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
Gambar 4.1 Grafik Histogram
Gambar 4.2 Grafik P-P Plot
Dengan melihat tampilan grafik histogram, penulis melihat bahwa gambar
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 69
Normal Parametersa Mean .0000000 Std. Deviation 4.28234565E4 Most Extreme Differences Absolute .233
Positive .233
Negative -.196
Kolmogorov-Smirnov Z 1.933
Asymp. Sig. (2-tailed) .001 a. Test distribution is Normal.
Hasil uji Kolmogorov-Smirnov pada penelitian ini menujukkan probabilitas =
0,001. 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 69
Normal Parametersa Mean .0000000 Std. Deviation 1.76056526 Most Extreme Differences Absolute .112
Positive .093
Negative -.112
Kolmogorov-Smirnov Z .926
Asymp. Sig. (2-tailed) .358 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
Hasil uji Kolmogorov-Smirnov pada tabel 4.3. pada penelitian ini menujukkan
probabilitas = 0,358. Dengan demikian, data pada penelitian ini berdistribusi
normal dan dapat digunakan untuk melakukan Uji-t dan Uji-F karena 0,358>
0,05 (H0 diterima).
2. Hasil Uji Heteroskedastisitas
Menurut Ghozali (2005:105), “Uji Heteroskedastisitas bertujuan menguji
apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu
pengamatan ke pengamatan yang lain. Jika variance dari residual satu pengamatan
ke pengamatan yang lain tetap, maka disebut Homoskedastisitas dan jika berbeda
disebut Heteroskedastisitas. Model regresi yang baik adalah yang
Homoskedastisitas atau tidak terjadi Heteroskedastisitas. Kebanyakan data
crosssection mengandung situasi heteroskedastisitas karena data ini menghimpun
data yang mewakili berbagai ukuran (kecil,sedang,dan besar)”.
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
Gambar 4.5
Uji Heteroskedastisitas( scatterplot) Tabel 4.4
Hasil Uji Heteroskedastisitas Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) 1.173 .474 2.473 .016 ln_ROA -.627 .629 -.552 -.998 .322 ln_ROE .507 .494 .417 1.027 .308 ln_net_profit_margin .029 .335 .027 .088 .930 a. Dependent Variable: absut
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
diatas kita dapat melihat bahwa nilai signifikansi untuk variabel ln ROA adalah
0,322 (>0.05). nilai signifikansi untuk variabel ln ROE adalah 0,308 (>0.05).
nilai signifikansi untuk variabel ln net profit margin adalah 0,930 (>0.05)Dari
hasil ini maka dapat disimpulkan bahwa tidak terdapat masalah heteroskedastisitas
karena variabel independennya memiliki signifikan lebih besar dari 0,05
3. Hasil 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. secara umum panduan mengenai angka Durbin-Watson dapat diambil patokan sebagai berikut:
1) angka D-W dibawah -2 berarti ada autokorelasi positif,
2) angka D-W di antara -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 .443a .196 .159 1.86409 1.881 a. Predictors: (Constant), Ln_Operating_income, Ln_ROE, Ln_ROA
b. Dependent Variable: Ln_Aktiva_Pajak_Tangguhan
Tabel 4.4 memperlihatkan nilai statistik D-W sebesar 1.881 Angka ini
terletak diantara -2 dan +2, dari pengamatan ini dapat disimpulkan bahwa tidak
4. Uji Multikolineritas
Menurut Ghozali (2005:91),“Uji multikolinearitas dilakukan untuk menguji
apakah pada model regresi ditemukan adanya korelasi antar variabel bebas
(independen)”. 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 Multikolineritas Coefficientsa Model Unstandardized Coefficients Standardiz ed Coefficient s t
Sig. Collinearity Statistics B Std. Error Beta Tolerance VIF 1(Constant) 6.344 .681 9.312 .000
Ln_ROA -1.989 .904 -1.110 -2.201 .031 .049 2.0581 Ln_ROE 2.557 .709 1.335 3.605 .001 .090 1.1081 Ln_net_profit margin -.059 .481 -.035 -.124 .902 .157 6.353 a. Dependent Variable: Ln_Aktiva_Pajak_Tangguhan
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 ROA adalah 2.0581 (<10) dan nilai tolerance sebesar 0,49 (>0,1), nilai
0.90(>0.1). Dari hasil ini maka dapat disimpulkan bahwa semua variabel bebas
yang dipakai dalam penelitian ini lolos uji gejala multikolinearitas.
C. Hasil Pengujian Hipotesis