ANALISIS HASIL DAN PEMBAHASAN
4.2 Hasil Analisis Asumsi Klasik 1 Uji Normalitas
Dalam uji normalitas untuk variabel pada penelitian ini menggunakan uji statistik Kolmogorov-Smirnov. Suatu data dikatakan terdistribusi secara normal jika memiliki tingkat signifikansi diatas atau >0,05 dan apabila tingkat signifikansi dibawah atau < 0,05 maka data dapat dikatakan tidak normal. Pada awal pengujian dengan menggunakan SPSS (Tabel 4.6), dapat dilihat bahwa variabel dependen (PBV) dan variabel independen (CSR dan ROA) berdistribusi tidak normal karena tingkat signifikansisnya 0,000 yang berarti tidak sesuai dengan yang seharusnya yaitu sebesar >0,05. Setelah dilakukan penelusuran ternyata ada salah satu data yang mempunyai karakteristik yang unik yang berbeda dengan data pada umumnya, yaitu nilai residunya lebih rendah, maka peneliti mengambil keputusan untuk menghapus data tersebut. Setelah pengolahan ulang, maka berikut ini adalah hasil dari data yang diolah kembali yang dapat dilihat pada Tabel 4.7 :
Tabel 4.6 Uji Normalitas One-Sample Kolmogorov-Smirnov Test
PBV CSR ROA FIRM SIZE
N 200 200 200 200
Normal Parametersa,,b Mean 3.5170 .0896 9.2117 14.8796
Std. Deviation 6.64850 .04354 11.08295 1.72316 Most Extreme Differences Absolute .307 .167 .204 .074 Positive .261 .167 .171 .074 Negative -.307 -.074 -.204 -.053 Kolmogorov-Smirnov Z 4.346 2.359 2.888 1.042
Asymp. Sig. (2-tailed) .000 .000 .000 .227
a. Test distribution is Normal.
b. Calculated from data.
Tabel 4.7
Uji Normalitas Setelah Transformasi One-Sample Kolmogorov-Smirnov Test
PBV CSR ROA FIRM SIZE
N 200 200 200 200
Normal Parametersa,,b Mean .5112 -2.5494 1.5229 2.6934
Std. Deviation 1.13513 .56291 1.38829 .11526 Most Extreme Differences Absolute .058 .158 .081 .053 Positive .058 .090 .048 .053 Negative -.032 -.158 -.081 -.053 Kolmogorov-Smirnov Z .824 2.230 1.142 .753
Asymp. Sig. (2-tailed) .506 .249 .147 .623
a. Test distribution is Normal.
Dari hasil perhitungan SPSS diketahui bahwa semua variabel berdistribusi normal, dapat dilihat dari ketiga variabel tersebut tidak ada variabel yang tingkat signifikansinya kurang dari 0.05, pada variabel PBV sebesar 0.506, variabel CSR sebesar 0.249 dan variabel ROA sebesar 0.147. Maka dari itu dapat disimpulkan bahwa data berdistribusi normal. Selain menggunakan Kolmogorov-Smirnov uji normalitas juga dapat dilihat dari histogram dengan data yang sudah diuji kembali yaitu sebagai berikut
Gambar 4.1 Grafik Uji Normalitas
Dari kurva diatas, jika dilihat sekilas tampak normal, namun pada saat dilakukan uji grafik scatterplot, maka hasil dari scatterplot terdistribusi tidak normal. Maka dalam hal ini dilakukan transformasi atau pengolahan kembali data yang akan diteliti, sehingga didapat hasil uji normalitas setelah transformasi sebagai berikut.
Gambar 4.2
Grafik Uji Normalitas Setelah Transformasi
Dari gambar histogram di atas, kurva yang terbentuk terlihat normal. Histogram yang menunjukkan normal tidaknya suatu data adalah histogram yang memiliki kurva yang tidak melenceng kekiri atau kanan.
Selain itu, grafik normal P Plot of Regression Statistic juga dapat digunakan untuk melihat normal tidaknya suatu data. Kondisi normalitas terjadi apabila titik-titik menyebar disekitar garis diagonal dan mengikuti arah garis diagonal. Hasil uji normalitas pada penelitian ini dapat dilihat pada gambar berikut. Dari grafik normal P-Plot terlihat bahwa titik-titik menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal. Sehingga dalam penelitian tidak terjadi gangguan normalitas, yang berarti data berdistribusi normal.
Gambar 4.4
Grafik Normal P Plot Setelah Transformasi
Hasil uji normalitas pada penelitian ini dapat dilihat pada gambar diatas. Dari grafik normal P-Plot terlihat bahwa titik-titik melenceng dari sekitar garis diagonal dan tidak mengikuti arah garis diagonal. Sehingga dalam penelitian terjadi gangguan normalitas, yang berarti data tidak berdistribusi secara normal. Oleh sebab itu, dilakukan pengolahan data kembali atau ditransformasikan sehingga didaptlah hasil grafik normal P-Plot sebagai berikut.
Gambar 4.4
Grafik Normal P Plot Setelah Transformasi
Normal p-plot yang dihasilkan dari regresi variabel dalam penelitian ini menunjukan sesuai dengan ketentuan normalnya suatu data yaitu plot titik-titik menyebar di antara garis diagonal dan mengikuti arah garis diagonal sehingga normal p-plot pada penelitian ini menunjukan data terdistribusi secara normal.
4.2.2 Uji Multikolinearitas
Uji multikolinearitas dilakukan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas (independen). Uji multikolinearitas menggunakan nilai tolerance dan Variance Inflation Factor (VIF).
tolerance <0,10, maka terjadi multikolinearitas tinggi antar variable bebas dengan variable bebas lainnya. Berikut adalah hasil uji multikolinearitas menggunakan SPSS :
Tabel 4.8
Hasil Uji Multikolinearitas
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) -10.253 2.911 -3.522 .001 CSR -.840 8.084 -.006 -.104 .917 .898 1.113 ROA .408 .030 .680 13.504 .000 .994 1.006 FIRM SIZE .678 .205 .176 3.315 .001 .896 1.116 a. Dependent Variable: PBV
Dari tabel uji multikolinearitas diatas, dapat dilihat bahwa hasil perhitungan Variance Inflantion Faktor (VIF) juga menunjukan tidak ada satupun variabel independen yang memiliki VIF lebih dari 10 (>10) yaitu variabel CSR sebesar 1.113, ROA sebesar 1,006 dan nilai VIF ukuran perusahaan sebesar 1,116. Pada nilai tolerance menunjukan tidak ada variabel independen yang mempunyai nilai tolerance kurang dari 0.10 (<0,10) yaitu pada variabel CSR sebesar 0.898, ROA sebesar 0,994 dan ukuran perusahaan sebesar 0,896. Jadi dapat disimpulkan tidak ada multikolinearitas antar variabel independen dalam model regresi.
Tabel 4.9
Hasil Uji Multikolinearitas Setelah Transformasi Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) -7.404 1.693 -4.374 .000 LN_CSR -.133 .119 -.066 -1.119 .264 .872 1.147 LN_ROA .480 .045 .587 10.596 .000 .993 1.007 LN_FIRM SIZE 2.541 .580 .258 4.382 .000 .878 1.139 a. Dependent Variable: LN_PBV
Dari tabel uji multikolinearitas setelaah transformasi diatas, tidak jauh berbeda dari hasil sebelum ditransformasi bahwa hasil perhitungan Variance Inflantion Faktor (VIF) juga menunjukan tidak ada satupun variabel independen yang memiliki VIF lebih dari 10 (>10) yaitu variabel CSR sebesar 1.147, ROA sebesar 1,007 dan nilai VIF ukuran perusahaan sebesar 1,139. Pada nilai tolerance menunjukan tidak ada variabel independen yang mempunyai nilai tolerance kurang dari 0.10 (<0,10) yaitu pada variabel CSR sebesar 0.872, ROA sebesar 0,993 dan ukuran perusahaan sebesar 0,878. Jadi dapat disimpulkan tidak ada multikolinearitas antar variabel independen dalam model regresi.
4.2.3 Uji Heteroskedastisitas
Uji heteroskedastisitas dilakukan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varians dari residual satu pengamatan ke
pengamatan yang lain. Deteksi ada tidaknya heteroskedastisitas dapat dilakukan dengan melihat ada tidaknya pola tertentu pada grafik scatterplot. 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 menyebar maka tidak terjadi heteroskedastisitas.
Gambar 4.5 Grafik Scatterplot
Pada gambar 4.2 terlihat bahwa terjadi heteroskedastisitas, yaitu adanya pola titik-titik yang melebar kemudia menyempit. Oleh karena itu, setelah dilakukan transformasi, maka didapat hasil sebagai berikut .
Gambar 4.6
Grafik Scatterplot Setelah Transformasi
Berdasarkan gambar 4.3 yaitu grafik scatterplot dapat dilihat bahwa titik- titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka nol pada sumbu Y. Hal ini dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi, sehingga model regresi layak dipakai untuk memprediksi nilai perusahaan berdasarkan variabel independen Corporate Social Responsibility (CSR), Profitabilitas (ROA) dan ukuran perusahaan.
4.2.4 Uji Autokorelasi
Autokorelasi merupakan adanya korelasi antara error term ada data time series. Pengujian ada tidaknya gangguan autokorelasi pada model regresi
dilakukan dengan Durbin Watson Test. Berikut ini merupakan hasil dari pengujian menggunakan Durbin Watson Test.
Tabel 4.10 Hasil Uji Autokorelasi
Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .712a .506 .499 4.70659 1.700
a. Predictors: (Constant), FIRM SIZE, ROA, CSR
b. Dependent Variable: PBV
Berdasarkan perhitungan SPSS dari uji diatas, diperoleh nilai DW sebesar 1.700, dimana nilai DW tersebut lebih besar dari batas atas (du) 1,6061 dan kurang dari 4-1.6061(4-du), sehingga dapat disimpulkan tidak terjadi autokorelasi positif maupun negatif. Namun, perhitungan setelah transformasi mengalami sedikit perubahan yang hasilnya dapat dilihat pada tabel berikut ini :
Tabel 4.11
Hasil Uji Autokorelasi SetelahTransformasi
Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .635a .403 .394 .88360 2.033
a. Predictors: (Constant), LN_FIRM SIZE, LN_ROA, LN_CSR
b. Dependent Variable: LN_PBV
Berdasarkan perhitungan SPSS dari uji diatas, diperoleh nilai DW sebesar 2.033, dimana nilai DW tersebut lebih besar dari batas atas (du) 1,6061 dan
kurang dari 4-1.6061(4-du), sehingga dapat disimpulkan tidak terjadi autokorelasi positif maupun negatif.