BAB IV HASIL PENELITIAN DAN PEMBAHASAN
4.2 Hasil Penelitian
4.2.2 Hasil Uji Asumsi Klasik
Pengujian asumsi klasik dilakukan agar nilai parameter model penduga yang digunakan dinyatakan valid. Uji asumsi klasik merupakan prasyaratan analisis regresi berganda. Uji penyimpangan asumsi klasik menurut Ghozali (2011) terdiri dari uji normalitas, uji multikoliniearitas, uji autokorelasi, dan uji heterokedastisitas. Berikut ini hasil pengujian asumsi klasik dalam penelitian ini.
1. Uji Normalitas
Ghozali (2011) menyatakan bahwa uji normalitas adalah untuk menguji apakah model regresi, variabel independen, dan variabel dependennya memiliki distribusi normal atau tidak normal. Model regresi yang baik adalah memiliki distribusi data normal atau mendekati normal. Uji normalitas dilakukan dengan melihat histogram dan grafik normal plot, uji rasioskewnessdankurtosisserta uji
Kolmogorov Smirnov (K-S). Hasil analisis grafik dapat dilihat dilihat sebagai berikut
Gambar 4.1Uji Normalitas dengan Histogram
Gambar 4.1 menunjukkan bahwa grafik histogram berdistribusi normal dengan pola distribusi yang tidak menceng (skewness) ke kiri maupun menceng (kurtosis) ke kanan.
Gambar 4.2 Hasil Uji Normal Probability Plot
Sumber: Data sekunder yang diolah, 2013
Pada grafik normal plot terlihat titik-titik menyebar disekitar garis diagonal, dengan penyebaran mengikuti arah garis diagonal. Berdasarkan gambar 4.1 dan gambar 4.2 dapat dikatakan bahwa model regresi memenuhi asumsi normalitas, sehingga layak digunakan.
Hasil uji statistik rasio skewnessdan rasiokurtosisdapat dilihat pada tabel 4.20 dibawah ini.
Tabel 4.20 Hasil Uji Normalitas dengan RasioSkewnessdanKurtosis
N Skewness Kurtosis Statistic Statistic Std. Error Statistic Std. Error Unstandardized Residual 75 .138 .277 .479 .548 Valid N (listwise) 75
Sumber: Data sekunder yang diolah, 2013
Tabel 4.20 menunjukkan statistik skewness 0,138 dan standar error 0,277 maka nilai rasio skewness 0,498 dari 0,138/0,277; sedangkan statistik kurtosis
o,479 dan standar error 0,548 maka nilai rasio kurtosis 0,874 dari 0,479/0,548; karena rasioskewnessdan rasiokurtosisberada diantara -2 hingga +2, maka dapat disimpulkan bahwa distribusi data adalah normal. Hasil uji Kolmogorov Smirnov
(K-S) dapat dilihat pada tabel 4.21 berikut.
Tabel 4.21 Hasil Uji Normalitas dengan UjiKolmogorov Smirnov(K-S)
Unstandardized Residual
N 75
Normal Parametersa Mean .0000000 Std. Deviation 6.32576014 Most Extreme Differences Absolute .060
Positive .056
Negative -.060
Kolmogorov-Smirnov Z .516
Asymp. Sig. (2-tailed) .953
a. Test distribution is Normal.
Sumber: Data sekunder yang diolah, 2013
Tabel 4.21 menunjukkan bahwa besarnya nilai Asymp. Sig. (2-tailed) adalah 0,953 dan lebih besar dari 0,05. Selain itu, nilai Kolmogorov Smirnov (K-S) sebesar 0,516 dan tidak signifikan pada 0,05 maka dapat dikatakan bahwa uji normalitas terpenuhi.
2. Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah model regresi linier ada korelasi antar pengganggu pada periode t dengan kesalahan pada periode t-1 (sebelumnya). Model regresi yang baik adalah regresi yang bebas dari autokorelasi (Ghozali, 2011). Untuk mendeteksi terjadinya autokorelasi dapat dilakukan dengan pengujian terhadap nilai uji Durbin-Watson (Uji DW). Nilai dl dan du untuk jumlah variabel independen 7 dengan jumlah sampel 75 pada taraf signifikansi 0,05 adalah sebesar dl (1,428) dan du (1,834). Hasil perhitungan uji autokorelasi dapat dilihat pada tabel dibawah ini:
Tabel 4.22 Hasil Uji Autokorelasi
Model R
Std. Error of the
Estimate Durbin-Watson
1 .730a 6.64800 1.861
a. Predictors: (Constant), SQRAGE, SQRTLEV, KONST, SQRRAKOM, SQRUDIT, KMI, SQRUKOM
b. Dependent Variable: ICD
Sumber: Data sekunder yang diolah, 2013
Tabel 4.22 menunjukkan bahwa DW sebesar 1,861 lebih besar dari batas du (1,834) dan kurang dari 4 - 1,834 (4 – du), berdasarkan kriteria tabel nilai uji durbin watson halaman 66, hasil ini menunjukkan tidak ada autokorelasi positif atau negatif. Dapat disimpulkan bahwa tidak ada korelasi pengganggu pada periode t dengan kesalahan pada periode t-1.
3. Uji Multikolinieritas
Uji multikolinieritas bertujuan untuk menguji apakah model regresi ditemukan korelasi antar variabel bebas (independen) (Ghozali, 2011). Pendekatan yang digunakan untuk menguji ada tidaknya multikolinieritas dengan
uji tesVariance Inflation Factor(VIF), dengan analisis jika nilaitolerance> 0,10 dan VIF < 10, maka dapat diartikan bahwa tidak terdapat multikolinieritas pada penelitian tersebut atau jika nilai tolerance < 0,10 dan VIF > 10, maka dapat diartikan bahwa terdapat multikolinieritas pada penelitian tersebut. Hasil uji multikolinieritas dapat dilihat pada tabel 4.23.
Tabel 4.23 menunjukkan bahwa terdapat korelasi yang sangat kuat yaitu antara RAKOM dengan RADIT (-0,603) dan UKOM dengan RADIT (-0,609). Hal ini berarti pada model regresi ini telah terkena gejala multikolinieritas. Selanjutnya dengan memperhatikan nilai VIF (Variance Inflation Factor) dan
Tolerance, bila nilai VIF danTolerancemendekati 1, dapat dikatakan telah terjadi gejala multikolinieritas terhadap model regresi ini. Untuk lebih jelasnya lihat tabel 4.23.
Tabel 4.23 Uji Multikolinieritas dengan Matriks Korelasi Coefficient Correlationsa
Model SQRAGE SQRTLEV KONST SQRRADIT KMI SQRUDIT SQRRAKOM SQRUKOM 1 Correlations SQRAGE 1.000 .173 .236 -.081 -.217 -.088 .149 -.199 SQRTLEV .173 1.000 .176 .015 -.343 -.139 .259 -.139 KONST .236 .176 1.000 -.225 -.001 -.187 .362 -.023 SQRRADIT -.081 .015 -.225 1.000 .245 -.070 -.603 -.609 KMI -.217 -.343 -.001 .245 1.000 -.122 -.409 .015 SQRUDIT -.088 -.139 -.187 -.070 -.122 1.000 -.047 -.250 SQRRAKOM .149 .259 .362 -.603 -.409 -.047 1.000 .238 SQRUKOM -.199 -.139 -.023 -.609 .015 -.250 .238 1.000 Covariances SQRAGE .596 .206 .008 -.070 -.106 -.261 .093 -.431 SQRTLEV .206 2.368 .012 .026 -.333 -.820 .323 -.599 KONST .008 .012 .002 -.011 -4.246E-5 -.032 .013 -.003 SQRRADIT -.070 .026 -.011 1.237 .172 -.296 -.544 -1.895 KMI -.106 -.333 -4.246E-5 .172 .398 -.294 -.209 .026 SQRUDIT -.261 -.820 -.032 -.296 -.294 14.701 -.145 -2.683 SQRRAKOM .093 .323 .013 -.544 -.209 -.145 .657 .540 SQRUKOM -.431 -.599 -.003 -1.895 .026 -2.683 .540 7.826 a. Dependent Variable: ICD
Sumber: Data sekunder yang diolah, 2013
Tabel 4.24 Uji Multikolinieritas dengan VIF
Coefficientsa Model
Unstandardized Coefficients Standardized Coefficients
t Sig.
Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) -17.542 7.729 -2.270 .026 KMI -.788 .631 -.124 -1.250 .216 .688 1.454 SQRTLEV .212 1.539 .013 .138 .891 .776 1.289 SQRUKOM 8.489 2.797 .389 3.035 .003 .413 2.422 SQRRAKOM 3.747 .811 .553 4.623 .000 .473 2.114 SQRUDIT 10.048 3.834 .256 2.621 .011 .707 1.415 SQRRADIT -1.914 1.112 -.250 -1.721 .090 .322 3.106 KONST .063 .045 .134 1.395 .168 .737 1.357 SQRAGE 2.084 .772 .247 2.698 .009 .805 1.242 a. Dependent Variable: ICD
Pada model regresi ini terdapat masalah multikolinieritas maka proses dilanjutkan dengan membuang variabel bebas yang mempunyai korelasi sangat kuat dengan variabel bebas lainnya, karena terdapat dua variabel bebas yang memiliki korelasi kuat yaitu RAKOM dengan RADIT dan UDIT dengan RADIT, maka yang harus dibuang terlebih dahulu adalah RADIT, kemudian dilakukan proses regresi ulang.
Tabel 4.25 Uji Multikolinieritas dengan Matriks Korelasi tanpa RADIT
Coefficient Correlationsa
Model SQRAGE SQRTLEV KONST SQRRAKOM SQRUDIT KMI SQRUKOM
1 Correlations SQRAGE 1.000 .175 .224 .126 -.094 -.204 -.315 SQRTLEV .175 1.000 .185 .336 -.138 -.358 -.164 KONST .224 .185 1.000 .292 -.208 .057 -.207 SQRRAKOM .126 .336 .292 1.000 -.111 -.338 -.205 SQRUDIT -.094 -.138 -.208 -.111 1.000 -.108 -.370 KMI -.204 -.358 .057 -.338 -.108 1.000 .213 SQRUKOM -.315 -.164 -.207 -.205 -.370 .213 1.000 Covariances SQRAGE .610 .213 .008 .064 -.286 -.099 -.553 SQRTLEV .213 2.436 .013 .344 -.837 -.346 -.575 KONST .008 .013 .002 .009 -.036 .002 -.021 SQRRAKOM .064 .344 .009 .430 -.283 -.137 -.302 SQRUDIT -.286 -.837 -.036 -.283 15.058 -.261 -3.229 KMI -.099 -.346 .002 -.137 -.261 .385 .297 SQRUKOM -.553 -.575 -.021 -.302 -3.229 .297 5.065
a. Dependent Variable: ICD
Tabel 4.26 Uji Multikolinieritas dengan VIF tanpa RADIT Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) -13.088 7.388 -1.772 .081 KMI -.523 .620 -.082 -.843 .402 .732 1.367 SQRTLEV .252 1.561 .015 .161 .872 .776 1.288 SQRUKOM 5.556 2.251 .254 2.469 .016 .657 1.523 SQRRAKOM 2.905 .656 .429 4.430 .000 .744 1.344 SQRUDIT 9.589 3.880 .245 2.471 .016 .710 1.408 KONST .045 .044 .097 1.020 .311 .776 1.288 SQRAGE 1.975 .781 .235 2.530 .014 .810 1.234
a. Dependent Variable: ICD
Sumber: Data sekunder yang diolah, 2013
Tabel 4.25 dan 4.26 menunjukkan bahwa tidak terdapat korelasi antar variabel bebas yang kuat (lebih besar 0,5). Nilai tolerance kurang dari 0,10 dan hasil perhitungan nilai VIF juga menunjukkan hal yang sama yaitu tidak ada satupun variabel independen yang memiliki nilai VIF lebih dari 10. Jadi dapat dikatakan bahwatidak terjadi multikolinieritas antar variabel independen dalam model regresi. Tabel 4.27 dibawah ini akan memperjelas ringkasan dari hasi uji multikolinieritas.
Tabel 4.27 Ringkasan Hasil Uji Multikolinieritas
Variabel Independen Tolerance VIF Kesimpulan
Kinerja Modal Intelektual 0,732 1,367 Tidak ada multikolinieritas
Tingkat Utang 0,776 1,288 Tidak ada multikolinieritas
Ukuran Dewan Komisaris 0,657 1,523 Tidak ada multikolinieritas Jumlah Rapat Dewan Komisaris 0,744 1,344 Tidak ada multikolinieritas Ukuran Komite Audit 0,710 1,408 Tidak ada multikolinieritas Konsentrasi Kepemilikan Saham 0,776 1,288 Tidak ada multikolinieritas UmurListing 0,810 1,234 Tidak ada multikolinieritas Sumber: Data sekunder yang diolah, 2013
4. Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dan residual satu pengamatan ke pengamatan yang lain (Ghozali, 2011). Jika variance dari residual satu pengamatan ke pengamatan lain tetap, maka disebut sebagai homokedastisitas dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik adalah yang homokedastisitas. Pengujian heteroskedastisitas dalam penelitian ini menggunakan metode scatterplot pada uji regresi yang telah dilakukan sebelumnya. Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas (Ghozali, 2011). Hasil uji heteroskedastisitas dapat dilihat pada gambar 4.3.
Gambar 4.3 Hasil Uji Heteroskedastisitas
Dari grafik scatterplots di atas terlihat bahwa titik-titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y hal ini dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi, sehingga model regresi layak dipakai untuk memprediksi variabel dependen berdasarkan masukan variabel independennya.