III. METODE PENELITIAN
3.7 Uji Asumsi Klasik
Uji data dalam penelitian ini menggunakan regresi linear berganda. Dalam analisis regresi linear berganda harus memenuhi asumsi-asumsi yang ditetapkan agar menghasilkan nilai-nilai koefisien sebagai penduga yang tidak bias. Adapun asumsi-asumsi yang dimaksud adalah sebagai berikut (Sanusi, 2014):
1. Variabel tak bebas dan variabel bebas memiliki hubungan linear atau hubungan berupa garis lurus
2. Variabel tak bebas haruslah bersifat kontinu atau setidaknya berskala interval
3. Keragaman dari selisih nilai pengamatan dan pendugaan harus sama untuk semua nilai pendugaan Y. Jadi, (Y-Y’) kira-kira harus sama untuk semua
nilai Y’. Apabila kondisi ini tidak terpenuhi maka disebut
heteroskedastisitasdan residu yang dihitung dari (Y-Y’) harus menyebar
normal dengan rata-rata nol.
4. Pengamatan-pengamatan variabel tak bebas berikutnya harus tidak berkorelasi. Pelanggaran asumsi ini disebutautokorelasi yang biasanya terjadi pada datatime series (runtun waktu).
5. Tidak adanya korelasi yang sempurna antara variabel bebas yang satu dengan variabel bebas yang lain. Apabila asumsi ini dilanggar disebut
multikolinearitas.
3.7.1 Uji Normalitas
Uji normalitas merupakan suatu uji statistik untuk menentukan apakah suatu data terdistribusi normal atau tidak. Model regresi yang baik adalah apabila keduanya mempunyai distribusi normal atau mendekati normal. Pada prinsipnya normalitas dapat dideteksi dengan melihat tabel histogram dan penyebaran data (titik) pada sumber dari grafiknormal probability plot. Data berdistribusi normal jika titik-titik menyebar di sekitar garis diagonal. Jika penyebaran data jauh dari garis diagonal dan menjauh dari garis diagonal maka data tidak terdistribusi normal.
Gambar 3. Grafik Histogram
Gambar 3. menunjukkan bahwa pola data terdistribusi secara normal karena bentuk kurva pada histogram memiliki bentuk seperti lonceng. Selain grafik histogram, dapat dilihat pula dengannormal probability plot.
Gambar 4. menjelaskan tentangnormal probability plot. Berdasarkan grafik tersebut terlihat titik-titik menyebar di sekitar garis diagonal, serta penyebarannya mengikuti arah garis diagonal. Maka variabel regresi dinyatakan layak untuk menghitung profitabilitas berdasarkan masukan (input) variabel bebasnya.
3.7.2 Uji Autokorelasi
Uji autokorelasi didefinisikan sebagai hubungan yang terjadi diantara variabel–
variabel bebas itu sendiri. Uji ini bertujuan menguji apakah dalam suatu model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1 (sebelumnya). Secara sederhana adalah bahwa analisis regresi adalah untuk melihat pengaruh antara variabel bebas terhadap variabel terikat, jadi tidak boleh ada korelasi antara observasi dengan data observasi sebelumnya. Jika terjadi korelasi maka dinamakan ada problem autokorelasi.
Uji autokorelasi hanya dilakukan pada datatime series (runtut waktu) dan tidak perlu dilakukan pada datacross section seperti pada kuesioner dimana
pengukuran semua variabel dilakukan secara serempak pada saat yang bersamaan. Model regresi pada penelitian di Bursa Efek Indonesia (BEI) yang mana
periodenya lebih dari 1 (satu) tahun biasanya memerlukan uji autokorelasi. Pengujian ada atau tidaknya autokorelasi dalam model regresi menggunakan uji Runs Test.Jika Hasil perhitungan Runs Test dibandingkan dengan α = 0,05
Tabel 7. Hasil Uji Runs Test Runs Test
Unstandardized Residual
Test Valuea -.01997
Cases < Test Value 13
Cases >= Test Value 14
Total Cases 27
Number of Runs 16
Z .400
Asymp. Sig. (2-tailed) .689
a. Median
Sumber: SPSS 21, data diolah
Hasil Runs Test menunjukkan bahwa nilai Asymp. Sig. (2-tailed) > 0,05 yang berarti hipotesis nol gagal ditolak. Dengan demikian, data yang dipergunakan cukup acak (random) sehingga tidak terdapat masalah autokorelasi pada data yang diuji.
3.7.3 Uji Heteroskedastisitas
Uji asumsi heteroskedastisitas digunakan untuk mengetahui apakah dalam sebuah model regresi, terjadi ketidaksamaan varians dan residual dari satu pengamatan ke pengamatan yang lain. Jika varians dan residual dari satu pengamatan ke
pengamatan yang lain tetap, maka disebut homoskedastisitas. Dan jika varians berbeda, disebut heterokedastisitas. Model regresi yang baik adalah tidak terjadi heterokedastisitas.
Gambar 5. Heteroskesdastisitas
Pada model regresi linear berganda ini menggunakan metode grafik (scatter plot) untuk mengetahui gejala heteroskesdastisitas. Jika ada pola tertentu,seperti titik-titik yang ada membentuk pola tertentu yang teratur (bergelombang, melebar kemudian menyempit), maka mengindikasikan telah terjadi heteroskedastisitas. Jika tidak ada pola yang jelas, serta titik-titik yang menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas. Pengujian dengan menggunakan uji glejser yaitu apabila variabel independen tidak signifikan secara statistik mempengaruhi variabel dependen dengan probabilitas signifikansi > 0,05.
3.7.4 Uji Multikolinearitas
Uji multikolinearitas berkenaan dengan adanya hubungan kuat linier diantara variabel regresi. Model regresi yang baik seharusnya tidak terjadi korelasi antara variabel independen (Ghozali, 2013).
Nilai yang dihasilkan oleh suatu estimasi model regresi sangat tinggi, tetapi secara individual variabel-variabel independen banyak yang tidak signifikan
mempengaruhi variabel dependen. Jika antar variabel independen terdapat nilai korelasi yang cukup tinggi (umumnya di atas 0.90), maka hal ini merupakan indikasi adanya multikolinearitas.
Multikolinearitas dapat diketahui dari nilaitolerance danvarian inflation factor
(VIF).Tolerance mengukur variabilitas variabel independen yang terpilih yang tidak dijelaskan oleh variabel independen lainnya. Nilaicut-off yang umum dipakai adalah nilaitolerance< 0.10 atau sama dengan VIF di atas 10. Bila hasil regresi memiliki nilai VIF tidak lebih dari 10, maka dapat disimpulkan tidak ada multikolineritas dalam model regresi. Permasalahan multikolinearitas dapat diatasi dengan cara menambah jumlah data dengan pengamatan baru dan menghilangkan variabel tertentu dari model regresi yang diperoleh.
Tabel 8. Hasil Uji Multikolinearitas
Collinearity Statistics
Model Tolerance VIF
(Constant) DOL .752 1.329 DFL .907 1.103 CR .750 1.333 INTO .889 1.125 1 ARTO .970 1.031
a. Dependent Variable: ROA
Berdasarkan hasil pengujian multikolinearitas, nilaitolerance variabel bebas tidak kurang dari 10% dan nilai VIF semua variabel kurang dari 10 yang berarti tidak ada multikolinearitas antarvariabel independen.
3.8 Rancangan Uji Hipotesis
