BAB IV HASIL DAN PEMBAHASAN
4.3 Hasil Uji Asumsi Klasik
Untuk mengetahui apakah model regresi benar-benar menunjukkan
hubungan yang signifikan dan mewakili (representatif), maka model tersebut
harus memenuhi uji asumsi klasik regresi, yang meliputi :
4.3.1 Hasil Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi,
variabel dependen dan independen atau keduanya mempunyai distribusi normal
atau tidak. Model regresi yang baik adalah yang mendekati normal (Imam
Ghozali,2006). Untuk melihat model regresi normal atau tidak dilakukan analisis
grafik dengan melihat “normal probability report plot” yang membandingkan
antara distribusi kumulatif dari data sesungguhnya dengan distribusi normal.
Distribusi normal akan membentuk satu garis lurus diagonal dan ploting data akan
dibandingkan dengan garis diagonal. Jika distribusi data normal, maka garis yang
menggantikan data sesungguhnya akan mengikuti garis diagonalnya (Imam
Ghozali, 2006).
Kemudian, untuk meningkatkan hasil uji normalitas data, maka akan
digunakan uji Kolmogorov-Smirnov. Uji ini digunakan untuk menghasilkan
angka yang lebih detail, apakah suatu persamaan regresi yang akan dipakai lolos
normalitas. Suatu persamaan regresi dikatakan lolos normalitas apabila nilai
signifikansi uji Kolmogorov-Smirnov lebih besar dari 0,05 (Imam Ghozali, 2006).
Hasil pengujian normalitas dengan analisis grafik plot yang terdapat pada
dan penyebarannya mengikuti arah garis diagonalnya. Hal ini menunjukkan
bahwa data terdistribusi normal.
Gambar 4.1
Hasil Uji Normalitas dengan Analisis Grafik Plot
Sumber : Data Sekunder yang diolah
Tabel 4.2
Hasil Uji Kolmogorov-Smirnov
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 68
Mean .0000061 Normal Parametersa,,b
Std. Deviation 3.32070067E10 Absolute .134 Positive .134 Most Extreme Differences
Negative -.080 Kolmogorov-Smirnov Z 1.102 Asymp. Sig. (2-tailed) .176 a. Test distribution is Normal.
b. Calculated from data.
Hasil uji Kolmogorov-Smirnov pada tabel 4.2 di atas menunjukkan nilai
signifikansi sebesar 0,176. Nilai ini jauh diatas nilai signiifikan sehingga dapat
disimpulkan bahwa data terdistribusi normal dan model regresi layak untuk
dipakai.
4.3.2 Hasil Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam suatu model
regresi linier terdapat korelasi antara kesalahan pengganggu pada periode t dengan
kesalahan pengganggu pada periode t-1 (sebelumnya). Jika terjadi korelasi maka
dinamakan ada problem autokorelasi. Autokorelasi muncul karena observasi yang
berurutan sepanjang waktu berkaitan satu sama lain. Masalah ini timbul karena
residual (kesalahan pengganggu) tidak bebas dari satu observasi ke observasi yang
lainnya. Hal ini sering ditemukan pada data runtut waktu atau times series karena
“gangguan” pada seseorang individu atau kelompok cenderung mempengaruhi
“gangguan” pada individu atau kelompok yang sama pada periode berikutnya
(Imam Ghozali, 2006).
Salah satu alat uji statistik yang dapat digunakan untuk mendeteksi ada
tidaknya autokorelasi adalah uji statistik run test. Suatu persamaan regresi
dikatakan terbebas autokorelasi jika hasil uji statistik run testnya tidak signifikan
atau diatas 0,05 (Imam Ghozali, 2006). Pengambilan keputusan pada uji run test
didasarkan pada acak tidaknya data. Apabila data bersifat acak, maka dapat
diambil kesimpulan bahwa data tidak terkena autokorelasi. Menurut Imam
• Apabila nilai probabilitas ≥ α = 0,05 maka observasi terjadi secara acak.
• Apabila nilai probabilitas ≤ α = 0,05 maka observasi terjadi secara tidak acak.
Tabel 4.3
Hasil Uji Autokorelsi Arus Kas
Runs Test
Unstandardized Residual Test Valuea -9.11059E9 Cases < Test Value 34 Cases >= Test Value 34 Total Cases 68 Number of Runs 28
Z -1.711
Asymp. Sig. (2-tailed) .087 a. Median
Sumber : Data Sekunder yang diolah
Hasil output SPSS pada tabel 4.4 di atas menunjukkan bahwa nilai
probabilitas adalah 0,5. Karena nilai probabilitas lebih besar dari 0,05, maka dapat
disimpulkan bahwa data residual terjadi secara acak (random) atau tidak terjadi
autokorelasi antar nilai residual.
4.3.3 Hasil Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam regresi
terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang
lain. Jika variance dari residual satu pengamatan ke pengamatan yang lain tetap,
maka homoskedastisitas dan jika berbeda disebut heteroskedastisitas. Model
regresi yang baik adalah yang homoskedastisitas atau tidak terjadi
Salah satu cara untuk mendeteksi ada tidaknya heteroskedastisitas dalam
suatu model regresi adalah dengan melihat grafik plot antara nilai prediksi
variabel terikat (ZPRED) dengan residualnya (SRESID). Apabila ada pola
tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur
(bergelombang, menyebar, kemudian menyempit), maka hal tersebut
menunjukkan bahwa telah terjadi heteroskedastisitas pada model regresi. Bila
pada grafik scatter plot tidak ada pola yang jelas, serta titik-titik menyebar di atas
dan di bawah angka 0 pada sumbu Y, maka dapat disimpulkan bahwa tidak terjadi
heterokedatisitas pada model regresi.
Gambar 4.2
Hasil Uji Heteroskedastisitas Arus Kas
Hasil pengujian heteroskedastisitas pada gambar 4.3 di atas menunjukkan
bahwa di dalam diagram scatterplot tidak terdapat pola yang jelas serta titik-titik
menyebar di atas dan di bawah angka 0 pada sumbu Y. Oleh sebab itu, dapat
disimpulkan tidak terdapat heteroskedastisitas dalam model regresi.
Untuk meningkatkan pengujian heteroskedastisitas, maka selain dilakukan
pengujian dengan scatter plot, perlu dilakukan pengujian secara statistik, yaitu
dengan menggunkan uji Park.
Tabel 4.4 Hasil Uji Park
Coefficientsa Unstandardized Coefficients Standardized Coefficients Collinearity Statistics
Model B Std. Error Beta T Sig. Tolerance VIF
(Constant) 46.362 .374 124.033 .000
L.KOTOR 8.603E-13 .000 .082 .468 .642 .455 2.197
L.OPERASI 8.319E-12 .000 .299 1.238 .220 .242 4.135 1
L.BERSIH -2.905E-12 .000 -.070 -.351 .727 .351 2.852 a. Dependent Variable: LnU2i
Sumber : Data Sekunder yang diolah
Hasil uji Park pada tabel 4.4 di atas menunjukkan bahwa koefisien
parameter untuk variabel independen tidak ada yang signifikan, maka dapat
disimpulkan bahwa model regresi tidak terdapat heteroskedastisitas. Hal ini
konsisten dengan hasil uji dengan scatter plot.
4.3.4 Hasil Uji Multikolinieritas
Uji multikolinieritas bertujuan untuk memberikan gambaran kepada
bebas (independen). Model regresi yang baik adalah model regresi yang tidak
terdapat korelasi diantara variabel independen. Jika variabel independen saling
berkorelasi, maka variabel-variabel ini tidak orthogonal. Variabel orthogonal
merupakan variabel bebas yang nilai korelasi antar sesama variabel bebas sama
dengan nol (Imam Ghozali, 2006).
Untuk mendeteksi ada atau tidaknya multikolinieritas dapat dilihat dari
nilai tolerance dan lawannya serta Variance Inflation Factor (VIF). Kedua ukuran
ini menunjukkan setiap variabel bebas manakah yang dijelaskan oleh variabel
bebas lainnya. Apabila nilai tolerance di atas 10% dan VIF di bawah 10, maka
dapat disimpulkan bahwa model regresi bebas dari multikolinieritas.
Tabel 4.5
Hasil Uji Multikolinieritas Arus Kas
Coefficientsa
Collinearity Statistics Model Tolerance VIF
L.KOTOR .455 2.197 L.OPERASI .242 4.135 1
L.BERSIH .351 2.852 a. Dependent Variable: ARUS.KAS
Sumber : Data Sekunder yang diolah
Hasil perhitungan uji multikolinieritas pada tabel 4.5 di atas menunjukkan
bahwa laba kotor, laba operasi, dan laba bersih memiliki nilai tolerance ≥ 0.10
yang berarti tidak terdapat korelasi antar variabel independen. Sedangkan hasil
perhitungan Variance Inflation Factor (VIF) menunjukkan bahwa ketiga variabel
independen memiliki nilai VIF ≤ 10. Dapat disimpulkan bahwa tidak terdapat