HASIL PENELITIAN DAN PEMBAHASAN
4.2 Hasil Penelitian .1 Statistik Deskriptif .1 Statistik Deskriptif
4.2.2 Hasil uji Asumsi klasik
Model regresi berganda akan lebih cepat digunakan dan menghasilkan perhitungan yang lebih akurat, apabila beberapa asumsi berikut dapat terenuhi. Uji asumsi klasik yang harus dipenuhi antara Uji Normalitas, Uji Multikkolineritas, Uji Autokolerasi, dan Uji Heterokedastisitas.
4.2.2.1. Uji Normalitas
Uji Normalitas bertujuan untuk mengetahui apakah distribusi sebuah data mengikuti atau mendekati distribusi normal. Dalam penelitian ini dilakukan dengan menguji normalitas residual dengan menggunakan uji
kolmogorov-Smirnov yaitu dengan membandingkan distribusi komulatif relatif hasil observasi
dengan distribusi komulatif relatif teoritisnya. Jika probabilitas signifikansi nilai residual lebih besar dari 0.05 berarti residual terdistribusi dengan normal. Demikian pula sebaliknya, jika probabilitas signifikansi residual lebih rendah dari
0,05 berarti residual tidak terdistribusi secara normal. Uji Kolmogorov-Smirnov dapat di lihat Tabel 4.2 sebagai berikut:
Tabel 4.2 Hasil Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 55
Normal Parametersa,b Mean ,0000000 Std. Deviation ,11051240 Most Extreme Differences Absolute ,095
Positive ,095 Negative -,059
Kolmogorov-Smirnov Z ,704
Asymp. Sig. (2-tailed) ,705
a. Test distribution is Normal. b. Calculated from data.
Tabel 4.2 menunjukkan Asymp. Sig. (2-tailed) atau angka signifikansi lebih besar dari 0.05 hal ini berarti data terdistribusi normal. Metode lain untuk mengetahui normalitas adalah dengan menggunakan metode analisis grafik baik dengan melihat grafik secara histogram ataupun dengan melihat secara Normal Probability Plot. Normalitas dapat dideteksi dengan melihat histogram dari residualnya:
1. Jika data menyebar di sekitar garis diagonal dan mengikuti garis diagonal atau grafik histogramnya menunjukkan pola distribusi normal regresi memenuhi asumsi normalitas.
2. Jika data menyebar jauh dari garis diagonal dan tidak mengikuti arah garis diagonal atau grafik histogram tidak menunjukkan pola distribusi normal, maka model regresi tidak memenuhi asumsi normalitas.
Berikut hasil uji normalitas yang diperoleh dalam analisis penelitian ini pada gambar 4.1
Sumber: Hasil penelitian, 2014 (Data diolah)
Gambar 4.1 Grafik Histogram
Gambar 4.1 menunjukkan bahwa data terdistribusi secara normal karena bentuk kurva memiliki kemiringan yang cenderung imbang dan kurva berbentuk menyerupai lonceng. Dapat disimpulkan bahwa variabel pengganggu atau residual memiliki pola mendekati distribusi normal.
Sumber: Hasil penelitian, 2014 (Data diolah)
Gambar 4.2 Normal P-Plot
Berdasarkan gambar 4.2 normal probability plot dapat disimpulkan bahwa model regresi memenuhi asumsi normalitas karena data menyebar di sekitar garis diagonal dan penyebaran data searah mengikuti garis diagonal.
4.2.2.2. Uji multikolineritas
Masalah-masalah yang mungkin akan timbul pada penggunaan persamaan regresi berganda adalah multikolineritas yaitu suatu keadaan dimana antara variabel bebas terdapat korelasi atau suatu variabel bebas merupakan fungsi linear dari variabel bebas lainnya. Adanya Multikolineritas dapat dilihat dari tolerance value atau nilai variance inflation factor (VIF). Berdasarkan aturan variance
Sebaliknya apabila nilai VIF kurang dari 10 atau tolerance lebih dari 0,10 maka dinyatakan tidak terjadi gejala multikolineritas (Ghozali, 2011)
Tabel 4.3 Uji Multikolineritas Coefficientsa
Model Collinearity Statistics
Tolerance VIF 1 (Constant) Structure_activa ,916 1,092 Size ,627 1,595 Growth ,902 1,109 CR ,664 1,506 ROA ,678 1,475
a. Dependent Variable: financial_leverage Sumber: Hasil penelitian, 2014 (data diolah)
Berdasarkan tabel 4.3 nilai tolerance dan VIF dari variabel structure activa adalah sebesar 0,916 dan 1,092. Untuk variabel Size adalah sebesar 0,627 dan 1,595. Untuk growth adalah sebesar 0,902 dan 1,109. Untuk variabel Likuiditas (CR) adalah sebesar 0,664 dan 1,506. Untuk varibel ROA adalah sebesar 0,678 dan 1,475. Oleh karena itu, dapat disimpulkan dalam model ini tidak terdapat masalah multikolineritas antara variabel bebas karena nilai tolerance berada dibawah 1 dan nilai VIF jauh di bawah angka 10.
4.2.2.3. Uji heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Model regresi yang baik adalah yang tidak terjadi heteroskedastisitas dapat dilakukan dengan melihat scatter plot antara lain prediksi variabel terikat (ZPRED) dengan residual (SRESID). Jika titik-titik scatter plot tersebut membentuk pola tertentu yang teratur (Misalnya bergelombang, menyebar kemudian menyempit), maka dapat diindifikasikan telah terjadi heteroskedastisitas yang dilakukan pada penelitian ini dapat dilihat pada gambar berikut:
Sumber: Hasil penelitian, 2014 (Data diolah)
Berdasarkan scatter plot terlihat bahwa titik-titik menyebar secara acak serta tersebar di atas maupun di bawah angka 0 pada sumbu Y. Maka dapat disimpulkan bahwa dalam model regresi ini tidak terjadi heteroskedastisitas. Adapun pengujian untuk melihat ada atau tidaknya heteroskedastisitas dapat dilihat dengan uji Glejser antara lain prediksi variabel dependen menjadi (absUt). Hal ini terlihat dari probabilitas signifikannya di atas tingkat kepercayaan 0.05 jadi disimpulkan model regresi ini tidak terjadi heteroskedastisitas. Hasil pengujian heteroskedastisitas dengan uji Glejser dapat dilihat pada tabel 4.4 sebagai berikut: Tabel 4.4 Uji Glejser Coefficientsa Model Unstandardized Coefficients Standardized Coefficients T Sig. B Std. Error Beta 1 (Constant) -,028 ,225 -,124 ,902 Structure_activa -,056 ,067 -,084 -,840 ,405 Size ,043 ,015 ,357 2,964 ,005 Growth ,101 ,071 ,143 1,424 ,161 CR -,030 ,017 -,207 -1,767 ,083 ROA -1,343 ,236 -,660 -5,696 ,000
a. Dependent Variable: financial_leverage Sumber: Hasil penelitian, 2014 (Data diolah)
Berdasarkan Tabel 4.4 terlihat bahwa signifikansinya di atas tingkat kepercayaan 0,05 maka dapat disimpulkan bahwa dalam pengujian ini tidak terjadi heteroskedastisitas.
4.2.2.4 Uji autokorelasi
Uji Autokolerasi bertujuan untuk menguji apakah dalam model regresi linear ada kolerasi antara kesalahan pengganggu pada periode t dengan kesalahan penganggu pada periode t-1 (sebelumnya). Jika terjadi kolerasi maka dinamakan ada problema autokolerasi. Adapun uji yang dapat digunakan untuk mendeteksi adanya penyimpangan asumsi klasik ini adalah uji Durbin Watson (D-W stat dengan ketentuan sebagai berikut:
a. Jika nilai D-W dibawah 0 sampai 1,5 berarti ada autokolerasi positif b. Jika nilai D-W dibawah 1,5 sampai 2,5 berarti tidak ada autokolerasi. c. Jika nilai D-W diatas 2,5 sampai 4 berarti ada autokolerasi negatif
Tabel 4.5 Uji Autokolerasi Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson dimension0 1 ,744a ,553 ,508 ,11601 1,965 a. Predictors: (Constant), ROA, Structure_activa, Growth, CR, Size b. Dependent Variable: financial_leverage
Berdasarkan tabel 4.5 diketahui bahwa nilai Durbin Watson adalah sebesar 1,965. Oleh karena nilai D_W dibawah antara 1,5<1,965<2,5 maka tidak ada autokolerasi pada model regresi yang digunakan dalam penelitian ini.