HASIL PENELITIAN DAN PEMBAHASAN
4.2 Analisis Hasil Penelitian .1 Statistik Deskriptif .1Statistik Deskriptif
4.2.2.1 Uji Normalitas
Linear Unbiased Estimator). Pengujian asumsi klasik dilakukan untuk memastikan bahwa data terdistribusi normal, tidak terjadi multikolinearitas, tidak terjadi heteroskedastisitas, dan tidak terjadi autokorelasi.
4.2.2.1Uji Normalitas
Untuk mendeteksi apakah residual terdistribusi normal atau tidak, dapat dilakukan dengan dua cara, yaitu dengan analisis grafik dan uji statistik. Untuk melakukan pengujian normalitas dengan analisis grafik dapat dengan menganalisis grafik normal probability plot dan grafik histogram. Dasar pengambilan keputusan dalam uji normalitas adalah sebagai berikut:
1. Jika data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal atau grafik histogramnya menunjukkan pola distribusi normal, maka model regresi memenuhi asumsi normalitas.
2. Jika data menyebar jauh dari diagonal dan/ atau tidak mengikuti arah garis diagonal atau grafik histogram tidak menunjukkan pola distribusi normal, maka model regresi tidak memenuhi asumsi normalitas.
49 Gambar 4.1
Pengujian Normalitas 1
Gambar 4.1 memperlihatkan grafik normal probability plot, yang menunjukkan bahwa titik dalam plot terlihat menyebar jauh dari garis diagonal, baik di atas maupun di bawah garis diagonal. Hal tersebut berarti data tidak terdistribusi normal.
50 Gambar 4.2
Pengujian Normalitas 2
Gambar 4.2 memperlihatkan bahwa pada grafik histogram, distribusi data tidak mengikuti kurva berbentuk lonceng dan menceng (skewness) ke arah kiri atau kanan, sehingga dapat disimpulkan bahwa data tersebut terdistribusi tidak normal.
Selain uji grafik, dilakukan juga uji Kolmogorov-Smirnov (K-S) dengan membuat hipotesis.
H0 : Data residual terdistribusi normal HA : Data residual terdistribusi tidak normal
Apabila nilai signifikansi > 0.05 dengan α = 5%, berarti distribusi data
normal dan H0 diterima, sebaliknya bila nilai signifikansi > 0.05 berarti distribusi data tidak normal dan HA diterima.
51 One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 84
Normal Parametersa,,b Mean .0000000
Std. Deviation 3.87165218E3
Most Extreme Differences Absolute .217
Positive .217
Negative -.212
Kolmogorov-Smirnov Z 1.991
Asymp. Sig. (2-tailed) .001
a. Test distribution is Normal. b. Calculated from data.
Sumber : Output SPSS, diolah penulis 2013
Tabel 4.4 Pengujian Normalitas 3
Dari hasil pengolahan data pada tabel diperoleh besarnya nilai
Kolmogorov-Smirnov adalah 1.991 dan signifikan pada 0.001. Nilai Asymp. Sig. (2-tailed) Kolmogorov-Smirnov lebih kecil dari 0.05, maka H0 ditolak yang berarti data residual berdistribusi tidak normal. Data yang tidak normal dapat disebabkan oleh adanya data outlier, yaitu data yang memiliki nilai yang sangat menyimpang dari nilai data lainnya. Cara untuk mengatasi data outlier yaitu:
1. Lakukan transformasi data ke bentuk lainnya. 2. Lakukan trimming, yaitu membuang data outlier.
3. Lakukan winsorizing, yaitu mengubah nilai data yang outlier ke suatu nilai tertentu.
52 Tindakan perbaikan yang dilakukan dalam penelitian ini menggunakan transformasi seluruh variabel penelitian dalam bentuk logaritma natural (Ln) dari Y = f(X1, X2, X3) menjadi LnY = f(LnX1, LnX2, LnX3). Bentuk ini menyebabkan data yang bernilai negatif tidak dapat ditransformasi, sehingga jumlah sampel yang valid menjadi 68 pengamatan.
Setelah dilakukan transformasi data, maka hasil uji normalitas data dapat dilihat pada grafik normal probability plot, histogram dan tabel Kolmogorov-Smirnov sebagai berikut:
Gambar 4.3 Pengujian Normalitas 4
53 Gambar 4.3 memperlihatkan grafik normal probability plot, yang menunjukkan bahwa data (titik-titik) menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal. Hal tersebut berarti data terdistribusi normal.
Gambar 4.4 Pengujian normalitas 5
Gambar 4.4 memperlihatkan grafik histogram yang menunjukkan distribusi data mengikuti kurva berbentuk lonceng yang tidak menceng (skewness) ke arah kiri atau kanan, sehingga dapat disimpulkan bahwa data tersebut terdistribusi normal.
54 One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 68
Normal Parametersa,,b Mean .0000000
Std. Deviation .94819469
Most Extreme Differences Absolute .065
Positive .065
Negative -.058
Kolmogorov-Smirnov Z .534
Asymp. Sig. (2-tailed) .938
a. Test distribution is Normal. b. Calculated from data.
Sumber: Output SPSS, data diolah penulis 2013
Tabel 4.5 Pengujian Normalitas 6
Dari tabel di atas, besarnya Kolmogorov-Smirnov (K-S) adalah 0.534 dan signifikansi pada 0.938. Hal tersebut menunjukkan bahwa hasil pengujian statistik dengan model Kolmogorov-Smirnov adalah data telah terdistribusi normal karena nilai Asymp. Sig. (2-tailed)
Kolmogorov-Smirnov lebih besar dari 0.05. Hal ini sejalan dengan hasil pengujian dengan menggunakan grafik, histogram dan model
Kolmogorov-Smirnov, sehingga dapat diambil kesimpulan bahwa data telah terdistribusi normal, sehingga dapat dilakukan pengujian asumsi klasik lainnya.
55 4.2.2.2Uji Multikolinearitas
Dalam penelitian ini, uji multikolinearitas dilakukan dengan melihat besaran korelasi antar variabel independen dan besarnya tingkat kolinearitas yang masih dapat ditoleransi, yaitu nilai Tolerance
> 0.10 dan Variance Inflation Factor (VIF) < 10. Uji multikolinearitas menunjukkan hasil seperti disajikan pada tabel pengujian berikut:
Tabel 4.6 Pengujian Multikolinearitas Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) -8.185 7.825 -1.046 .299
LnX1 4.458 2.307 .162 1.932 .058 .549 1.821
LnX2 .618 .111 .365 5.563 .000 .894 1.118
LnX3 .467 .071 .571 6.546 .000 .505 1.979
a. Dependent Variable: LnY
Sumber: Output SPSS, diolah penulis 2013
Berdasarkan data tersebut, dapat diketahui bahwa nilai
tolerance dari masing-masing variabel independen lebih besar dari 0.10, yaitu untuk variabel firm size (X1) sebesar 0.549, variabel price to book value (X2) sebesar 0.894, dan variabel beta (X3) sebesar 0.505. Nilai VIF dari masing-masing variabel independen diketahui kurang dari 10, yaitu untuk variabel firm size sebesar 1.821, variabel
price to book value sebesar 1.118, dan variabel beta sebesar 1.979. Dengan demikian dapat disimpulkan bahwa pada penelitian ini tidak terdapat multikolinearitas.
56 4.2.2.3Uji Heteroskedastisitas
Dalam penelitian ini, untuk mengetahui apakah dalam penelitian terjadi heteroskedastisitas, dapat dilihat dengan melakukan Uji Glejser. Hasil dari uji heteroskedastisitas dengan menggunakan uji
Glejser dapat dilihat sebagai berikut: Tabel 4.7 Pengujian Heteroskedastisitas Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) -2.844 4.428 -.642 .523 LnX1 1.058 1.306 .135 .810 .421 LnX2 .004 .063 .009 .071 .944 LnX3 -.049 .040 -.213 -1.224 .226
a. Dependent Variable: Abs
Sumber: Output SPSS, data diolah penulis 2013
Dari hasil output terlihat nilai Sig. untuk variabel firm size
sebesar 0.421, variabel price to book value sebesar 0.944, dan variabel beta sebesar 0.226. Nilai Sig. untuk masing-masing variabel lebih besar dari 0.05, sehingga dapat disimpulkan bahwa data tidak terkena heteroskedastisitas.