BAB IV TEMUAN PENELITIAN DAN PEMBAHASAN
B. Temuan Hasil Penelitian
2. Hasil Uji Asumsi Klasik
Uji asumsi klasik perlu dilakukan agar model regresi yang dijadikan estimasi dalam penelitian bersifat tidak bias (Deviyanti dan Sudana,
79 2018). Uji asumsi klasik terdiri dari uji normalitas, uji multikolinearitas, uji autokorelasi, dan uji heterokedastisitas. Berikut hasil uji asumsi klasik yang dilakukan pada model regresi:
a. Uji Normalitas
Uji normalitas bertujuan untuk menguji nilai residual dalam model regresi terdistribusi secara normal atau tidak (Ghozali, 2018: 27). Model regresi yang baik memiliki data residual yang terdistribusi normal (Wijaya, 2009: 126). Dalam penelitian ini peneliti melakukan uji normalitas dengan menganalisis plot grafik histogram, grafik normal probability plot (p-plot) dan uji statistik non-parametrik Kolmogorov-Smirnov.
Berikut adalah hasil dari uji normalitas dengan plot grafik
histogram:Gambar 2
Gambar 4.1
Hasil Uji Normalitas dengan Plot Grafik Histogram
80 Berdasarkan gambar 4.1 menunjukkan bahwa uji plot grafik histogram menggambarkan bentuk simetris berupa bentuk lonceng, sehingga dapat disimpulkan bahwa uji normalitas dengan uji plot grafik histogram menunjukkan data dalam penelitian terdistribusi normal.
Uji normalitas berikutnya adalah dengan p-plot grafik, yaitu
dengan hasil sebagai berikut:Gambar 3
Gambar 4.2
Hasil Uji Normalitas dengan Normal P-Plot Grafik
Sumber: Output SPSS yang diolah (2020).
Pada gambar 4.2, uji grafik p-plot menggambarkan titik-titik menyebar di sekitar sumbu diagonal serta mengikuti arah sumbu diagonal, hal ini menjelaskan bahwa data terdistribusi normal.
Uji plot grafik histogram dan uji grafik p-plot dapat mendeteksi normal atau tidaknya pendistribusian data, namun terkadang dapat
81 menyesatkan karena meskipun pada grafik data terlihat terdistribusi secara normal tetapi secara statistik sebenarnya tidak normal (Ghozali, 2018: 32). Maka dianjurkan untuk melengkapi uji grafik dengan melakukan uji statistik yakni uji Kolmogorov-Smirnov,
hasilnya adalah sebagai berikut:Tabel 8
Tabel 4.4
Hasil Uji Normalitas dengan Uji Kolmogorov-Smirnov
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual N 375 Normal Parametersa,b Mean 0,0000000 Std. Deviation 0,29077356 Most Extreme Differences Absolute 0,039 Positive 0,019 Negative -0,039 Test Statistic 0,039
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 (2020).
Uji normalitas berikutnya adalah dengan p-plot grafik, yaitu dengan hasil sebagai berikut:
Berdasarkan tabel 4.4 hasil uji Kolmogorov-Smirnov
menunjukkan nilai probabilitas signifikansi data residual sebesar 0,200. Hal tersebut menjelaskan bahwa data terdistribusi normal karena nilai probabilitas lebih besar dari 0,05.
82 Dapat disimpulkan bahwa dari hasil uji normalitas dengan uji plot grafik histogram, grafik p-plot, dan Kolmogorov-Smirnov, nilai residual dalam model regresi terdistribusi secara normal sehingga dapat dikatakan model regresi memenuhi asumsi uji normalitas. b. Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji ada atau tidaknya korelasi antar variabel independen dalam model regresi yang digunakan. Uji multikolinearitas dilihat dari nilai tolerance (TOL) dan nilai variance inflation factor (VIF) (Ghozali, 2018: 107).
Berikut merupakan hasil uji multikolinearitas:Tabel 9
Tabel 4.5
Hasil Uji Multikolinearitas
Coefficientsa Model Collinearity Statistics Tolerance VIF 1 (Constant) ID 0,938 1,066 DIVOPR 0,954 1,048 DIVGEO 0,950 1,053 KOMPBON 0,937 1,067
a. Dependent Variable: DAC
Sumber: Output SPSS yang diolah (2020).
Tabel 4.5 memaparkan hasil uji multikolinearitas dengan nilai TOL sebesar 0,937 hingga 0,954 dan nilai VIF sebesar 1,048 hingga 1,067. Sehingga dapat disimpulkan bahwa nilai TOL ≥ 0,10 dan nilai VIF ≤ 10, maka tidak ada multikolinearitas antar variabel independen dalam model regresi.
83 c. Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji ada atau tidaknya korelasi antara nilai residual pada model regresi satu pengamatan dengan pengamatan lain (Ghozali, 2018: 111). Uji autokorelasi yang digunakan peneliti merupakan uji Durbin-Watson dan uji statistik
non-parametrik run test. Gambar 4
Tabel 4.6 memaparkan hasil dari uji autokorelasi dengan
Durbin-Watson, yaitu:Tabel 10
Tabel 4.6
Hasil Uji Autokorelasi dengan Uji Durbin-Watson
Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 ,274a 0,075 0,065 0,29234 1,855
a. Predictors: (Constant), KOMPBON, DIVOPR, DIVGEO, ID b. Dependent Variable: DAC
Sumber: Output SPSS yang diolah (2020).
Berdasarkan tabel 4.6 dapat dilihat bahwa nilai Durbin-Watson adalah 1,855. Gambar 4.3 memaparkan posisi nilai Durbin-Watson:
Gambar 4.3
Posisi Nilai Durbin-Watson
Sumber: Output SPSS yang diolah (2020).
0 dL dU 4-dU 4-dL 1,808 1,851 2,149 2,192 d 1,855
84 Berdasarkan tabel 4.6 Uji Durbin-Watson dengan tingkat signifikansi 5%, jumlah sampel 375, dan jumlah variabel independen serta dependen adalah 5, maka nilai dU sebesar 1,851, nilai dL sebesar 1,808, dan nilai 4-dU sebesar 2,149. Pada gambar 4.3 dipaparkan bahwa nilai tersebut sesuai dengan ketentuan pengambilan keputusan dU < d < 4-dU, yaitu 1,851 < 1,855 < 2,149. Sehingga dapat disimpulkan bahwa tidak ada autokorelasi antara nilai residual pada model regresi.
Uji autokorelasi berikutnya adalah dengan uji run test, berikut hasil dari uji tersebut:Tabel 11
Tabel 4.7
Hasil Uji Autokorelasi dengan Uji Run Test
Runs Test
Unstandardized Residual
Test Valuea 0,00086
Cases < Test Value 187
Cases >= Test Value 188
Total Cases 375
Number of Runs 173
Z -1,603
Asymp. Sig. (2-tailed) 0,109
a. Median
Sumber: Output SPSS yang diolah (2020).
Berdasarkan tabel 4.7 menunjukkan bahwa uji run test dengan nilai probabilitas signifikansi data residual sebesar 0,109 lebih besar dari 0,05 yakni nilai probabilitas signifikansi yang ditetapkan,
85 sehingga dapat disimpulkan bahwa antara nilai residual pada model regresi terbebas dari autokorelasi.
Setelah dilakukan uji autokorelasi dapat disimpulkan bahwa dari hasil uji dengan uji Durbin-Watson dan run test, tidak terjadi autokorelasi antara nilai residual pada model regresi.
d. Uji Heterokedastisitas
Uji heterokedastisitas bertujuan untuk menguji dalam model regresi bahwa variance nilai residual memiliki kesamaan atau tidak dari satu pengamatan ke pengamatan lain (Ghozali, 2018: 137). Uji heterokedastisitas dapat dilakukan dengan uji park dengan hasil sebagai berikut:Tabel 12
Tabel 4.8
Hasil Uji Heterokedastisitas dengan Uji Park
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) -3,380 0,600 5,634 0,000 ID 0,193 0,229 0,045 0,841 0,401 DIVOPR -0,070 0,077 -0,048 -0,913 0,362 DIVGEO -0,212 0,132 -0,085 -1,605 0,109 KOMPBON 0,016 0,576 0,002 0,029 0,977
a. Dependent Variable: LnReskuadrat Sumber: Output SPSS yang diolah (2020).
Tabel 4.8 menunjukkan bahwa nilai probabilitas signifikansi antara variabel independen dengan logaritma dari hasil kuadrat nilai
86 residual adalah lebih besar dari 0,05, sehingga model regresi terbebas dari heterokedastisitas.