BAB IV. ANALISIS DAN PEMBAHASAN
4.1.2 Pengujian Asumsi Klasik
Pengujian asumsi klasik harus dilakukan peneliti sebelum melakukan uji hipotesis Pengujian asumsi klasik ini perlu dilakukan dengan tujuan untuk mengetahui apakah distribusi data yang digunakan dalam penelitian sudah normal, serta bebas dari gejala multikolinearitas, heteroskedastisitas dan autokorelasi. Hal ini merupakan salah satu syarat yang mendasari model regresi berganda dengan metode estimasi Ordinary Least Square (OLS).
a. Uji Normalitas Data
Uji normalitas bertujuan untuk mengetahui varians pengganggu atau residual berdistribusi secara normal serta untuk menghindari adanya bias dalam model regresi. Pengujian normalitas data dalam penelitian ini menggunakan uji statistik non-parametrikKolmogorov-Smirnov(K-S), dengan membuat hipotesis:
H0 : Data residual berdistribusi normal Ha : Data residual tidak berdistribusi normal
Apabila nilai signifikansi lebih besar dari 0.05 maka H0 diterima, sedangkan jika nilai signifikansi lebih kecil dari 0.05 maka H0 ditolak.
Table 4.2
Hasil Uji Normalitas I
Dari hasil pengolahan data tersebut, diperoleh bahwa data dalam penelitian ini tidak terdistribusi secara normal, dimana variabel Komite Audit dan Leverage memiliki nilai signifikansi yang lebih kecil dari 0.05 (5%). Untuk itu, perlu dilakukan tindakan perbaikan (treatment) agar model regresi memenuhi asumsi normalitas. Beberapa cara untuk mengubah model regresi menjadi normal, menurut Jogiyanto (2004:172) terdapat tiga cara untuk menormalkan distribusi data, yaitu:
1. Melakukantransformasi data kebentuklain, yaitu logaritma natural, akar kuadrat, logaritma 10
One-Sample Kolmogorov-Smirnov Test Corporate Social Responsibility Komite Audit Proporsi Dewan Komisaris Ukuran
Perusahaan Profitabilitas Leverage
N 45 45 45 45 45 45 Normal Parameter sa,b Mean .3467189 .9620 .4022 12.8431 24.7980 1.1371 Std. Deviation .12202282 .11494 .08746 .57589 24.73193 1.23166 Most Extreme Differences Absolute .162 .518 .179 .116 .117 .214 Positive .068 .370 .155 .062 .082 .203 Negative -.162 -.518 -.179 -.116 -.117 -.214 Kolmogorov-Smirnov Z 1.088 3.478 1.199 .775 .783 1.434
Asymp. Sig. (2-tailed) .187 .000 .113 .585 .572 .033
a. Test distribution is Normal. b. Calculated from data.
2. Trimming, yaitu memangkas (membuang) observasi yang bersifat outlier, yaitu nilainya lebih kecil dari μ - 2σ atau lebih besar dari μ + 2σ,
3. Winzorising, yaitu mengubah nilai-nilai outlier menjadi nilai-nilai minimum atau maksimum yang diizinkan supaya distribusinya menjadi normal.
Memulihkan ketidaknormalan data diatas, untuk variabel Komite Audit peneliti melakukan transformasi data ke model logaritma natural (k-x), dimana k adalah nilai tertinggi (maksimum) dari data mentah x hal ini dikarenakan histogramnya menunjukkan subtansial negative skewness (Ghozali, 2005:37). Untuk variabel Leverage peneliti melakukan transformasi data ke model logaritma natural (x) dikarenakan histogramnya menunjukkan sustansial positive skewness (Ghozali, 2005:37). Kemudian data diuji ulang berdasarkan asumsi normalitas. Berikut ini hasil pengujian dengan Kolmogorov-Smirnov .
Tabel 4.3
Hasil Uji Normalitas II
Dari hasil pengolahan data pada table 4.3 diatas kita dapat melihat bahwa seluruh variabel telah terdistribusi secara normal dimana semua variabel memiliki nilai signifikan yang lebih dari 0.05, dengan demikian kita dapat melanjutkan penelitian dengan uji asumsi klasik lainnya. Untuk lebih jelas, berikut ini dilampirkan grafik histogram dan P-P plot data yang terdistribusi secara normal.
One-Sample Kolmogorov-Smirnov Test Corporate Social Responsibility Komite Audit Proporsi Dewan Komisaris Ukuran
Perusahaan Profitabilitas Leverage
N 45 5 45 45 45 45
Normal Parametersa,b Mean .3467189 -1.1283 .4022 12.8431 24.7980 -.3329
Std. Deviation
.12202282 .37704 .08746 .57589 24.73193 .95517
Most Extreme Differences Absolute .162 .175 .179 .116 .117 .143
Positive .068 .153 .155 .062 .082 .143
Negative -.162 -.175 -.179 -.116 -.117 -.080
Kolmogorov-Smirnov Z 1.088 .390 1.199 .775 .783 .957
Asymp. Sig. (2-tailed) .187 .998 .113 .585 .572 .318
a. Test distribution is Normal. b. Calculated from data.
Gambar 4.1 Normal P-Plot
Berdasarkan gambar 4.1 dapat dilihat bahwa penyebaran data mendekati normal atau memenuhi asumsi normalitas, dimana titik-titik menyebar di sekitar garis diagonal dan penyebarannya mengikuti arah garis diagonal. Hal tersebut juga dapat dilihat dari grafik histogram dibawah.
Gambar 4.2 Histogram
Dari grafik tersebut dapat disimpulkan bahwa distribusi data mendekati normal, karena grafik histogram menunjukkan garis diagonal yang tidak menceng (skewness) baik ke kanan maupun ke kiri.
b. Uji Multikolinearitas
Tujuan uji multikolinieritas adalah untuk menguji ada tidaknya hubungan antar variabel independen dalam model regresi. Model regresi yang baik seharusnya tidak terjadi
korelasi di antara varabel bebasnya. Deteksi yang dilakukan dengan melihat nilai VIF (Variable Inflation Factor) dan toleransi. Pengujian dilakukan dengan menggunakan Software SPSS for Windows. Nilai VIF dan toleransi dapat dilihat dalam tabel 4.4 berikut ini.
Tabel 4.4 Uji Multikolinearitas Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) -1.046 .431 -2.428 .020 Komite Audit -.035 .140 -.033 -.249 .805 .897 1.115 Proporsi Dewan Komisaris -.353 .216 -.253 -1.639 .109 .654 1.529 Ukuran Perusahaan .122 .030 .575 4.016 .000 .763 1.310 Profitabilitas -.001 .001 -.128 -.824 .415 .649 1.541 Leverage -.062 .020 -.485 -3.113 .003 .645 1.551
a. Dependent Variable: Corporate Social Responsibility
Berdasarkan tabel 4.4 dapat disimpulkan bahwa tidak terjadi korelasi di antara variabel independen, dengan kata lain variabel-variabel independen dalam penelitian ini bebas dari gejala multikolinearitas. Jika dilihat pada tabel semua variabel independen memiliki VIF sekitar 1, atau VIF < 10. Selain itu nilai toleransi untuk setiap variabel independen lebih besar dari
0,1 (tolerance > 0,1) dengan demikian dapat disimpulkan tidak ada multikolinearitas dalam model regresi ini.
c. Uji Autokorelasi
Untuk menguji ada tidaknya autokorelasi, peneliti menggunakan uji Durbin-Watson. Hasil pengujian autokorelasi adalah sebagai berikut:
Tabel 4.5
Uji Autokorelasi Durbin Watson
Kriteria untuk penilaian terjadinya autokorelasi yaitu: 1. nilai D-W lebih kecil dari -2 berarti ada korelasi positif,
2. nilai D-W di antara -2 sampai +2 berarti tidak ada autokorelasi,
3. nilai D-W lebih besar dari +2 berarti ada autokorelasi negatif.
Dari tabel di atas diketahui bahwa nilai D-W yang didapat sebesar 1,146 yang berarti termasuk pada kriteria kedua,
Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .625a .391 .312 .10117808 1.146
a. Predictors: (Constant), Leverage, Profitabilitas, Komite Audit, Ukuran Perusahaan, Proporsi Dewan Komisaris
sehingga dapat disimpulkan bahwa model regresi tidak terjadi autokorelasi negatif.
d. Uji Heterokedastisitas
Dalam penelitian ini untuk melihat ada tidaknya gejala heterokedastisitas adalah dengan melihat plot grafik yang dihasilkan dari pengolahan data dengan menggunakan SPSS. Dasar pengambilan keputusannya adalah:
Jika ada pola tertentu, seperti titik-titik yang teratur, maka telah terjadi heterokedastisitas
Jika tidak ada pola tertentu, serta titik-titik yang menyebar tidak tertentu di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heterokedastisitas, atau terjadi homokedastisitas.
Berikut ini adalah grafik scatterplot untuk menganalisis apakah terjadi heterokedastisitas atau terjadi homokedastisitas dengan mengamati penyebaran titik-titik pada gambar.
Gambar 4.3
Hasil Uji Heterokedastisitas
Berdasarkan gambar 4.3 di atas dapat dilihat bahwa tidak ada membentuk pola yang jelas, dimana titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka dapat disimpulkan tidak terjadi heteroskedasititas pada model regresi ini.
4.1.3 Pengujian Hipotesis
A. Koefisien Korelasi dan Koefisien Determinasi (Goodness of