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
Unstandardiz ed Residual
N 42
Normal Parametersa Mean .0000000
Std. Deviation 8.36967634 Most Extreme Differences Absolute .253 Positive .253 Negative -.172 Kolmogorov-Smirnov Z 1.639
Asymp. Sig. (2-tailed) .009
Hasil uji Kolmogorov-Smirnov pada penelitian ini menujukkan probabilitas = 0,009. 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 v. 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:
Gambar 4.3 Histogram Gambar 4.4 P-Plot b) Uji Statistik Tabel 4.3
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 27
Normal Parametersa Mean .0000000
Std. Deviation 1.73829541
Most Extreme Differences Absolute .150
Positive .150
Negative -.087
Kolmogorov-Smirnov Z .782
Asymp. Sig. (2-tailed) .574
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 = 0,574. Dengan demikian, data pada penelitian ini berdistribusi normal dan dapat digunakan untuk melakukan Uji-t dan Uji-F karena 0,574&gUji-t; 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 signifikan > 0,05 maka H0 diterima (tidak ada heteroskedastisitas).
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) -.928 1.172 -.792 .436 lN_DAR -3.145 1.432 -2.478 -2.196 .038 lN_DER 1.934 .995 2.206 1.944 .064 lN_NIS .225 .271 .160 .830 .415
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
melihat pengaruh variabel independen terhadap variabel dependen. Dari tabel 4.4 diatas kita dapat melihat bahwa nilai signifikansi untuk variabel LN DAR adalah 0,38 (>0.05). nilai signifikansi untuk variabel LN DER adalah 0,64 (>0.05). nilai signifikansi untuk variabel lN NIS adalah 0,415 (>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 .573a .328 .240 1.84819 1.143
a. Predictors: (Constant), lN_NIS, lN_DAR, lN_DER b. Dependent Variable: lN_Profit_Growth
Tabel 4.4 memperlihatkan nilai statistik D-W sebesar 1.143 Angka ini terletak diantara -2 dan +2, dari pengamatan ini dapat disimpulkan bahwa tidak terjadi autokorelasi positif maupun autokorelasi negatif dalam penelitian ini.
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 Standardized Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) -2.641 2.115 -1.249 .224 lN_DAR -.277 2.585 -.113 -.107 .916 .026 9.032 lN_DER -.753 1.796 -.445 -.419 .679 .026 9.456 lN_NIS -.610 .490 -.224 -1.246 .225 .025 9.105 a. Dependent Variable: lN_Profit_Growth
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 LN DAR adalah 9.032 (<10) dan nilai tolerance sebesar 0,26 (>0,1), nilai VIF untuk LN DER adalah 9.456 (<10) dan nilai tolerance sebesar 0.26 (>0.1) dan nilai VIF untuk LN NIS adalah 9.105 (<10) dan nilai tolerance sebesar 0.25 (>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
