BAB IV ANALISIS HASIL PENELITIAN DAN PEMBAHASAN
4.2 Hasil Pengujian Asumsi Klasik
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal, model regresi yang baik memiliki distribusi data normal atau mendekati normal (Ghozali, 2011:160). Uji normalitas penelitian ini dilakukan dengan analisis grafik dan uji Kolmogorov-Smirnov, berikut adalah tampilan dari uji normalitas dalam penelitian ini.
1. Analisis Grafik
Analisis grafik yang digunakan dalam penelitian ini adalah dengan grafik histogram dan grafik P-P Plot. Pada grafik histogram, data yang mengikuti atau mendekati distribusi normal adalah distribusi data dengan bentuk lonceng (Ghozali, 2011:163). Berikut ini merupakan hasil uji normalitas dalam penelitian ini dengan menggunakan analisis grafik histogram.
Gambar 4.1 Grafik Histogram Sumber: Output SPSS 19 diolah penulis, 2013
Grafik histogram pada gambar 4.1 menunjukkan bahwa grafik menceng ke kiri dan tidak membentuk pola berbentuk bel atau lonceng, maka dapat disimpulkan model regresi tidak memenuhi asumsi normalitas dengan demikian data yang digunakan dalam penelitian ini tidak terdistribusi secara normal.
Pada grafik P-P Plot, sebuah data dikatakan berdistribusi normal apabila titik- titik datanya tidak menceng ke kiri atau ke kanan, melainkan menyebar di sekitar garis diagonal (Ghozali, 2011:163). Berikut ini merupakan hasil uji normalitas dengan menggunakan analisis grafik P-P Plot.
Gambar 4.2 Grafik Normal P-P Plot Sumber: Output SPSS 19 diolah penulis, 2013
Grafik Normal P-P Plot pada gambar 4.2 menunjukkan bahwa titik-titik data menceng ke kiri dan ke kanan serta menyebar jauh dari garis diagonal dan tidak mengikuti arah garis diagonal, maka dapat disimpulkan bahwa model regresi tidak memenuhi asumsi normalitas dengan demikian data yang digunakan dalam penelitian ini tidak terdistribusi secara normal.
2. Uji Kolmogorov-Smirnov
Uji ini didasarkan pada Kolmogorov–Smirnov Test yang dilakukan terhadap data residual model regresi. Jika nilai probabilitas atau sig. (2-tailed) lebih besar dari 0.05 maka data tersebut terdistribusi normal, tetapi jika nilai probabilitas sig. (2-tailed) lebih kecil dari 0.05 maka distribusi data tersebut
tidak normal (Ghozali, 2011:32). Berikut ini merupakan hasil uji normalitas dengan uji Kolmogorov–Smirnov dalam penelitian ini.
Tabel 4.6
HasilUji Kolmogorov-Smirnov
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 115
Normal Parametersa,b Mean .00000
Std. Deviation .699349
Most Extreme Differences Absolute .181
Positive .181
Negative -.162
Kolmogorov-Smirnov Z 1.945
Asymp. Sig. (2-tailed) .001
a. Test distribution is Normal. b. Calculated from data.
Sumber: Output SPSS 19 diolah penulis, 2013
Sesuai dengan uji Kolmogorov-Smirnov yang ditunjukkan oleh tabel 4.4 di atas, dimana nilai probabilitas atau Asymp. Sig. (2-tailed) sebesar 0,001. Oleh karena itu nilai probabilitas lebih kecil dari 0,05 atau 0,001 < 0,05 maka H0
ditolak yang berarti data residual tidak terdistribusi secara normal.
Melalui uji normalitas yang telah dilakukan, baik melalui analisis grafik maupun uji Kolmogorov-Smirnov dapat disimpulkan bahwa data yang digunakan dalam penelitian ini tidak terdistribusi secara normal dan tidak memenuhi model estimasi yang Best Linear Unbiased Estimator (BLUE). Data yang tidak terdistribusi secara normal dapat disebabkan karena adanya data outlier yaitu data yang memiliki karakteristik unik yang terlihat sangat berbeda jauh atau ekstrim
dari observasi-observasi lainnya (Ghozali, 2011:41). Ada 4 (empat) penyebab timbulnya data oulier yaitu kesalahan dalam mengetri data, gagal menspesifikasi adanya missing value, outlier bukan merupakan anggota populasi yang diambil sebagai sampel, distribusi dari variabel dalam populasi tersebut memiliki nilai ekstrim dan tidak terdistribusi normal (Ghozali, 2011:41).
Sesuai dengan empat penyebab timbulnya data outlier tersebut, maka menurut peneliti penyebab timbulnya data outlier dalam penelitian ini karena distribusi dari variabel dalam populasi penelitian ini memiliki nilai ekstrim sehingga tidak terdistribusi normal. Hal ini dibuktikan dengan uji normalitas yang telah dilakukan dimana hasilnya menunjukkan ketidaknormalan distribusi data dalam penelitian ini, penyebabnya karena beberapa data yang digunakan dalam penelitian ini memiliki nilai ekstrim dan perbedaan yang terlalu signifikan dibanding data-data lain.
Ketidaknormalan data penelitian dapat diatasi dengan melakukan transformasi terhadap data tersebut agar menjadi normal (Ghozali, 2011:35). Agar residual datanya menjadi normal, maka transformasi data perlu dilakukan untuk seluruh variabel penelitian. Karena itu data awal dalam penelitian ini akan ditransformasi sesuai dengan bentuk histogram dari setiap variabel penelitian baik variabel bebas maupun terikat. Penulis melakukan transformasi data ke model akar kuadrat untuk variabel WCTA, DER, GPM dan OPM, sementara itu untuk variabel ITO, TATO, dan Pertumbuhan Laba penulis melakukan transformasi data ke model Logaritma 10.
Transformasi yang dilakukan terhadap data awal yang berjumlah 115 pengamatan, menimbulkan munculnya 18 pengamatan yang missing value.
Pengolahan data dengan SPSS membuat pengamatan yang memiliki missing value ini otomatis dibuang, sehingga jumlah pengamatan setelah ditransformasi adalah 97 pengamatan, ini diperoleh dari 115 pengamatan awal dikurang 18 pengamatan yang missing value. Tabel berikut menunjukkan 18 pengamatan yang memiliki missing value setelah transformasi.
Tabel 4.7
Missing Value Pengamatan Penelitian
Pengamatan Sampel Perusahaan Tahun
12 Indofarma Tbk 2008
22 Kedawung Setia Industrial Tbk 2008 24 Tiga Pilar Sejahtera Food Tbk 2009 31 Ultrajaya Milk Industry and Trading Company Tbk 2009
42 Mustika Ratu Tbk 2009
48 Cahaya Kalbar Tbk 2010
53 Sekar Laut Tbk 2010
61 Merck Tbk 2010
63 Taisho Pharmaceutical Indonesia Tbk 2010
66 Mandom Indonesia Tbk 2010
69 Langgeng Makmur Industry Tbk 2010
75 Mayora Indah Tbk 2011
77 Ultrajaya Milk Industry and Trading Company Tbk 2011
94 Cahaya Kalbar Tbk 2012
96 Indofood Sukses Makmur Tbk 2012
101 Gudang Garam Tbk 2012
107 Merck Tbk 2012
115 Langgeng Makmur Industry Tbk 2012 Sumber : Data diolah penulis, 2013
Penulis selanjutnya akan mendeteksi data outlier dari 97 pengamatan tersebut, apabila ditemukan data outlier dari 97 pengamatan tersebut maka data
outlier tersebut juga akan otomotatis dibuang karena dianggap menjadi pemicu terjadinya ketidaknormalan data dalam penelitian ini. Menurut Hair (1998) dalam Ghozali, 2011:41 untuk kasus sampel kecil (kurang dari 80) maka standar skor dengan nilai ≥ 2,5 dinyatakan outlier, untuk sampel besar standar skor dinyatakan outlier jika nilainya pada kisaran 3 sampai 4. Karena jumlah pengamatan dalam penelitian ini yang mencapai 97 pengamatan maka data yang memiliki nilai > 3 atau > -3 akan dianggap sebagai data outlier.
Tabel 4.8
Data Oulier dari Pengamatan
Pengamatan Sampel Perusahaan Nilai/Skor
25 Multi Bintang Indonesia Tbk 5,492 42 Tiga Pilar Sejahtera Food Tbk - 3,263 Sumber : Data diolah penulis, 2013
Kedua pengamatan yang memiliki data outlier tersebut akhirnya dibuang, dengan demikian jumlah pengamatan dalam penelitian ini adalah 95 pengamatan, setelah 97 pengamatan hasil transformasi tersebut dikurangi 2 (dua) pengamatan yang memiliki data outlier, dengan demikian jumlah akhir pengamatan dalam penelitian ini adalah 95 pengamatan. Terhadap 95 pengamatan ini akan dilakukan uji asumsi klasik, analisis linear dan juga test of goodness of fit. Hasil uji normalitas terhadap data dari 95 pengamatan dalam penelitian ini adalah sebagai berikut.
1. Analisis Grafik
Gambar 4.3
Grafik Histogram (Setelah Transformasi Data dan Outlier) Sumber: Output SPSS 19 diolah penulis, 2013
Grafik histogram pada gambar 4.3 menunjukkan bahwa pola distribusi normal, karena grafik tidak menceng ke kiri atau ke kanan melainkan membentuk pola bel atau lonceng, sehingga dapat disimpulkan bahwa model regresi telah memenuhi asumsi normalitas, dengan demikian data yang digunakan dalam penelitian ini telah terdistribusi secara normal. Hasil ini juga diperkuat dengan hasil uji grafik normal P-P Plot berikut.
Gambar 4.4
Grafik Normal P-P Plot (Setelah Transformasi Data dan Outlier) Sumber: Output SPSS 19 diolah penulis, 2013
Grafik Normal P-P Plot pada gambar 4.4 menunjukkan bahwa titik-titik data tidak menceng ke kiri atau ke kanan, melainkan menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal, sehingga dapat disimpulkan bahwa model regresi telah memenuhi asumsi normalitas dengan demikian data yang digunakan dalam penelitian ini telah terdistribusi secara normal.
2. Uji Kolmogorov-Smirnov
Tabel 4.9
Uji Kolmogorov-Smirnov (Setelah Transformasi Data dan Outlier)
a. Test distribution is Normal. b. Calculated from data.
Sumber: Output SPSS 19 diolah penulis, 2013
Sesuai dengan uji Kolmogorov-Smirnov yang ditunjukkan oleh tabel 4.8 di atas, maka diperoleh nilai probabilitas atau Asymp.Sig.(2-tailed) sebesar 0,994, dengan demikian nilai probabilitas lebih besar dari 0,05 atau 0,971 > 0,05, karena itu H0 ditolak yang berarti data residual terdistribusi dengan normal.
4.2.2 Hasil Uji Multikolinearitas
Uji multikoloniearitas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas (independen), model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel independen (Ghozali, 2011:105). Jika nilai tolerance > 0,1 dan nilai VIF < 10, maka dapat disimpulkan bahwa tidak ada multikolinearitas antar variabel independen dalam model regresi
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 95
Normal Parametersa,b Mean .00000
Std. Deviation .862564 Most Extreme Differences Absolute .043 Positive .039 Negative -.043 Kolmogorov-Smirnov Z .424
(Ghozali, 2011:106). Berikut ini merupakan hasil uji multikolinearitas dalam penelitian ini.
Tabel 4.10
Hasil Uji Multikolinearitas
Coefficientsa
a. Dependent Variable: LABA
Sumber : Output SPSS 19 diolah penulis, 2013
Hasil uji moltikolinearitas pada tabel 4.9 menunjukkan bahwa keenam variabel bebas yang digunakan dalam penelitian ini, memiliki tolerance value > 0,1 dan VIF < 10. Dengan demikian dapat disimpulkan bahwa tidak ada multikolinearitas antar variabel independen dalam model regresi.
4.2.3 Hasil Uji Autokorelasi
Uji autokorelasi bertujuan menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 (sebelumnya), model regresi yang baik adalah regresi yang bebas dari autokorelasi (Ghozali, 2011:110). Dalam model regresi tidak terjadi autokorelasi apabila nilai du < d < 4 – du (Ghozali, 2011:111),
Model Collinearity Statistics Tolerance VIF 1 (Constant) WCTA .352 2.837 DER .302 3.315 ITO .651 1.536 TATO .778 1.286 GPM .531 1.883 OPM .585 1.710
berikut ini merupakan hasil uji autokorelasi terhadap model regresi dalam penelitian ini.
Tabel 4.11 Hasil Uji Autokorelasi
Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .511a .261 .211 .891484 1.940
a. Predictors: (Constant), OPM, TATO, DER, ITO, GPM, WCTA b. Dependent Variable: LABA
Sumber : Output SPSS 19 diolah penulis, 2013
Hasil uji autokorelasi pada tabel 4.10 menunjukkan bahwa nilai Durbin-Watson (d) sebesar 1,940. Nilai ini akan kita bandingkan dengan nilai pada tabel Durbin-Watson dengan menggunakan signifikansi 5% dan jumlah pengamatan (n) 95 serta jumlah variabel independen 6 (k=6), maka berdasarkan tabel Durbin-Watson diperoleh nilai batas atas (du) sebesar 1,802 dan nilai batas bawah (dl) sebesar 1,535. Sehingga diperoleh persamaan berikut :
du < d < 4 – du 1,802 < 1,940 < 2,198
maka dapat ditarik kesimpulan bahwa dalam model regresi penelitian ini tidak terjadi autokorelasi positif atau negatif.
4.2.4 Hasil 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 homoskedastisitas atau tidak terjadi heteroskedastisitas (Ghozali, 2011:139). Cara yang yang
digunakan untuk mendeteksi ada-tidaknya heteroskedastisitas dalam penelitian ini adalah dengan melihat diagram scatterplot dan uji glejser. Pada scatterplot jika tidak ada pola yang jelas, serta titik–titik menyebar diatas dan dibawah angka nol pada sumbu Y, maka tidak terjadi heteroskedastisitas (Ghozali, 2011:139). Berikut ini merupakan hasil uji heteroskedastisistas dengan digram scatterplot terhadap model regresi dalam penelitian ini.
Gambar 4.5 Diagram Scatterplot
Sumber : Output SPSS 19 diolah penulis, 2013
Diagram Scatterplot pada gambar 4.5 menunjukkan bahwa tidak terbentuk pola yang jelas pada gambar serta titik-titik menyebar secara acak dan tersebar baik diatas maupun dibawah angka nol pada sumbu Y. Maka dapat disimpulkan
bahwa tidak terjadi heteroskedastisitas pada model regresi dalam penelitian ini. Untuk memperkuat hasil uji diagram scatterplot tersebut, maka uji heteroskedastisitas dalam penelitian ini juga dilengkapi dengan uji glejser, tabel 4.10 berikut menampilkan hasil uji glejser terhadap model regresi dalam penelitian ini.
Tabel 4.12 Hasil Uji Glejser
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) .677 .055 12.358 .000 WCTA .030 .094 .056 .316 .753 DER -.115 .122 -.179 -.941 .349 ITO -.035 .069 -.066 -.510 .611 TATO -.023 .065 -.041 -.348 .728 GPM -.006 .074 -.012 -.083 .934 OPM .008 .071 .015 .109 .914
a. Dependent Variable: ABS_RES
Sumber : Output SPSS 19 diolah penulis, 2013
Hasil uji glejser pada tabel 4.11 menunjukkan bahwa nilai signifikan (sig.) keenam variabel bebas yang digunakan dalam penelitian ini lebih besar dari 0,05 dengan demikian dapat ditarik kesimpulan bahwa tidak terjadi heteroskedastisitas pada model regresi.