BAB V HASIL PENELITIAN DAN PEMBAHASAN
5.2. Hasil Pengujian Asumsi Klasik
Untuk menghasilkan suatu model regresi yang baik atau model regresi yang menghasilkan estimator linier tidak bias (Best Linier Unbias Estimator / BLUE), maka terhadap data terlebih dahulu dilakukan pengujian asumsi klasik berupa pengujian normalitas data, multikoleniaritas, heteroskedastisitas dan autokorelasi. Apabila asumsi klasik belum terpenuhi maka perlu terlebih dahulu perlu dilakukan perbaikan sesuai dengan tehnik yang dijinkan dalam ilmu statistik.
Asumsi distribusi normal adalah suatu persyaratan yang harus dipenuhi dalam pelaksanaan analisis regresi berganda. Jika asumsi ini terpenuhi maka nilai residual dari analisis juga berdistribusi normal dan independen. Pengujian normalitas dilakukan dengan menggunakan grafik normal Pobability Plot dan uji One-Sample Kolmogorov-smirnov, dengan hasil sebagai berikut :
Gambar 5.1. Uji Normalitas Data - Normal PP-Plot of Regresion Standardized Residual
Pada gambar 5.1. di atas terlihat bahwa titik-titik menyebar jauh dari garis diagonal dan tidak mengikuti arah garis diagonal sehingga dapat disimpulkan bahwa data tidak berdistribusi normal atau tidak mendekati normal.
Tabel 5.2 Uji Normalitas Data One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 144
Normal Parametersa,b Mean .0000000
Std. Deviation .37065085 Most Extreme Differences Absolute Positive .150 Negative -.110 Kolmogorov-Smirnov Z 1.804
Asymp. Sig. (2-tailed) .003
Berdasarkan hasil uji pada tabel 5.2 di atas dapat dilihat nilai signifikansi (Asymp. Sig. (2-tailed)) adalah sebesar 0,003 < 0,05 berarti bahwa data tidak berdistribusi normal.
Dengan demikian berdasarkan grafik normal Pobability Plot dan uji One-Sample Kolmogorov-Smirnov di atas diketahui bahwa data tidak berdistribusi normal.
Menurut Ghozali (2009), data yang tidak terdistribusi normal dapat ditransformasi agar menjadi normal. Untuk menormalkan data terlebih dahulu harus dilihat bagaimana bentuk grafik histogram dari data yang ada. Dengan mengetahui bentuk grafik histogram dapat ditentukan bentuk transformasinya. Bentuk grafik histogram variabel masing- masing variabel penelitian yang digunakan (lampiran 3) adalah secara umum berbentuk “moderat positif skewness” sehingga bentuk transformasi digunakan adalah SQRT (x) atau akar kuadrat.
Setelah melakukan transformasi maka langkah screening selanjutnya adalah mendeteksi dan mengeluarkan data outlier. Outlier adalah kasus atau data yang memiliki karakteristik unik yang terlihat sangat berbeda jauh dari observasi-observasi lainnya dan muncul dalam bentuk nilai ekstrim baik untuk sebuah variabel tunggal atau variabel kombinasi. Menurut Gozali (2009), deteksi terhadap univariate oulier dapat dilakukan
dengan menentukan nilai batas yang akan dikategorikan sebagai data outlier yaitu dengan cara mengkonversi nilai data ke dalam skor standardized atau yang biasa disebut z-score. Program SPSS 19 yang digunakan dalam penelitian ini, tidak membaca (mengeluarkan) data yang tidak memiliki nilai z-score dalam hal ini akibat Pertumbuhan perusahaan negatif. Selanjutnya untuk sampel besar data dinyatakan outlier jika nilai z-score berada antara 3 sampai dengan 4, dimana menurut Hair (Gozali, 2009) sampel kecil mempunyai data < 80. Dengan melakukan tehnik screening sesuai kriteria tersebut, maka data penelitain ini yang termasuk dalam kategori data outlier dikeluarkan sebanyak 23 data sebagaimana terlihat dari selisih N pada tabel 5.2 (N=144) dan tabel 5.3 (N=121).
Hasil uji normalitas data yang telah ditransformasi menggunakan akar kuadrat (SQRT) dan pengeluaran data outlier berdasarkan grafik normal Pobability Plot dan uji One-Sample Kolmogorov-Smirnov adalah sebagai berikut :
Gambar 5.2 Uji Normalitas Data - Normal PP-Plot of Regresion Standardized Residual Setelah Transformasi dan Pengeluaran Data Outlier
Pada gambar 5.2 di atas terlihat bahwa titik-titik menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal sehingga dapat disimpulkan bahwa data berdistribusi normal atau mendekati normal.
Berdasarkan uji One-Sample Kolmogorov-Smirnov, diperoleh hasil sebagai berikut :
Tabel 5.3. Uji Normalitas Data One-Sample Kolmogorov-Smirnov Setelah Transformasi dan Pengeluaran Data Outlier
Unstandardized Residual N 121 Normal Parameters Mean a,b .0000000 Std. Deviation .21559513 Most Extreme Differences Absolute .071 Positive .071 Negative -.050 Kolmogorov-Smirnov Z .785
Asymp. Sig. (2-tailed) .569
a. Test distribution is Normal. b. Calculated from data.
Berdasarkan hasil uji pada tabel 5.3 di atas dapat dilihat nilai signifikansi (Asymp. Sig. (2-tailed)) adalah sebesar 0,569 > 0,05 yang berarti bahwa data berdistribusi normal.
Dengan demikian berdasarkan grafik normal Pobability Plot dan uji One-Sample Kolmogorov-Smirnov di atas diketahui bahwa setelah transformasi dan pengeluaran data outlier maka data telah berdistribusi normal.
Pengujian ini dilakukan untuk melihat apakah terdapat korelasi antara variabel independen. Pengujian dilakukan dengan melihat Tolerance Value dan Variance Inflation Factor (VIF), sebagai berikut :
Tabel 5.4. Uji Multikolonieritas Berdasarkan Nilai Tolerance Value dan Variance Inflation Factor (VIF)
Coefficientsa Model Collinearity Statistics Tolerance VIF 1 (Constant) SQRT_Posisi_Kas .631 1.585 SQRT_Pertumbuhan .882 1.134 SQRT_Ukuran_Perusahaan .886 1.128 SQRT_Rasio_Hutang_Terhadap_Ekuitas_DER .338 2.955 SQRT_Profitabilitas_ROA .603 1.657 SQRT_Likuiditas .335 2.985
a. Dependent Variable: SQRT_Rasio_Pembayaran_Dividen_DPR
Berdasarkan hasil uji pada tabel 5.4 di atas dapat dilihat bahwa semua variabel mempunyai nilai Tolerance > 0,1 dan nilai Variance Inflation Factor (VIF) < 5. Oleh karena tolerance value > 0,1 atau VIF < 5 maka disimpulkan tidak terjadi multikolonieritas.
5.2.3. Hasil Pengujian Heteroskedastisitas
Pengujian ini dilakukan untuk melihat apakah dalam sebuah model regresi, terjadi ketidaksamaan varian dari residual dalam rangkaian suatu pengamatan ke pengamatan
lainnya. Pengujian dilakukan dengan melihat grafik Scatterplot antara nilai prediksi variabel terkait (ZPRED) dengan residualnya (SRESID), sebagai berikut :
Gambar 5.3. Uji Heteroskedastisitas - Grafik Scatterplot
Pada gambar 5.3. di atas terlihat bahwa titik-titik menyebar di atas dan di bawah angka 0 (nol) pada sumbu y dan tidak ada pola yang jelas, sehingga dapat disimpulkan tidak terjadi heteroskedastisitas.
Pengujian ini dilakukan untuk melihat apakah dalam sebuah model regresi linier terdapat korelasi antara variabel pengganggu pada priode tertentu dengan variabel pengganggu pada priode sebelumnya. Pengujian dilakukan dengan melihat nilai Durbin-Watson, sebagai berikut :
Tabel 5.5. Uji Autokorelasi - Durbin-Watson Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .444a .197 .155 .22120 1.981
a. Predictors: (Constant), SQRT_Likuiditas, SQRT_Profitabilitas_ROA, SQRT_Ukuran_Perusahaan, SQRT_Pertumbuhan, SQRT_Posisi_Kas,
SQRT_Rasio_Hutang_Terhadap_Ekuitas_DER
b. Dependent Variable: SQRT_Rasio_Pembayaran_Dividen_DPR
Berdasarkan hasil uji pada tabel 5.5 di atas dapat dilihat bahwa nilai Durbin-Watson (DW) adalah sebesar 1,981. Berdasarkan tabel statistik Durbin-Watson dengan α = 0,05, jumlah data (n) = 121 dan jumlah variabel independen (k) = 6 diketahui bahwa nilai dl = 1,549 dan nilai du = 1,752. Dengan demikian dapat disimpulkan bahwa :
- dU ≤ DW ≤ 4-dU atau 1,752 ≤ 1,981 ≤ 4-1,752
- 1,752 ≤ 1,981 ≤ 2,248
Berdasarkan kriteria yang telah ditetapkan tersebut, menunjukkan bahwa tidak terdapat permasalahan autokorelasi.