HASIL DAN PEMBAHASAN A. Sekilas Gambaran Umum Objek Penelitian
B. Analisis dan Pembahasan
2. Hasil Uji Asumsi Klasik a.Uji Normalitas a.Uji Normalitas
Uji normalitas bertujuan untuk menguji variabel pengganggu atau residual dalam model regresi mempunyai distribusi normal atau tidak. Salah satu cara termudah untuk melihat normalitas residual adalah dengan melihat grafik histogram yang membandingkan antara data
86
observasi dengan distribusi yang mendekati distribusi normal. Hasil uji normalitas berdasarkan grafik histogram disajikan pada gambar berikut ini.
Gambar 4.1
Hasil Uji Normalitas Menggunakan Histogram
Uji yang kedua menggunakan uji pengganggu yang terdistribusi secara normal. Normal Probability Plot yang membandingkan distribusi kumulatif dari data yang sesungguhnya dengan distribusi kumulatif dari data distribusi normal. Gambar 4.1 merupakan hasil uji normal probability plot sebagai berikut.
87 Gambar 4.1
Hasil Uji Normalitas Menggunakan Grafik P-Plot
Pada grafik normal plot terlihat titik menyebar disekitar garis diagonal. Dengan memperhatikan grafik ini, dapat dikatakan bahwa model regresi memenuhi asumsi normalitas sehingga layak untuk digunakan.
Uji normalitas selanjutnya yang digunakan dalam penelitian ini adalah uji statistic non-parametrik One-Sample Kolmogorof-Smirnof Test. Nilai signifikansi dari residual yang terdistribusi secara normal adalah jika nilai Asymp. Sig (2-tailed) dalam uji One-Sample Kolmogorof-Smirnof Test lebih besar dari α = 0,05. Uji normalitas
88 Tabel 4.4
Hasil Uji Normalitas (One-Sample Kolmogorof-Smirnof Test) One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual N 83 Norm al Para meter sa,b Mean ,0000000 Std. Deviation ,07428122 Most Extre me Differ ences Absolute ,073 Positive ,073 Negative -,057 Test Statistic ,073
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 : Data Diolah (output SPSS 22)
Tabel di atas menunjukan hasil perhitungan dengan menggunakan uji One-Sample Kolmogorof-Smirnof Test yang memiliki probabilitas
tingkat signifikansi di atas kepercayaan α = 0,05 yaitu 0,200. Hal ini
berarti dapat disimpulkan bahwa data dalam penelitian ini berdistribusi normal.
b. Uji Multikolinieritas
Uji multikolinieritas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas (independen). Model regresi yang baik yaitu model regresi yang tidak terjadi korelasi di antara variabel independen. Untuk mengetahui ada atau tidaknya multikolinieritas dapat dilihat dari nilai Tolerance dan lawannya
89
Variance Inflation Factor (VIF) dalam Collinearity Statistics. Hasil uji multikolinieritas terdapat pada tabel 4.5 berikut ini.
Tabel 4.5
Hasil Uji Multikolinieritas Coefficientsa Model Collinearity Statistics Tolerance VIF 1 (Constant) KDK ,853 1,172 KA ,891 1,122 KK ,829 1,206 FD ,898 1,113 AIP ,969 1,032 a. Dependent Variable: VD
Sumber : Data Diolah (output SPSS 22)
Setiap peneliti harus menentukan tingkat kolinieritas yang masih dapat ditolerir. Sebagai misal nilai tolerance = 0,10 sama dengan tingkat kolinieritas 0,95. (Ghozali,2013). Selanjutnya dengan melihat nilai VIF, jika tidak terdapat nilai VIF yang lebih dari 10 menunjukan bahwa antar variabel independen dalam model regresi tidak terdapat multikolinieritas. Tabel berikut ini menunjukan ringkasan dari hasil uji multikolinieritas.
Tabel 4.6
Ringkasan Hasil Uji Multikolinieritas
Variabel Independen Collinearity Statistics Kesimpulan
Tolerance VIF
Komposisi Dewan Komisaris 0,853 1,172 Tidak ada multikolinieritas
EfektivitasKomite Audit 0,891 1,122 Tidak ada multikolinieritas
Konsentrasi Kepemilikan 0,829 1,206 Tidak ada multikolinieritas
Financial Distress 0,898 1,113 Tidak ada multikolinieritas
Assets in Place 0,969 1,032 Tidak ada multikolinieritas Sumber : Data Diolah
90
Berdasarkan pada tabel di atas, terlihat bahwa tidak ada variabel independen yang memiliki nilai Tolerance kurang dari 0,10. Selanjutnya hasil perhitungan VIF juga menunjukan hal yang sama yaitu tidak ada satupun variabel independen yang memiliki nilai VIF lebih besar dari 10. Sehingga dapat disimpulkan bahwa tidak terjadi multikolinieritas antar variabel independen dalam model regresi.
c. Uji Heteroskedastisitas
Uji heteroskedastisitas digunakan untuk melihat apakah dalam sebuah model regresi terjadi ketidaksamaan varians dari residual satu pengamatan ke pengamatan lain (Ghozali, 2013:139).. Model regresi yang baik adalah tidak terjadi heteroskedastisitas. Kebanyakan data
crossection mengandung situasi yang heteroskedastisitas karena data ini menghimpun berbagai data yang memiliki semua ukuran baik kecil, sedang, maupun besar Dalam penelitian ini uji heteroskedastisitas yang digunakan adalah uji Glejser. Uji Glejser dilakukan untuk meregresi nilai absolute residual terhadap variabel independen. Jika nilai signifikansi antar variabel independen dengan absolute residualnya lebih dari tingkat signifikansi 0,05 maka tidak terjadi masalah heteroskedastisitas.
91 Tabel 4.7 Uji Glejser Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta (Constant) ,073 ,050 1,468 ,146 KDK -,021 ,047 -,053 -,442 ,660 KA -,026 ,033 -,094 -,795 ,429 KK ,031 ,023 ,164 1,340 ,184 FD -,003 ,031 -,010 -,082 ,935 AIP ,141 ,830 ,019 ,170 ,866
a. Dependent Variable: ABS_RES Sumber : Data Diolah (output SPSS 22)
Jika variabel independen secara signifikan mempengaruhi variabel dependen dengan tingkat kepercayaan di bawah 5% berarti ada indikasi terjadinya heteroskedastisitas. Model regresi yang baik adalah yang tidak terjadi heteroskedastisitas. Hasil Uji Glejser dapt dilihat pada tabel 4.8 berikut ini.
Tabel 4.8
Hasil Uji Heteroskedastisitas
Variabel Independen Sig Keterangan
Komposisi Dewan Komisaris 0,660 Tidak ada heteroskedastisitas EfektivitasKomite Audit 0,429 Tidak ada heteroskedastisitas Konsentrasi Kepemilikan 0,184 Tidak ada heteroskedastisitas
Financial Distress 0,935 Tidak ada heteroskedastisitas
Assets in Place 0,866 Tidak ada heteroskedastisitas Sumber : Data Diolah
Hasil perhitungan heteroskedastisitas dengan menggunakan Uji Glejser pada tabel mengindikasikan nilai probabilitas signifikansinya di atas 5% sehingga dapat disimpulkan bahwa model regresi yang digunakan tidak terdapat adanya heteroskedastisitas.
92 d. Uji Autokorelasi
Uji autokorelasi bertujuan apakah dalam model regresi linier terdapat korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 (sebelumnya). Model regresi yang baik adalah regresi yang bebas dari autokorelasi atau tidak terjadi autokorelasi. Uji autokorelasi yang digunakan dalam penelitian ini adalah uji Durbin-Watson. Hasil uji autokorelasi dapat dilihat pada tabel 4.9 berikut ini.
Tabel 4.9
Hasil Uji Autokorelasi Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 ,604a ,365 ,323 ,07666 1,962
a. Predictors: (Constant), AIP, FD, KA, KDK, KK b. Dependent Variable: VD
Sumber : Data Diolah (output SPSS 22)
Dari tabel di atas dapat dilihat bahwa nilai DU adalah 1,772 sementara nilai DW adalah 1,962 lebih besar dari batas DU dan kurang dari (4 – DU) / (4 - 1,772) = 2,228. Jadi dapat disimpulkan bahwa tidak terjadi autokorelasi positif atau negatif.