ANALISIS HASIL PENELITIAN
4.2 Pengujian Asumsi Klasik
Analisa dilakukan dengan metode analisa regresi berganda. Sebelum dilakukan uji hipotesis, peneliti akan melakukan uji asumsi klasik. Pengujian ini perlu dilakukan intuk mengetahui apakah distribusi data yang digunakan dalam penelitian sudah normal, serta bebas dari gejala multikolinearitas, heteroskedastisitas serta auto korelasi. Menurut Ghozali (2005:123) asumsi klasik yang harus dipenuhi adalah:
berdistribusi normal,
non-multikolinearitas, artinya antara variabel independen dalam model regresi tidak memiliki kolerasi atau hubungan secara sempurna ataupun mendekati sempurna,
non-autokolerasi, artinya kesalahan penggangu dalam model regresi tidak saling korelasi,
homoskedastisitas, artinya variance variabel independen dari satu pengamatan kepengamatan yang lain adalah konstan atau sama.
Pengujian ini dimaksudkan untuk mengetahui apakah dalam model regresi, variabel penggangu atau residual memiliki distribusi normal. Adapun uji normalitas dapat dilakukan dengan dua cara yaitu analisis grafik dan statistik.
A. Analisis Grafik
Analisis grafik dapat digunakan dengan dua alat, yaitu grafik histogram dan grafik P-P Plot. Data yang baik adalah data yang memiliki pola distribusi normal. Pada grafik histogam, data yang mengikuti atau mendekati distribusi normal adalah distribusi data dengan bentuk lonceng. Pada grafik P-P Plot, sebuah data dikatakan berdistribusi normal apabila titik-titik datanya tidak menceng ke kiri atau ke kanan, melainkan menyebar disekitar garis diagonal. Berikut hasil uji normalitas dengan menggunakan analisis grafik.
Gambar 4.1 Uji Normalitas-Histogram
Gambar 4.2
Uji Normalitas-Normal P-P Plot Sumber: Lampiran V
Dengan melihat tampilan grafik histogram, kita dapat melihat bahwa gambarnya telah berbentuk lonceng dan menceng ke kiri yang menunjukkan bahwa data tidak terdistribusi secara normal. Pada grafik P-P Plot terlihat titik-titik menyebar di sekitar garis diagonal dan jauh dari garis diagonal. Kedua grafik tersebut menunjukkan bahwa model regresi menyalahi asumsi normalitas.
B. Uji Statistik
Pengujian normalitas data dengan hanya melihat grafik dapat menyesatkan kalau tidak melihat secara seksama, sehingga kita perlu melakukan uji normalitas data dengan menggunakan statistik agar lebih meyakinkan. Untuk memastikan apakah data di sepanjang garis diagonal berdistribusi normal, maka dilakukan uji Kolmogorov-Smirnov (1 sample KS) dengan melihat data residualnya apakah berdistribusi normal atau
tidak. Jika nilai signifikansinya lebih besar dari 0,05 maka data tersebut terdistribusi normal. Jika nilai signifikansinya lebih kecil dari 0,05 maka distribusi data adalah tidak normal. Hasil uji Kolmogorov-Smirnov dapat dilihat pada tabel berikut:
Tabel 4.2 Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
IOS EPS FIRMSZ HARGASHM
N 75 75 75 75 Normal Parametersa,b Mean 2,9845 125,4017 28,5447 1110,7877 Std. Deviation 3,70342 204,29312 1,29929 1431,79970 Most Extreme Differences Absolute ,255 ,342 ,071 ,263 Positive ,255 ,342 ,071 ,263 Negative -,233 -,270 -,062 -,240 Kolmogorov-Smirnov Z 2,208 2,964 ,617 2,281
Asymp. Sig. (2-tailed) ,000 ,000 ,840 ,000
a. Test distribution is Normal. b. Calculated from data. Sumber: Lampiran V
Hasil uji Kolmogorov-Smirnov pada penelitian ini menujukkan probabilitas = 0.000. Dengan demikian, data pada penelitian ini tidak berdistribusi normal dan dapat digunakan untuk melakukan uji hipotesis karena 0.000 < 0,05. Pada pengujian normalitas dengan analisis statistik dapat ketahui bahwa data yang digunakan oleh penulis tidak berdistribusi normal sehingga data ini tidak dapat digunakan untuk melakukan uji hipotesis. Pada penelitian ini penulis menggunakan metode transformasi data untuk menormalkan data penelitian. Menurut Gozali (2005:32), data yang tidak terdistribusi secara normal dapat ditransformasi agar menjadi normal. Salah satu trasformasi data
yang dapat dilakukan adalah dengan mentransformasikan data ke LG10 atau logaritma 10 atau LN. Hasil transformasi data dapat dilihat pada lampiran vii. Setelah dilakukan transformasi, penulis melakukan pengujian ulang terhadap uji normalitas untuk melihat kembali apakah data penelitian ini telah berdistribusi normal atau tidak. Hasil pengujian normalitas setelah transformasi dapat dilihat sebagai berikut.
1. Analisis Grafik
Gambar 4.3 Uji Normalitas Sumber: Lampiran V
Gambar 4.4 Uji Normalitas Sumber: Lampiran V
Dengan melihat tampilan grafik histogram, kita dapat melihat bahwa gambarnya telah berbentuk lonceng dan tidak menceng ke kanan atau ke kiri yang menunjukkan bahwa data telah terdistribusi secara normal. Pada grafik P-P Plot terlihat titik-titik menyebar di sekitar garis diagonal dan tidak jauh dari garis diagonal. Kedua grafik tersebut menunjukkan bahwa model regresi tidak menyalahi asumsi normalitas.
2. Uji Statistik
Tabel 4.3 Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 75
Normal Parametersa,b Mean ,0000000
Std. Deviation ,53772539
Most Extreme Differences Absolute ,054
Positive ,054
Negative -,047
Kolmogorov-Smirnov Z ,472
Asymp. Sig. (2-tailed) ,979
a. Test distribution is Normal. b. Calculated from data.
Sumber: Lampiran V
Hasil uji Kolmogorov-Smirnov pada penelitian ini menujukkan probabilitas = 0.472. Dengan demikian, data pada penelitian ini berdistribusi normal dan dapat digunakan untuk melakukan uji hipotesis karena 0.979 > 0,05.
4.2.2 Hasil Uji Heteroskedastisitas
Uji Heteroskedastisitas bertujuan untuk menguji terjadinya perbedaan variance residual suatu periode pengamatan ke periode yang lain. Uji Heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Model regresi yang baik adalah tidak terjadi heteroskedastisitas. Cara mendeteksi
ada tidaknya gejala heteroskedastisitas adalah dengan melihat grafik scatterplott yang dihasilkan dari pengolahan data menggunakan program SPSS 18. Dasar pengambilan keputusannya adalah sebagai berikut:
Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur maka mengindikasikan telah terjadi heteroskedastisitas.
Jika tidak ada pola yang jelas, serta titik menyebar dibawah angka 0 dan y, maka tidak terjadi heteroskedastisitas.
Uji ini dilakukan dengan mengamati pola tertentu pada grafik scatterplot, dimana bila ada titik – titik yang menyebar di atas dan dibawah angka 0 pada sumbu Y serta tidak membentuk pola maka tidak terjadi heteroskedastisitas.
Gambar 4.5
Uji Heteroskedastisitas (scatterplot) Sumber: Lampiran V
Pada gambar 4.5 tentang grafik scatterplot diatas terlihat titik-titik menyebar secara acak tidak membentuk sebuh pola tertentu yang jelas serta tersebar baik diatas maupun dibawah angka nol pada sumbu y. Hal ini berarti tidak terjadi heteroskedastisitas pada model regresi sehingga model regresi layak dipakai untuk melihat pengaruh variabel independen terhadap variabel dependen. 4.2.3 Hasil Uji Autokorelasi
Uji ini bertujuan untuk melihat apakah dalam suatu model linear ada korelasi antar kesalahan pengganggu pada periode t dengan kesalahan periode t-1 (sebelumnya). Model regresi yang baik adalah yang bebas dari autokorelasi. Masalah autokorelasi umumnya terjadi pada regresi yang datanya time series. Untuk mendeteksi masalah autokorelasi dapat dilakukan dengan menggunakan uji Durbin Watson. Mengacu kepada pendapat Sunyoto (2009:91), Pengambilan keputusan ada tidaknya autokorelasi adalah sebagai berikut:
angka D-W dibawah -2 berarti ada autokorelasi positif,
angka D-W diantara -2 sampai +2 berarti tidak ada autokorelasi, angka D-W di atas +2 berarti ada autokorelasi negatif.
Tabel 4.4
Hasil Uji Autokorelasi
Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Change Statistics Durbin-Watson R Square Change F Change df1 df2 Sig. F Change dimension0 1 ,854a ,728 ,717 ,54897 ,728 63,491 3 71 ,000 1,770
a. Predictors: (Constant), LnFIRMSZ, LnIOS, LnEPS b. Dependent Variable: LnHARGASHM
Sumber: Lampiran V
Tabel 4.4 memperlihatkan nilai statistik D-W sebesar 1.770. Angka ini terletak di antara -2 sampai +2, dari pengamatan ini dapat disimpulkan bahwa tidak terjadi autokorelasi dalam penelitian ini.
4.2.4 Hasil Uji Multikolinieritas
Pengujian bertujuan mengetahui ada tidaknya multikolinearitas antar variabel – variabel independen. Model regresi yang baik seharusnya tidak terjadi korelasi antar variabel independen. Deteksi dilakukan dengan melihat nilai VIF (Variable Inflation Factor) dan toleransi. Menurut Ghozali (2005:91) untuk melihat ada atau tidaknya multikolinearitas dalam model regresi dapat dilihat dari:
a. nilai tolerance dan lawannya, b. variance inflation factor (VIF)
Kedua ukuran ini menunjukkan setiap variabel independen manakah yang dijelaskan oleh variabel independen lainnya. Tolerance mengukur variabilitas
variabel independen yang terpilih yang tidak dijelaskan oleh variabel independen lainnya. Jadi, nilai tolerance yang rendah sama dengan nilai VIF yang tinggi (karena VIF=1/tolerance). Nilai cutoff yang umum dipakai untuk menunjukkan adanya multikolinearitas adalah nilai tolerance < 0.01 atau sama dengan VIF>10.
Tabel 4.5
Hasil Uji Multikolinearitas
Coefficientsa Model Unstandardized Coefficients Standard ized Coefficie nts t Sig. Correlations Collinearity Statistics B Std. Error Beta Zero-order Partia l Part Tolera nce VIF 1 (Const ant) 3,487 4,989 ,699 ,487 LnIOS ,262 ,076 ,225 3,462 ,001 ,097 ,380 ,214 ,901 1,109 LnEPS ,478 ,037 ,854 12,91 4 ,000 ,823 ,837 ,799 ,875 1,143 LnFIR MSZ ,322 1,505 ,014 ,214 ,831 ,299 ,025 ,013 ,853 1,172
a. Dependent Variable: LnHARGASHM Sumber: Lampiran V
Berdasarkan tabel 4.5 diatas dapat dilihat bahwa tidak ada satupun variabel bebas yang memiliki nilai VIF lebih dari 10 dan tidak ada yang memiliki tolerance value lebih kecil dari 0,1. Jadi dapat disimpulkan bahwa penelitian ini bebas dari adanya multikolinearitas. Dari hasil uji ini maka dapat disimpulkan bahwa semua variabel bebas yang dipakai dalam penelitian ini lolos uji gejala multikolinearitas.