BAB IV TEMUAN PENELITIAN DAN PEMBAHASAN
B. Temuan Hasil Penelitian
2. Hasil Uji Asumsi Klasik
Uji normalitas dilakukan untuk menguji apakah terdapat variabel pengganggu atau residual memiliki distribusi normal dalam model regresi penelitian. Cara yang digunakan untuk mendeteksi residual berdistribusi normal atau tidak yaitu dengan menggunakan uji One Sample kolmogorov smirnov (K-S), grafik histogram, dan normal probability plot. Berikut ini peneliti sajikan hasil uji statistik One Sample kolmogorov smirnov (K-S) yang digunakan dalam penelitian ini.
Tabel 4.3
Hasil Uji Normalitas One Sample Kolmogorov Smirnov One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 48
Normal Parametersa.b Mean 0,0000000
Std.
Deviation
44,38228225
Most Extreme Differences
Absolute 0,085
Positive 0,085
Negative -0,080
Test Statistics 0,085
Asymp. Sig. (2-tailed) ,200c,d
a. Test distribution is Normal.
b. Calculated from data.
c. Lilliefors Significance Correction.
d. This is a lower bound of the true significance
` Sumber: Output SPSS yang diolah (2021).
Berdasarkan tabel 4.3 di atas dapat dilihat bahwa besarnya nilai Asymp. Sig 2-tailed pada model regresi adalah 0,200. Hal ini menunjukkan bahwa angka Asymp. Sig. berada diatas nilai signifikansi yaitu 0,200 > 0,050, sehingga dapat dikatakan bahwa residual terdistribusi secara normal dengan kata lain lolos dari uji normalitas.
Berikut ini adalah uji normalitas data yang dijelaskan melalui grafik histogram:
Gambar 4.1
Hasil uji normalitas grafik histogram
Sumber: Output SPSS yang diolah (2021)
Berdasarkan grafik histogram pada gambar 4.1, dapat dilihat bahwa data terdistribusi secara normal. Hal itu dapat diketahui karena grafik berbentuk simetris tidak menceng (skewness) ke kanan ataupun ke kiri, melainkan hasil yang dihasilkan pada grafik diatas berbentuk lonceng dengan titik puncak yang memiliki lengkungan tepat berada di tengah grafik. Maka dapat ditarik kesimpulan bahwa model regresi yang digunakan dalam penelitian ini telah memenuhi asumsi uji normalitas ditandai dengan bentuk grafik yang berbentuk simetris tidak menceng sehingga dapat dilanjutkan pada pengujian berikutnya.
Pengujian selanjutnya adalah uji normalitas data dengan menggunakan grafik normal probability plot. Berikut ini adalah uji normalitas data yang digunakan untuk menguji apakah model regresi
yang digunakan dalam penelitian ini telah terdistribusi normal. Pada uji normalitas kali ini menghasilkan bentuk grafik yang membentuk satu garis lurus diagonal, dengan titik-titik yang menyebar disekitar garis diagonal. Grafik normal probability plot dijelaskan melalui gambar 4.2 dibawah ini:
Gambar 4.2
Hasil uji normalitas grafik Normal Probability Plot
Sumber: Output SPSS yang diolah (2021)
Berdasarkan uji normalitas dengan grafik Normal Probability Plot pada gambar 4.2 terlihat titik-titik menyebar dengan pola mengikuti garis diagonal, hal ini menunjukkan bahwa pola yang dihasilkan dari model regresi yang digunakan dalam penelitian ini memiliki pola distribusi normal sehingga dapat disimpulkan bahwa kedua model regresi memenuhi uji normalitas.
b. Hasil Uji Multikoliniearitas
Uji multikoliniearitas bertujuan untuk menguji apakah ditemukan adanya korelasi antar variabel bebas (independen) pada model regresi. Gejala multikoliniearitas antar variabel independen dideteksi dengan menggunakan Variance Inflation Factor (VIF) dan Tolerance. Batas dari tolerance value > 0,10 dan nilai VIF < 10 menunjukkan tidak terdapat adanya gejala multikoliniearitas. Hasil dari uji multikoliniearitas dalam penelitian ini adalah sebagai berikut :
Tabel 4.4
Hasil Uji Multikoliniearitas Coefficientsa
Model Collinearity Statisticsa
Tolerance VIF
1. (Constant)
ROA 0,721 1,387
GO 0,852 1,174
DPR 0,789 1,267
AGE 0,890 1,124
a. Dependent Variable: PBV Sumber: Output SPSS yang diolah (2021).
Berdasarkan tabel 4.4 hasil uji multikoliniearitas pada semua variabel independen yang digunakan dalam penelitian ini yaitu Profitabilitas, Growth Opportunity, Kebijakan Dividen dan Umur Perusahaan dalam model regresi dengan variabel dependen PBV menunjukkan nilai tolerance > 0,10 dan nilai VIF < 10. Hal ini
menunjukkan bahwa tidak ada gejala multikoliniearitas dalam model regresi.
c. Hasil Uji Autokorelasi
Pengujian autokorelasi dilakukan untuk melihat apakah dalam model regresi linear terdapat adanya korelasi diantara data pengamatan, dimana munculnya suatu data dipengaruhi oleh data sebelumnya. Jika pada model regresi bebas dari autokorelasi, maka model regresi tersebut dikatakan baik dan sebaliknya. Untuk mendeteksi autokorelasi pada model regresi dapat dilakukan dengan uji Durbin-Watson (DW) kemudian membandingkan dengan tabel DW. Tabel DW terdiri atas dua nilai yakni batas bawah (dl) dan batas atas (du).
Apabila DW terletak antara batas atas (du) dan 4-du, maka koefisien autokorelasi sama dengan nol dan tidak terjadi autokorelasi.
Apabila DW lebih rendah dari batas bawah (dl), maka koefisien autokorelasi lebih besar dari nol dan terjadi autokorelasi positif. Apabila DW lebih besar dari 4-dl, maka koefisien autokorelasi lebih kecil dari nol dan terjadi autokorelasi negatif. Apabila DW terletak diantara batas atas (du) dan batas bawah (dl) ataupun terletak antara 4-du dan 4-dl, maka hasilnya tidak dapat disimpulkan. Adapun hasil uji autokorelasi pada penelitian ini disajikan dalam tabel berikut ini:
Tabel 4.5
Hasil Uji Autokorelasi - Durbin Watson Model Summaryb
Model Collinearity Statisticsa
R R Square Adjusted R Square
Std. Error of the Estimate
Durbin-Watson
1 ,818a 0,669 0,638 46,40068 2,223
a. Predictors: (Constant), ROA, GO, DPR, AGE b. Dependent Variable: PBV
Sumber: Output SPSS yang diolah (2021)
Berdasarkan hasil tabel output SPSS, diketahui bahwa nilai DW sebesar 2,223. Pada tabel DW, batas bawah (dl) sebesar 1,3619, batas atas (du) sebesar 1,7206, nilai 4-dl sebesar 2,6381 dan nilai 4-du sebesar 2,2794. Sehingga, nilai DW terletak diantara nilai du dan 4-du (du < DW < 4-du). Maka dapat dikatakan bahwa tidak terjadi autokorelasi dalam model regresi penelitian.
d. Hasil Uji Heteroskedastisitas
Uji Heteroskedastisitas dilakukan bertujuan untuk menguji dalam model regresi apakah terjadi ketidaksamaan varian dari residual satu pengamatan ke pengamatan yang lain. Dalam penelitian ini, uji heteroskedastisitas dilakukan dengan menggunakan grafik scatterplot.
Berikut ini disajikan hasil dari grafik scatterplot dalam pengujian heteroskedastisitas.
Gambar 4.3 Hasil grafik scatterplot
Sumber: Output SPSS yang diolah (2021)
Pada grafik scatterplot gambar 4.3 diatas, menunjukkan keadaan titik-titik yang menyebar secara acak dan tersebar diatas nilai nol maupun dibawah nilai nol pada sumbu Y. Sehingga, dapat dikatakan bahwa tidak terdapat adanya heteroskedasitas pada model regresi penelitian ini.
Untuk membuktikan dan meyakinkan bahwa tidak ada masalah heterokedastisitas, maka peneliti melakukan uji glejser.
Berikut adalah tabel hasil uji glejser:
Tabel 4.6 Hasil Uji Glejser
Coefficientsa Model Unstandardized
Coefficients
Standardized Coefficients
t Sig.
B Std.
Error
Beta
1 Constant 33,678 13,798 2,441 0,019
ROA 5,719 5,866 0,165 0,975 0,335
GO 0,543 0,335 0,253 1,621 0,112
DPR -0,038 0,100 -0,061 -0,378 0,708
AGE -0,164 0,113 -0,221 -1,453 0,153
a. Dependent Variable: ABRESID
Sumber: Output SPSS yang diolah (2021)
Tabel 4.6 menunjukkan nilai signifikansi variabel Profitabilitas (ROA), Growth Opportunity (GO), Kebijakan Dividen (DPR), dan Umur Perusahaan (AGE) diatas angka 0,05, sehingga hal ini membuktikan bahwa tidak terjadi heteroskedasitas dalam penelitian ini.