to Equity Ratio Terhadap Market Capitalization pada Bank di Indonesia , Malaysia , Singapura, Thailand, Filipina, dan Vietnam dengan IAS 28 Sebagai Variabel Moderating

46 Nilai Foreign Direct Investment sebesar 2,007,150,725.00 yaitu negara Filipina sampai dengan nilai tertinggi sebesar 63,772,316,791.00 , dimiliki oleh negara singapura. Dari analisis statistik deskriptif diketahui nilai rata-rata Debt to Equity perusahaan sampel sebesar 9.7435 dengan nilai standar deviasi sebesar 3.50301 , yang berarti variasi data sangat besar sekitar 64 dari mean. Debtto Equity Ratio berkisar dari nilai terendah sebesar 4.94 perusahaan PT. Bank Central Asia Tbk tahun 2012 sampai dengan nilai tertinggi sebesar 26.65 yaitu perusahaan Vietcom Bank LLC tahun 2014. Nilai rata-rata Debt to Equity Ratio sebesar 9.7435 .

4.2 Uji Asumsi Klasik

4.2.1 Uji Normalitas

Uji normalitas dilakukan pada tiap-tiap variabel penelitian untuk mengetahui variabel mana yang memenuhi dan tidak memenuhi asumsi normalitas variabel tersebut terdistribusi secara normal.Uji normalitas dilakukan dengan menggunakan Normal Probability Plot dan uji Kolmogorov-Smirnov. Universitas Sumatera Utara 47 Gambar 4.1 Uji Normalitas P-Plot Gambar 4.1 menunjukkan bahwa grafik memberikan pola distribusi normal dikarenakan terlihat grafik titik-titik menyebar mendekati dari garis Universitas Sumatera Utara 48 diagonal. Sehingga model regresi layak untuk dipakai dalam penelitian ini. Hasil ini diperkuat dengan menggunakan uji normalitas Kolmogorov- Smirnov. Dalam analisis uji statistik Kolmogorov Smirnov. Apabila nilai signifikansi 0,05, berarti variabel terdistribusi secara normal. Hasil output SPSSnya disajikan dalam tabel berikut ini: Tabel 4.2 Hasil Uji Kolmogorov-Smirnov One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 60 Normal Parameters a,b Mean .0000000 Std. Deviation 1.20421026 Most Extreme Differences Absolute .110 Positive .110 Negative -.091 Kolmogorov-Smirnov Z .850 Asymp. Sig. 2-tailed .465 a. Test distribution is Normal. b. Calculated from data. Hasil yang diperoleh dari Tabel 4.2 menunjukkan besarnya nilai Kolmogorov-Smirnov adalah 0,850 dan nilai Asymp.Sig. 2-tailed 0,822 dengan nilai signifikan yang ditetapkan 0,05 yang berarti data residual persamaan 2 terdistribusi secara normal. Hasil uji statistik non-parametric Kolmogorov-Smirnov ini konsisten dengan hasil yang ditunjukkan melalui kurva histogram dan normal probability plot, sehingga dapat disimpulkan model regresi persamaan 2 memenuhi asumsi normalitas. Universitas Sumatera Utara 49

4.2.2 Uji Autokorelasi

Uji ini bertujuan untuk melihat apakah dalam suatu model linear ada korelasi antar kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1 sebelumnya. Ada beberapa cara yang dapat digunakan untuk mendeteksi masalah dalam autokorelasi diantaranya adalah dengan uji Durbin- Watson. Tabel 4.3 Hasil Uji Durbin - Watson Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .572 a .328 .291 1.33181 1.544 a. Predictors: Constant, Ln_FDI, Ln_DER, IAS28 b. Dependent Variable: LN_MC Berdasarkan Tabel 4.3 hasil pengujian diperoleh bahwa tidak terjadi autokorelasi antar kesalahan pengganggu antar periode. Hal ini dilihat dari nilai Durbin-Watson D-W sebesar 1,544. Angka tersebut berada diantara -2 dan +2, artinya bahwa angka DW lebih besar dari -2 dan lebih kecil dari +2 -2 1,517 +2. Jadi dapat disimpulkan bahwa tidak ada autokorelasi positif maupun negatif.

4.2.3 Uji Heteroskedastisitas

Uji heteroskedastisitas dilakukan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual suatu pengamatan ke Universitas Sumatera Utara 50 pengamatan yang lain. Pengujian ini dapat dilakukan dengan berbagai uji yang dilakukan. Di bawah ini merupakan hasil dar pengujian heteroskedastisitas dengan melihat grafik plot antara nilai prediksi variabel terikat dependen yaitu ZPRED dengan residualnya SRESID. Deteksi ada tidaknya pola tertentu pada grafik scatterplot antara SRESID dan ZPRED dimana sumbu Y adalah Y yang telah diprediksi, dan sumbu X adalah residual Y prediksi – Y sesungguhnya yang telah di – studentized. Cara mendeteksi ada tidaknya gejala heteroskedastisitas adalah dengan melihat grafik scatterplot yang dihasilkan dari pengolahan data dengan SPSS. Menurut Ghozali 2013 pengambilan keputusan adalah dengan melihat pola tertentu, seperti titik-titik yang membentuk pola tertentu yang teratur bergelombang, melebar kemudian menyempit, maka mengindikasikan telah terjadi heterokedastisitas dan jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heterokedastisitas. Universitas Sumatera Utara 51 Gambar 4.2 Uji Heteroedastisitas Berdasarkan gambar 4.2 terlihat bahwa titik-titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka nol pada sumbu Y. Maka dapat disimpulkan bahwa tidak terjadi heteroskedastisitas.

4.2.4 Uji Multikolinearitas

Pengujian multikolinearitas dilakukan dengan melihat nilai Variance Coefficient factors VIF yang ditampilkan pada Tabel 4.4. Universitas Sumatera Utara 52 Tabel 4.4 Uji Multiolineritas Coefficients a Model Unstandardized Coefficients Standardized Coefficients T Sig. Collinearity Statistics B Std. Error Beta Tolerance VIF 1 Constant 3.615 4.177 .865 .391 Ln_DER -.884 .592 -.171 -1.492 .141 .911 1.097 IAS28 .167 .424 .046 .394 .695 .875 1.142 Ln_FDI .858 .179 .540 4.789 .000 .944 1.059 a. Dependent Variable: LN_MC Nilai VIF menunjukkan nilai 2 yang berarti tidak terjadi multikolinearitas antar variabel pada model regresi penelitian ini. 4.3 Pengujian Hipotesis 4.3.1 Uji R² atau Koefisien Determinasi