BAB IV ANALISIS HASIL PENELITIAN
C. Pengujian Asumsi Klasik
Untuk menghasilkan suatu model regresi yang baik, analisis regresi memerlukan pengujian asumsi klasik sebelum melakukan pengujian hipotesis. Apabila terjadi penyimpangan dalam pengujian asumsi klasik perlu dilakukan perbaikan terlebih dahulu. Pengujian asumsi klasik yang telah dilakukan adalah sebagai berikut.
1. Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah variabel residual berdistribusi normal. Uji statistik yang dapat digunakan untuk menguji apakah residual berdistribusi normal adalah uji statistik non parametrik Kolmogorov-Smirnov (K-S) dengan membuat hipotesis:
H0 : Data residual berdistribusi normal H1 : Data residual tidak berdistribusi normal
Dalam uji Kolmogrov Smirnov, pedoman yang digunakan dalam pengambilan keputusan yaitu:
a. Jika nilai signifikansi < 0.05 maka distribusi data tidak normal b. Jika nilai signifikansi > 0.05 maka distribusi data normal
Tabel 4.7
Hasil Uji Normalitas Sebelum Transformasi Data One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 132
Normal Parametersa Mean .0000000
Std. Deviation .15816098
Most Extreme Differences Absolute .144
Positive .138
Negative -.144
Kolmogorov-Smirnov Z 1.651
Asymp. Sig. (2-tailed) .009
Sumber: Data yang diolah penulis, 2009
Dari hasil pengolahan data tersebut, diperoleh besarnya nilai K-S adalah 1,651 dan signifikan pada 0,009. Nilai signifikansi lebih kecil dari 0,05, maka H0 ditolak yang berarti data residual berdistribusi tidak normal. Data yang tidak berdistribusi normal dapat disebabkan oleh adanya data yang outlier, yaitu data yang memiliki nilai yang sangat menyimpang dari nilai data lainnya. Beberapa cara mengatasi data outlier menurut Erlina (2007:106) yaitu:
a.Lakukan transformasi data ke bentuk lainnya, b. Lakukan trimming, yaitu membuang data outlier,
c. Lakukan winsorizing, yaitu mengubah nilai data yang outlier ke suatu nilai tertentu.
Data residual yang terdistribusi tidak normal juga dapat dilihat melalui grafik histogram dan grafik Normal P-P Plotberikut ini:
Gambar 4.1 Grafik Histogram (1) Sumber: Data yang diolah penulis, 2009
Grafik histogram menunjukkan bahwa data residual terdistribusi tidak normal. Hal ini dilihat dari grafik histogram yang menunjukkan distribusi data tidak mengikuti garis diagonal yang seharusnya. Hal ini juga didukung dengan hasil uji normalitas dengan menggunakan grafik Normal P-P Plot . Grafik Normal P-P Plot menunjukkan titik-titik dalam plot terlihat menyebar jauh dari garis diagonal baik di atas maupun di bawah garis diagonal. Grafik Normal P-P Plot dapat dilihat sebagai berikut:
Gambar 4.2
Grafik Normal P-P Plot (1) Sumber: Data yang diolah penulis, 2009
Untuk mengubah nilai residual agar berdistribusi normal, penulis melakukan transformasi data ke model logaritma natural (Ln) yaitu dari persamaan ROA = f(ROA) menjadi LN_ROA = f(LN_ROA). Transformasi data ke dalam bentuk logaritma normal menyebabkan data yang bernilai negatif tidak dapat ditransformasi sehingga menghasilkan missing values. Setiap data yang terdapat missing values akan dihilangkan dan diperoleh jumlah sampel yang valid menjadi 113 pengamatan.
Kemudian data diuji ulang berdasarkan asumsi normalitas. Berikut ini adalah hasil pengujian dengan Kolmogorov-Smirnov.
Tabel 4.8
Hasil Uji Normalitas Setelah Transformasi Dengan Logaritma Natural One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 113
Normal Parametersa Mean .0000000
Std. Deviation 1.24210126
Most Extreme Differences Absolute .087
Positive .087
Negative -.075
Kolmogorov-Smirnov Z .921
Asymp. Sig. (2-tailed) .365
Sumber: Data yang diolah penulis, 2009
Dari hasil pengolahan data pada tabel 4.8 diperoleh besarnya nilai K-S sebesar 0,921 dan signifikan pada 0,365. Nilai signifikan lebih besar dari 0,05, maka H0 diterima yang berarti data residual berdistribusi normal. Setelah data terdistribusi secara normal, maka dilajutkanlah uji asumsi klasik lainnya. Untuk lebih jelas berikut ini dilampirkan grafik histogram dan grafik p-plot data yang telah berdistribusi normal.
Gambar 4.3 Histogram (2)
Grafik Histogram Setelah Data Ditransformasi Sumber: Data yang diolah penulis, 2009
Grafik histogram pada gambar 4.3 menunjukkan distribusi normal karena grafik tidak menceng kiri maupun menceng kanan. Dengan demikian dapat disimpulkan bahwa model regresi telah memenuhi asumsi normalitas. Demikian pula hasil uji normalitas dengan menggunakan grafik normal P-Plot. Pada grafik Normal P-P Plot, terlihat titik-titik menyebar disekitar garis diagonal serta penyebarannya agak mendekati dengan garis diagonal sehingga dapat disimpulkan bahwa data dalam model regresi terdistribusi secara normal.
Gambar 4.4
Grafik Normal P-P Plot (2)
Grafik Normal P-P Plot Setelah Data Ditransformasi Sumber: Data yang diolah penulis, 2009
2. Uji Heteroskedastisitas
Dalam penelitian ini, untuk mendeteksi ada tidaknya gejala heteroskedastisitas adalah dengan melihat grafik scatterplot antara SRESID dan ZPRED yang dihasilkan dari pengolahan data dengan menggunakan program SPSS. Dasar pengambilan keputusannya adalah: 1) Jika tidak ada pola yang jelas, seperti titik-titik menyebar di atas dan di
bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas atau terjadi homoskedastisitas.
2) Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang terartur (bergelombang, melebar kemudian menyempit), maka mengindikasikan telah terjadi heteroskedastisitas
Hasil dari uji heteroskedastisitas dapat dilihat pada grafik scatterplot berikut ini:
Gambar 4.5
Hasil Uji Heteroskedastisitas Sumber: Data yang diolah penulis, 2009
Dari gambar scatterplot di atas, dapat dilihat bahwa titik-titik menyebar secara acak serta tidak membentuk pola tertentu atau tidak teratur, serta titik-titik menyebar di atas dan di bawah angka 0 pada
sumbu Y. Hal ini mengindikasikan tidak terjadi heteroskedastisitas pada model regresi.
3. Uji Autokorelasi
Pengujian autokorelasi bertujuan untuk menguji apakah terdapat korelasi antara kesalahan pengganggu pada suatu periode dengan kesalahan pengganggu periode sebelumnya dalam model regresi. Autokorelasi menunjukkan adanya korelasi antara kesalahan pengganggu pada data yang tersusun, baik berupa data cross sectional dan/atau time series. Jika terjadi autokorelasi dalam model regresi berarti koefisien korelasi yang diperoleh menjadi tidak akurat, sehingga model regresi yang baik adalah model regresi yang bebas dari autokorelasi.
Cara yang dapat dilakukan untuk mendeteksi ada tidaknya autokorelasi adalah dengan melakukan pengujian Durbin Watson (DW). Dalam model regresi tidak terjadi autokorelasi apabila nilai du<w<4-du. Tabel 4.10 menyajikan hasil uji Durbin Watson dengan menggunakan SPSS versi 16.
Tabel 4.9
Hasil Uji Autokorelasi Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .380a .144 .136 1.24768 2.022
a. Predictors: (Constant), LN_ATO b. Dependent Variable: LN_ROA
Hasil uji autokorelasi di atas menunjukkan nilai statistik Durbin Watson (Dw) sebesar 2,022, nilai ini akan kita bandingkan dengan nilai tabel dengan menggunakan signifikansi 5%, jumlah sampel (n) = 132, dan jumlah variabel independen (k) = 1, maka berdasarkan tabel Durbin Watson didapat nilai batas atas (du) sebesar 1,676 dan nilai batas bawah (dl) sebesar 1,629. Oleh karena itu, nilai (Dw) lebih besar dari 1,676 dan lebih kecil dari 4 – 1,676 atau dapat dinyatakan bahwa 1,676 < 2,022 < 4 – 1,676 (du < d < 4 – du). Dengan demikian dapat disimpulkan tidak terdapat autokorelasi baik positif maupun negatif.