BAB IV ANALISIS HASIL PEMBAHASAN
4.3 Pengujian Asumsi Klasik
Uji Asumsi Klasik digunakan untuk menguji, apakah model regresi yang digunakan dalam penelitian ini layak diuji atau tidak. Uji Asumsi klasik digunakan untuk memastikan bahwa multikolinearitas, autokorelasi, dan heteroskedasitas tidak terdapat dalam model yang digunakan dan data yang dihasilkan terdistribusi normal. Jika keseluruhan syarat tersebut terpenuhi, berarti bahwa model analisis telah layak digunakan (Gujarati dalam Hapsari, 2007:69). Uji penyimpangan asumsi klasik, dapat dijabarkan sebagai berikut:
4.3.1 Uji Normalitas
Uji normalitas bertujuan untuk mengetahui apakah dalam metode regresi, variabel penggganggu atau residual memiliki distribusi normal (Ghozali, 2006 : 111). Normalitas dapat dilihat melalui penyebaran data (titik) pada sumbu diagonal (kurva P-Plot). Data dikatakan normal jika titik pada kurva P-Plot menyebar disekitar titik kurva. Selain itu menurut Ghozali (2006) uji statistik yang dapat digunakan untuk menguji normalitas residual adalah uji statistik Kolmogorov-Smirnov (KS). Ketentuan-ketentuan dalam uji kolmogorov smirnov adalah sebagai berikut :
1. Nilai Sig. atau signifikansi atau probabilitas < 0,05 maka distribusi data tidak normal.
2. Nilai Sig. atau signifikansi atau probabilitas > 0,05 berarti distribusi data normal.
Berikut ini ditampilkan normal probability plot dari variabel penelitian.
Gambar 4.1
Normal P-Plot of Regresion Standarized Residual – Normal
Dari gambar normal probability plot pada Gambar 4.1 di atas terlihat bahwa data penelitian mengikuti garis diagonal kurva P-Plot dengan teratur, sehingga dapat data penelitian sudah memenuhi asumsi normalitas. Peneliti juga melakukan uji Kolmogorov-Smirnov yang membuktikan kenormalan suatu data penelitian dengan angka dengan lebih akurat. Dengan menggunakan uji Kolmogorov-Smirnov, suatu data dikatakan normal apabila nilai Asymp. Sig. (2-tailed)> 0,05 dan apabila nilai Asymp. Sig. (2-tailed)< 0,05 maka data tidak terdistribusi normal. Berikut hasil pengujian dengan uji Kolmogorov-Smirnov.
Tabel 4.2
Uji Kolmogorov-Smirnov One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 40
Normal Parametersa,,b Mean .0000000
Std. Deviation .79641223
Most Extreme Differences Absolute .164
Positive .164
Negative -.122
Kolmogorov-Smirnov Z 1.037
Dari Tabel Kolmogorov-Smirnov di atas, nilai Asymp. Sig. (2-tailed) nya sebesar 0,232 yang berarti > 0,05 sehingga dapat ditarik kesimpulan bahwa data penelitian sudah terdistribusi dengan normal.
4.3.2 Uji Multikolinearitas
Uji multikolinieritas bertujuan untuk menguji apakah suatu model regresi ditemukan adanya korelasi antar variabel bebas (Ghozali, 2006 : 91). Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel independen. Jika variabel independen saling korelasi, maka variabel-variabel ini tidak ortogal (Ghozali, 2006 : 91). Untuk mendeteksi ada tidaknya multikolinieritas dalam model regresi dapat dilihat dari tolerance value atau variance inflation factor(VIF) dengan ketentuan-ketentuan sebagai berikut : 1. Jika nilai tolerance > 0,1 dan nilai VIF < 10, maka dapat disimpulkan bahwa
tidak ada multikolinieritas antar variabel independen dalam model regresi. 2. Jika nilai tolerance < 0,1 dan nilai VIF > 10, maka dapat disimpulkan bahwa
ada multikolinieritas antar variabel independen dalam model regresi.
Hasil uji multikolinearitas dalam penelitian ini dapat dilihat dalam tabel di bawah ini. Tabel 4.3 Uji Multikolinearitas Coefficientsa Model Collinearity Statistics Tolerance VIF 1 CR .792 1.263 DER .794 1.259 TATO .968 1.033
Dari Tabel 4.4 di atas, maka diperoleh nilai VIF dari masing-masing variabel independen untuk variabel Current Ratio (CR)sebesar 1,263, Debt to Equity Ratio (DER) sebesar 1,259, dan Total Asset Turnover(TATO) sebesar 1,033. Selain itu nilai tolerance setiap variabel lebih dari 0,01. Sehingga dapat disimpulkan tidak terjadi Multikolinearitas di dalam penelitian karena setiap variabel independen nilai VIF < 10 dan nilai tolerance setiap variabel > 0,01.
4.3.3 Uji Autokorelasi
Menurut Ghozali (2006 : 95) “Uji Autokorelasi bertujuan menguji apakah dalam modal regresi linier ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1(sebelumnya)”. Autokorelasi terjadi karena adanya waktu observasi penelitian yang berurutan antar satu penelitian dengan penelitian lain. Masalah ini timbul karena residual (kesalahan pengganggu) tidak bebas dari satu observasi ke observasi lainnya. Hal ini sering ditemukan pada data runtut waktu atau time series. Model regresi yang baik adalah model regresi yang terbebas dari autokorelasi. Cara menguji autokorelasi dapat dilakukan dengan menggunakan Durbin Watson untuk melihat apakah model regresi linear berganda terbebas dari autokorelasi. Suatu model dikatakan terbebas dari autokorelasi apabila nilai du < d < 4-du
Tabel 4.4 Uji Autokorelasi Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .259a .167 .119 .828932 1.667
Hasil pengujian pada tabel memperlihatkan nilai statistik Durbin - Watson sebesar 1,667. Nilai ini akan dibandingkan dengan nilai tabel Durbin -Watson dengan nilai signifikansi 5%, jumlah data adalah 40, jumlah variabel adalah 3 (k = 3), maka dalam tabel nilai Durbin – Watsonakan diperoleh nilai du = 1,6589 dan 4-du = 2,3411. Sehingga persamaannya akan menjadi 1,6589< 1,667 < 2,3411. Dengan demikian dapat dikatakan bahwa penelitian ini terbebas dari adanya autokorelasi.
4.3.4 Uji Heteroskedasitas
Uji heteroskedastistitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan lainnya (Ghozali, 2006 : 111). Model regresi yang baik adalah model regresi yang tidak terjadi perbedaan variance residual suatu periode pengamatan keperiode pengamatan yang lain.
Untuk mendeteksi ada atau tidaknya heteroskedastisitas dapat dilakukan dengan melihat grafik scatterplot untuk melihat hubungan antara nilai yang diprediksi dengan studentized Delete Residual nilai tersebut. Dalam Lubis dkk, (2007:34) cara memprediksi heteroskedastistitas adalah jika gambar scatterplot model tersebut adalah :
1. Titik-titik data menyebar diatas dan dibawah atau disekitar angka 0. 2. Titik-titik data tidak mengumpul hanya diatas atau dibawah data.
3. Penyebaran titik-titik data tidak boleh membentuk pola bergelombang melebar kemudian menyempit dan melebar kembali.
4. Penyebaran titik-titik data sebaiknya tidak berpola. Berikut hasil Scatterplot dari penelitian ini
Gambar 4.2
Scatterplot Uji Heteroskedastisitas
Dari Gambar 4.3 di atas, terlihat bahwa titik-titik menyebar di atas, di bawah, dan di sekitaran angka nol sehingga dapat ditarik kesimpulan bahwa data penelitian tidak mengandung heteroskedastisitas