BAB IV ANALISIS HASIL PENELITIAN
B. Hasil Uji Asumsi Klasik
Uji normalitas bertujuan untuk menguji apakah dalam model regresi variabel pengganggu atau residual memiliki distribusi normal atau tidak, dengan membuat hipotesis sebagai berikut:
Ho : data residual terdistribusi normal, Ha : data residual terdistribusi tidak normal.
Ada dua cara yang dapat digunakan untuk mendeteksi apakah residual berdistribusi normal atau tidak, yaitu dengan analisis grafik dan uji statistik. Pada penelitian ini akan digunakan kedua cara tersebut.
a. Analisis Grafik
Analisis grafik dapat digunakan dengan dua alat, yaitu grafik histogram dan grafik P-P Plot. Data yang baik adalah data yang memiliki pola distribusi normal. Pada grafik histogram, data yang mengikuti atau mendekati distribusi normal adalah distribusi data dengan bentuk lonceng. 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.
Gambar 4.1 Grafik Histogram
Gambar 4.2 Grafik P-P Plot
Dengan melihat tampilan grafik histogram, penulis melihat bahwa gambar histogram telah berbentuk lonceng tetapi menceng ke arah kiri yang menunjukkan bahwa data tidak terdistribusi secara normal. Pada grafik P-P Plot
terlihat titik-titik tidak menyebar di sekitar garis diagonal dan jauh dari garis diagonal. Kedua grafik tersebut menunjukkan bahwa model regresi menyalahi asumsi normalitas.
b. Uji Statistik
Pengujian normalitas data dengan hanya melihat grafik dapat menyesatkan kalau tidak melihat secara seksama, sehingga kita perlu melakukan uji normalitas data dengan menggunakan statistik agar lebih meyakinkan. Untuk memastikan apakah data di sepanjang garis diagonal berdistribusi normal, maka dilakukan uji
Kolmogorov-Smirnov (1 sample KS) dengan melihat data residualnya apakah
berdistribusi normal atau tidak. Jika nilai signifikansinya lebih besar dari 0,05 maka data tersebut terdistribusi normal. Jika nilai signifikansinya lebih kecil dari 0,05 maka distribusi data adalah tidak normal. Hasil uji Kolmogorov-Smirnov dapat dilihat pada tabel 4.2.
Tabel 4.2
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 52
Normal Parametersa Mean .0000000
Std. Deviation 2.47043378E2
Most Extreme Differences Absolute .303
Positive .303
Negative -.236
Kolmogorov-Smirnov Z 2.187
Asymp. Sig. (2-tailed) .000
a. Test distribution is Normal.
Hasil uji Kolmogorov-Smirnov pada penelitian ini menujukkan probabilitas = 0,000. Dengan demikian, data pada penelitian ini tidak berdistribusi normal karena probabilitas < 0.05.
Pada pengujian normalitas dengan analisis statistik dan grafik dapat ketahui bahwa data yang digunakan oleh penulis tidak berdistribusi normal sehingga data ini tidak dapat digunakan untuk melakukan uji hipotesis. Pada penelitian ini penulis menggunakan metode transformasi data untuk menormalkan data penelitian. Menurut Ghozali (2005:32), “data yang tidak terdistribusi secara normal dapat ditransformasikan agar menjadi normal”. Salah satu trasformasi data yang dapat dilakukan adalah dengan mentransformasikan data ke LG10 atau logaritma 10 atau LN. Hasil transformasi data dapat dilihat pada lampiran vi. Setelah dilakukan transformasi, penulis melakukan pengujian ulang terhadap uji normalitas untuk melihat kembali apakah data penelitian ini telah berdistribusi normal atau tidak. Berikut hasil uji normalitas data setelah transformasi:
a. Analisis Grafik
Gambar 4.3 Histogram
Gambar 4.4 P-Plot
b. Uji Statistik
Tabel 4.3
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 52
Normal Parametersa Mean .0000000
Std. Deviation 1.59438521
Most Extreme Differences Absolute .110
Positive .110
Negative -.052
Kolmogorov-Smirnov Z .794
Asymp. Sig. (2-tailed) .553
a. Test distribution is Normal.
Dari grafik histogram dan normal probability plot pada gambar 4.3 dan gambar 4.4 di atas terlihat bahwa setelah dilakukan transformasi data ke logaritma natural (Ln) terlihat bahwa grafik histogram memperlihatkan pola distribusi yang normal, dan grafik P-P Plot memperlihatkan titik-titik menyebar di sekitar/mengikuti arah garis diagonal yang menunjukkan pola distribusi normal. Hasil uji Kolmogorov-Smirnov pada tabel 4.3. pada penelitian ini menujukkan probabilitas = 0.533. Dengan demikian, data pada penelitian ini berdistribusi
normal dan dapat digunakan untuk melakukan Uji-t dan Uji-F karena 0,533> 0,05 (H0 diterima).
2. Hasil Uji Heteroskedastisitas
Ghozali (2005:105) 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 tidak terjadi heteroskedastisitas. Pengujian heteroskedastisitas dapat dilakukan dengan uji grafik dengan melihat grafik scatterplot yaitu dengan cara melihat titik-titik penyebaran pada grafik dan uji glejser, dengan cara meregres seluruh variabel independen dengan nilai absolute residual (absut) sebagai variabel dependennya. Perumusan hipotesis adalah :
H0 : tidak ada heteroskedastisitas, Ha : ada heteroskedastisitas.
Jika signifikan < 0,05 maka Ha diterima (ada heteroskedastisitas) dan jika signifikan > 0,05 maka H0 diterima (tidak ada heteroskedastisitas).
Gambar 4.5
Uji Heteroskedastisitas( scatterplot) Sumber: Lampiran v
Tabel 4.4
Hasil Uji Heteroskedastisitas Coefficientsa Model Unstandardized Coefficients Standardized Coefficients T Sig. B Std. Error Beta 1 (Constant) 2.415 .688 3.511 .001 LN_Laba_Akuntansi -.483 .299 1.276 1.615 .113 LN_Tunai .380 .307 .980 1.241 .221
a. Dependent Variable: Absut
Sumber: Lampiran v
Pada gambar 4.5 tentang grafik scatterplot diatas terlihat titik-titik menyebar secara acak tidak membentuk sebuh pola tertentu yang jelas serta tersebar baik diatas maupun dibawah angka nol pada sumbu y. Hal ini berarti tidak terjadi heteroskedastisitas pada model regresi sehingga model regresi layak dipakai untuk melihat pengaruh variabel independen terhadap variabel dependen. Dari tabel 4.4 diatas kita dapat melihat bahwa nilai signifikansi untuk variabel laba akuntansi adalah 0,113 (>0.05), untuk variabel laba tunai adalah 0,221 (>0,05). Dari hasil ini maka dapat disimpulkan bahwa tidak terdapat masalah heteroskedastisitas karena semua variabel independennya memiliki signifikan lebih besar dari 0,05.
3. Uji Autokorelasi
Uji ini bertujuan untuk melihat apakah dalam suatu model linear ada korelasi antar kesalahan pengganggu pada periode t dengan kesalahan periode t-1 (sebelumnya). Model regresi yang baik adalah yang bebas dari autokorelasi. Masalah autokorelasi umumnya terjadi pada regresi yang datanya time series. Untuk mendeteksi masalah autokorelasi dapat dilakukan dengan menggunakan uji
Durbin Watson. Mengacu kepada pendapat Sunyoto (2009:91), Pengambilan keputusan ada tidaknya autokorelasi adalah sebagai berikut:
1) angka D-W dibawah -2 berarti ada autokorelasi positif,,
2) angka D-W diantara -2 sampai +2 berarti tidak ada autokorelasi, 3) angka D-W di atas +2 berarti ada autokorelasi negatif.
Tabel 4.5
Hasil Uji Autokorelasi Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .508a .258 .228 1.62660 1.494
a. Predictors: (Constant), LN_Tunai, LN_Laba_Akuntansi b. Dependent Variable: LN_Deviden_Kas
Sumber: Lampiran vi
Tabel 4.5 memperlihatkan nilai statistik D-W sebesar 1,494 Angka ini terletak di antara -2 sampai +2, dari pengamatan ini dapat disimpulkan bahwa tidak terjadi autokorelasi dalam penelitian ini.
4. Hasil Uji Multikolinieritas
“Uji multikolinearitas dilakukan untuk menguji apakah pada model regresi ditemukan adanya korelasi antar variabel bebas” (Ghozali, 2005:91). Menurut Ghozali (2005) “adanya gejala multikolinearitas dapat dilihat dari tolerance value atau nilai Variance Inflation Factor (VIF). Batas tolerance value adalah 0,1 dan batas VIF adalah 10”. Apabila tolerance value < 0,1 atau VIF > 10 = terjadi multikolinearitas. Apabila tolerance value > 0,1 atau VIF < 10 = tidak terjadi
multikolinearitas. Hasil pengujian terhadap multikolinearitas pada penelitian ini dapat dilihat pada tabel 4.6
Tabel 4.6
Hasil Uji Multikolinearitas Coefficientsa Model Unstandardized Coefficients Standardized Coefficients T Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) -1.525 1.367 1.115 .270
LN_Tunai .365 .609 .435 .598 .552 .029 1.015
LN_Laba_
Akuntansi .060 .594 .074 .102 .919 .029 1.015
a. Dependent Variable: LN_Deviden_Kas Sumber: Lampiran vii
Berdasarkan tabel 4.6 diatas dapat dilihat bahwa tidak ada satupun variabel bebas yang memiliki nilai VIF lebih dari 10 dan tidak ada yang memiliki
tolerance value lebih kecil dari 0,1. Jadi dapat disimpulkan bahwa penelitian ini
bebas dari adanya multikolinearitas. Dari hasil analisis, didapat nilai VIF untuk variabel laba akuntansi adalah 1,015 (<10) dan nilai tolerance sebesar 0,29 (>0,1), nilai VIF untuk variabel laba tunai adalah 1.015 (<10) dan nilai tolerance sebesar 0.29 ( >0.1). Dari hasil ini maka dapat disimpulkan bahwa semua variabel bebas yang dipakai dalam penelitian ini lolos uji gejala multikolinearitas