BAB IV ANALISIS HASIL PENELITIAN
2. Pengujian Asumsi Klasik
Salah satu satu syarat yang menjadi dasar penggunaan model regresi berganda dengan metode estimasi Ordinary Least Square (OLS) adalah dipenuhinya semua asumsi klasik, agar hasil pengujian bersifat tidak bias dan efisien (Best Linear Unbiased Estimator). Pengujian asumsi klasik dalam penelitian ini dilakukan dengan bantuan program statistik. Menurut Ghozali (2005:123), asumsi klasik yang harus dipenuhi adalah:
1. Berdistibusi normal.
2. Non-Multikolinearitas, artinya antara variabel independen dalam model
regresi tidak memiliki korelasi atau hubungan secara sempurna ataupun mendekati sempurna.
3. Non-Autokorelasi, artinya kesalahan pengganggu dalam model regresi
tidak saling berkorelasi.
4. Non-Heterokedastisitas, artinya variance variabel independen dari satu
pengamatan ke pengamatan lain adalah konstan atau sama.
a. Uji Normalitas
Uji data statistik dengan model Kolmogorov-Smirnov dilakukan untuk mengetahui apakah data sudah terdistribusi secara normal atau tidak. Ghozali (2005:115), memberikan pedoman pengambilan keputusan rentang data mendekati atau merupakan distribusi normal berdasarkan uji Kolmogorov
Smirnov yang dapat dilihat dari:
a) nilai sig. atau signifikan atau probabilitas <0,05, maka distribusi data adalah tidak normal,
b) nilai sig. atau signifikan atau probabilitas > 0,05, maka distribusi data adalah normal.
Hasil uji normalitas dengan menggunakan model Kolmogorov-Smirnov adalah seperti yang ditampilkan berikut ini :
Tabel 4.5
Hasil Uji Normalitas (1) One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 60
Normal Parametersa Mean .0000000
Std. Deviation 3.32038590
Most Extreme Differences Absolute .278
Positive .278
Negative -.224
Kolmogorov-Smirnov Z 2.156
Asymp. Sig. (2-tailed) .000
a. Test distribution is Normal.
Sumber : Output SPSS, diolah Peneliti, 2010
Berdasarkan hasil uji statistik dengan model Kolmogorov-Smirnov seperti yang terdapat dalam tabel 4.5 dapat disimpulkan bahwa data tidak terdistribusi normal, hal ini dapat dilihat dari nilai Asymp.Sig.(2-tailed)
Kolmogorov-Smirnov sebesar 0,000 yang lebih kecil dari 0,05, sehingga data
tidak terdistribusi normal.
Untuk menguji apakah data grafik variabel CR, DER, TATO dan GPM memiliki distribusi normal atau tidak, dapat dilakukan dengan menggambarkan kurva histogram dan grafik Normality Probability Plot yaitu sebagai berikut:
Gambar 4.1. Histogram Sumber : Output SPSS, diolah Peneliti, 2010
Dari hasil tampilan kurva histogram di atas dapat terlihat bahwa kemiringan kurva cenderung ke kanan, hal ini menunjukkan bahwa data tidak terdistribusi dengan normal.
Gambar 4.2
Normal P-Plot Regression Sumber : Output SPSS, diolah Peneliti, 2010
Dari hasil grafik Normal P-Plot Regression di atas dapat dilihat titik-titik menyebar jauh dari garis diagonal yang menunjukkan data tidak terdistribusi dengan normal.
Menurut Erlina dan Mulyani (2007 : 106) ada beberapa cara mengubah model regresi menjadi normal 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.
Untuk mengubah nilai residual agar berdistribusi normal, peneliti melakukan transformasi data ke model logaritma natural (Ln). Setelah itu, data diuji ulang berdasarkan asumsi normalitas. Berikut ini adalah hasil pengujian dengan Kolmogorov-Smirnov setelah dilakukan transformasi:
Tabel 4.6
Hasil Uji Normalitas (2)
Setelah Transformasi Dengan Logaritma Natural One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 40
Normal Parametersa Mean .0000000
Std. Deviation 1.70444216
Most Extreme Differences Absolute .106
Positive .076
Negative -.106
Kolmogorov-Smirnov Z .667
Asymp. Sig. (2-tailed) .765
a. Test distribution is Normal.
Sumber : Output SPSS, diolah Peneliti, 2010
Tabel 4.6 menunjukkan bahwa hasil pengujian statistik dengan model
Kolmogorov-Smirnov menunjukkan bahwa data telah terdistribusi normal
karena nilai Asymp.Sig (2-tailed) Kolmogorov-Smirnov 0,765 lebih besar dari 0,05. Hasil pengujian normalitas dengan histogram dan Normal P-Plot
Gambar 4.3
Histogram setelah transformasi Sumber : Output SPSS, diolah Peneliti, 2010
Grafik histogram di atas menunjukkan bahwa data telah terdistribusi secara normal. Hal ini dapat dilihat dari grafik histogram yang menunjukkan distribusi data mengikuti garis diagonal yang tidak menceng (skewness) kiri maupun menceng ke kanan.
Menurut Ghozali (2005 : 112), pendeteksian normalitas dapat dilakukan dengan melihat penyebaran data (titik) pada sumbu diagonal dari grafik (Grafik
Normal P-P Plot of Regression), yaitu jika data (titik) menyebar di sekitar garis
diagonal dan mengikuti arah garis diagonal, hal ini menunjukkan data yang telah terdistribusi normal.
Gambar 4.4
Normal P-P Plot of Regression setelah transformasi Sumber : Output SPSS, diolah Peneliti, 2010
Menurut Ghozali (2005:112), pendeteksian normalitas dapat dilakukan dengan melihat penyebaran data (titik) pada sumbu diagonal dari grafik, yaitu jika data (titik) menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal, hal ini menunjukkan data yang telah terdistribusi normal. Gambar 4.4 menunjukkan bahwa data (titik) menyebar di sekitar dan mendekati garis diagonal. Hal ini sejalan dengan hasil pengujian dengan menggunakan histogram bahwa data telah terdistribusi normal. Karena secara keseluruhan data telah terdistribusi secara normal, maka dapat dilakukan pengujian asumsi klasik lainnya.
b. Uji Multikolinieritas
Tabel 4.7
Hasil Uji Multikolinearitas Coefficientsa
Sumber : Output SPSS, diolah Peneliti, 2010
Berdasarkan tabel 4.7 dapat disimpulkan bahwa penelitian ini bebas dari adanya multikolinieritas. Hal tersebut dapat dilihat dengan membandingkannya dengan nilai Tolerence atau VIF. Masing-masing variabel independen yang digunakan dalam penelitian ini memiliki nilai Tolerence yang lebih besar dari 0,10 yaitu: currennt ratio sebesar 0,469, debt to total equity
ratio sebesar 0,508, total asstes turnover sebesar 0,748, dan gross profit margin sebesar 0,683. Jika dilihat dari VIFnya, bahwa masing-masing variabel
independen lebih kecil dari 10 yaitu: currennt ratio sebesar 2,131, debt to total
equity ratio sebesar 1,070, total asstes turnover sebesar 1,337, dan gross profit margin sebesar 1,464. Dengan demikian dapat disimpulkan bahwa tidak terjadi
gejala multikolinieritas dalam variabel independennyanya.
Model Collinearity Statistics Tolerance VIF 1 (Constant) LN_CR .469 2.131 LN_DER .508 1.970 LN_TATO .748 1.337 LN_GPM .683 1.464 a. Dependent Variable: LN_PL
c. Uji Autokorelasi
Ghozali (2005 : 95) menyatakan bahwa,
“Uji autokorelasi ini bertujuan untuk menguji apakah dalam model regresi linear ada korelasi antar kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 (sebelumnya). Jika terjadi korelasi, maka dinamakan ada problem autokorelasi. Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lainnya. Masalah ini timbul karena residual (kesalahan pengganggu) tidak bebas dari satu observasi ke observasi lainnya. Hal ini sering ditemukan pada data runtut waktu (time series).”
Hasil uji aurokorelasi dengan menggunakan Uji Durbin-Watson dapat dilihat pada tabel berikut:
Negatif No Positif
Autocorelation Autocorelation Autocorelation
0 dl du 2 2,095 4-du 4-dl 4
1,29 1,72 2,28 2,71
Tabel 4.8
Hasil Uji Autokorelasi Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .267a .071 -.035 1.79920 2.095
a. Predictors: (Constant), LN_GPM, LN_DER, LN_TATO, LN_CR b. Dependent Variable: LN_PL
Sumber : Output SPSS, diolah Peneliti, 2010
Berdasarkan uji tabel 4.8 diatas tampak bahwa nilai Durbin Watson hitung 2,076. Dengan jumlah variabel independen (k) = 4, dengan jumlah
sampel (n) = 40, maka du = 1,29 dan dl = 1,72. Nilai Durbin Watson hitung terletak antara batas atas atau upper bound (du) dan (4-du) yaitu 2,28, sehingga dapat disimpulkan bahwa model regresi linier berganda terbebas dari asumsi klasik statistik autokorelasi.
d. Uji Heteroskedastisitas
Menurut Ghozali (2005 : 105) “Uji heterokedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain”. Dalam penelitian ini, untuk mendeteksi ada tidaknya gejala heterokedasitas dapat dilakukan dengan pengujian melalui Scatter-Plot yang menggunakan SRESID dan ZPRED pada
software SPSS. Jika varian dari residual satu pengamatan ke pengamatan yang
lain tetap maka disebut homokedastisitas, dan jika berbeda disebut heterokedastisitas. Model regresi yang baik yaitu homokedastisitas. Dasar pengambilan keputusannya menurut Ghozali (2005:105) adalah sebagai berikut:
1. jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur (bergelombang, melebar kemudian menyempit), maka mengindikasikan telah terjadi heteroskedastisitas.
2. jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.
Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi gejala heteroskedastisitas atau tidak dengan cara mengamati penyebaran titik-titik pada grafik.
Gambar 4.5
Hasil Uji Heteroskedastisitas Sumber : Output SPSS, diolah Peneliti, 2010
Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara acak dengan tidak adanya pola yang jelas serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y. Hal tersebut menunjukkan bahwa tidak terjadi heteroskedastisitas, sehingga model ini layak dipakai untuk memprediksi rentabilitas perusahaan real estate dan property yang terdaftar di Bursa Efek Indonesia berdasarkan masukan variabel independen yaitu current assets, debt
to total equity ratio, total assets turnover, dan gross profit margin.