BAB IV ANALISIS HASIL PENELITIAN
4.2 Pengujian Asumsi Klasik
Analisa dilakukan dengan metode analisi linear berganda. Sebelum dilakukan uji hipotesis, peneliti akan melakukan uji asumsi klasik. Pengujian ini perlu dilakukan untuk mengetahui apakah distribusi data yang digunakan dalam penelitian sudah normal, serta bebas dari segala multikolinearitas, heterokedastisitas serta autokorelasi. Asumsi klasik yang harus dipenuhi adalah berdidtribusi normal. Non-multikolinearitas, artinya antara variable independen dalam model regresi tidak memiliki korelasi atau hubungan secara sempurna ataupun mendekati sempurna, non – autokorelasi, artinyakesalahn pengganggu dalam model regresi tidak saling korelasi, homokesdastisitas, artinya Variance Variabel Independen dari satu pengamatan ke pengamatan lain adalah konstan atau sama.
4.2.1 Uji Normalitas
Pengujian ini dimaksudkan untuk mengetahui apakah dalam model regresi, variable pengganggu atau residual memiliki distribusi normal. Adapun uji normalitas dapat dilakukan dengan dua cara yaitu analisis grafik dan statistic.
Hasil pengujian normalitas dapat dilihat pada gambar berikut :
Gambar 4.1
Uji Normalitas Histogram
Gambar 4.2
Analisis grafik dapat digunakan dengan dua alat yaitu grafik histogram dan grafik P-Plot. Data yang baik adalah data yang memiliki pola distribusi normal. Pada grafik histogram, data yang mengikuti atau mendekati distribusi normal adalah distribusi data dengan bentuk lonceng. Pada grafik P-Plot, sebuah data dikatakan berdistribusi normal apabila titik-titik datanya tiak menceng ke kiri atau ke kanan, melainkan menyebar disekitar garis diagonal. Berikut hasil uji normalitas dengan menggunakan analisis grafik.
Degan melihat tampilan grafik histogram pada gambar 4.1 diatas kita dapat melihat bahwa gambar grafik berbentuk lonceng dan tidak menceng ke kiri dan ke kanan yang menunjukkan bahwa data terdistribusi secara normal. Pada grafik P-P Plot pada gambar 4.2 di atas terlihat titik-titik menyebar disepanjang garis diagonal. Kedua grafik tersebut menunjukkan bahwa model regresi tidak menyalahi asumsi normalitas.
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 Kolmogrov-Smirnov (1 sampel KS) dengan melihat data residualnya apakah berdistribusi normal atau tidak. Jika nilai signifikansinya lebih besar dari 0,05 maka data tersebut terdistribusi secara normal. Jika nilai signifikansinya lebih kecil dari 0,05 maka distribusi data adalah tidak normal. Pengujian normalitas dengan metode statistik ini dapat dilihat pada tabel 4.2 sebagai berikut
Tabel 4.2 Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 40
Normal Parametersa,b Mean .0000000 Std. Deviation 1012.07766573
Most Extreme Differences
Absolute .193
Positive .193
Negative -.125
Kolmogorov-Smirnov Z 1.218
Asymp. Sig. (2-tailed) .103
a. Test distribution is Normal. b. Calculated from data.
Sumber : output spss, 2015
Hasil uji Kolmogrov-Smirnov pada tabel diatas dapat diketahui bahwa signifikan 0.103. Nilai ini > 0.05, sehingga dapat dikatakan bahwa data yang digunakan dalam penelitian ini memiliki distribusi normal.
4.2.2 Uji Heterokedastisidas
Uji Heterokedastisidas bertujuan untuk menguji terjadinya perbedaan variance Residual suatu periode pengamatan ke periode yang lain (Ghozali 2013 : 139). Uji Heterokedastisitas 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 heterokedastisidas. Cara mendeteksi ada tidaknya gejala hetero kedastisidas adalah dengan melihat grafik scatterplot yang dihasilkan dari pengolahan data
menggunakan program software statistic. Dasar pengambilan keputusannya menurut Ghozali (2013 : 139) adalah sebagai berikut :
a. Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur maka mengindikasikan telah terjadi heterokedastisitas.
b. Jika tidak ada pola yang jelas, serta titik menyebar dibawah angka o dan y, maka tidak heterokedastisitas.
Uji ini dilakukan dengan mengamati pola tertentu pada grafik scatterplot, dimana bila ada titik-titik yang menyebar di atas dan di bawah angka 0 pada sumbu Y serta tidak membentuk pola maka tidak terjadi heterokedastisitas.
Gambar 4.3
Pada gambar 4.3 tentang grafik scatterplot diatas dapat terlihat titik-titik menyebar secara acak tidak membentuk sebuah pola tertentu yang jelas serta tersebar baik diatas maupun dibwah angka nol 0 pada sumbu y. Hal ini berarti tidak terjadi heterokedastisitas pada model regresi sehingga model regresi layak dipakai untuk melihat pengaruh variabel independen terhadap variabel dependen.
4.2.3 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 autokolrelasi. Masalah autokorelasi umumnya terjadi pada regresi yang datanya time series. Untuk mendeteksi masalah autokorelsi dapat dilakukan dengan menggunakan uji Durbin Waston. Mengacu kepada pendapat Suntoyo (2009:91), pengambilan kepada keputusan ada tidaknya autokorelasi adalah sebagai berikut :
a. Angka D-W dibawah -2 berarti ada autokorelasi positif,
b. Angka D-W diantara -2 sampai +2 berarti tidak ada autokorelasi, c. Angka D-W diatas +2 berarti ada autokorelasi negatif.
Tabel 4.3
Hasil Uji Autokorelasi
Model Summaryb
Model R R Square Adjusted R Square
Std. Error of the Estimate
Durbin-Watson
1 .346a .120 .146 1053.40383 1.900
a. Predictors: (Constant), Growth Opportunity, Corporate Social Responsibility, Size b. Dependent Variable: Nilai Perusahaan
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 1652.303 1344.703 1.229 .227 Corporate Social Responsibility 307.929 1086.931 .045 2.283 .029 .953 1.049 Size -46.994 94.187 -.080 -.499 .621 .952 1.050 Growth Opportunity 876.174 409.004 .335 2.142 .039 .998 1.002
a. Dependent Variable: Nilai Perusahaan
Sumber ; Output Spss, 2015
Tabel 4.3 memperlihatkan nilai statistik D-W sebesar 1.900. Angka ini terletak diantara -2 sampai +2, dari pengamatan ini dapat disimpulkan bahwa tidak terjadi autokorelasi dalam penelitian ini.
4.2.4. Uji Multikolinearitas
Pengujian ini untuk mendeteksi ada tidaknya gejala multikolinearitas adalah dengan melihat besaran korelasi antar variabel independen dan besarnya tingkat kolinearitas yang masih dapat ditolerir, yaitu : Tolerance > 0,10 dan VIP < 10. Uji multikolinearitas dengan melihat nilai tolerance dan VIP menunjukkan hasil seperti pada tabel berikut :
Tabel 4.4 Uji Multikolinearitas
Berdasarkan tabel 4.4 tersebut memperlihatkan bahwa penelitian ini bebas adanya multikolinearitas, hal ini dengan membandingkan nilai tolerance dan VIF. Masing masing variabel bebas yang digunakan dalam penelitian ini memiliki nilai tolerance yang lebih besar dari 0,1 yaitu Corporate Social Responsibility memiliki nilai tolerance 0.953, Size memiliki nilai tolerance 0.952. Growth Opportunity nilai tolerance 0.998. Jika dilihat VIP-nya, bahwa masing-masing variabel bebas lebih kecil dari 10 yaitu untuk VIF Corporate Social Responsibility 1.049, VIF Size Firm 1.050, VIF Growth Opportunity 1002. Dengan demikian, dapat disimpulkan bahwa tidak terjadi gejala multikolinearitas pada variabel bebas.
4.3 Pengujian Hipotesis
4.3.1 Uji Koefisien Determinasi
Nilai yang digunakan untuk melihat uji koefisien determinasi adalah nilai Adjusted R2 pada intinya mengukur seberapa jauh kemampuan variabel independen dalam menerangkan variasi variabel dependen. Dalam hal ini Adjusted R2 digunakan untuk mengetahui seberapa besar pengaruh variabel perubahan laba akuntansi dan perubahan arus kas operasi terhadap perubahan
harga saham. “Adjusted R2 dianggap lebih baik dari R2 kerena nilai Adjusted R2 dapat naik atau turun apabila suatu variabel independen ditambahkan kedalam
Tabel 4.5 Adjusted R2
Model Summaryb
Model R R Square Adjusted R Square
Std. Error of the Estimate
Durbin-Watson
1 .346a .120 .146 1053.40383 1.900
a. Predictors: (Constant), Growth Opportunity, Corporate Social Responsibility, Size b. Dependent Variable: Nilai Perusahaan
SUmber : Output SPss, 2015
Besar nya Adjusted R2 berdasarkan hasil analisis dengan menggunakan software statistic diperoleh sebesar 0,146. Dengan demikian besarnya pengaruh yang diberikan Corporate Social Responsibility, Size, Growth Opportunity terhadap Nilai Perusahaan adalah sebesar 14,6 %. Sedangkan sisanya sebesar 85,4 % adalah dipengaruhi oleh faktor lain yang tidak diteliti dalam penelitian ini.
4.3.2Uji Signifikan Parsial (Uji t)
Uji parsial digunakan untuk mengetahui hubungan antara variabel-variabel independen terhadap variabel dependen secara parsial (individu). Uji t ini dilakukan dengan membandingkan nila P-value dari t dengan α. Kesimpulan yang
dapat diambil dari uji t ini adalah :
a. Bila nilai P value dari t masing-masing variabel independen ≥ α = 5%,
artinya secara individual variabel independen Xi tidak berpengaruh signifikan terhadap variabel dependen.
b. Sebaliknya bila P value dari t masing-masing variabel independen < α
artinya secara individual masing-masing variabel independen Xi berpengaruh secara signifikan terhadap variabel dependen.
Hasil uji parsial ini dapat dilihat pada tabel 4.6 sebagai berikut : Tabel 4.6
Hasil Uji Parsial (Uji t)
Sumber : Output SPss 2015
Pada tabel 4.6 berdasarkan hasil penelitian diatas dapat diambil kesimpulan bahwa :
1. Pengaruh Corporate Social Responsibility terhadap Nilai Perusahaan.
Corporate Social Responsibility memiliki nilai P value (sig) sebesar 0.29. (lebih kecil dari 0,05) dan dari tabel diatas menunjukkan bahwa nilai thitung >
ttabel ( 2.283 > 2.0227). Nilai tersebut menyimpulkan bahwa perubahan
Corporate Social Responsibility berpengaruh signifikan terhadap Nilai Perusahaan .
2. Pengaruh Size terhadap Nilai Perusahaan.
Nilai P value variabel Size adalah sebasar 0.621 (lebih besar dari 0,05) dan dari tabel diatas menunjukkan bahwa nilai thitung < ttabel (-0.429 < 2,032), hal ini menyimpulkan bahwa Size tidak berpengaruh signifikan terhadap Nilai Perusahaan.
Coefficientsa
Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta (Constant) 1652.303 1344.703 1.229 .227 Corporate Social Responsibility 307.929 1086.931 .045 2.283 .029 Size -46.994 94.187 -.080 -.499 .621 Growth Opportunity 876.174 409.004 .335 2.142 .039
3. Pengaruh Growth Opportunity terhadap nilai perusahaan.
Nilai P value variabel Growth Opportunity adalah sebasar 0.39 (lebih kecil dari 0,05) dan dari tabel diatas menunjukkan bahwa nilai thitung > ttabel
(2.142 < 2,032), hal ini menyimpulkan bahwa Growth Opportunity berpengaruh signifikan terhadap Nilai Perusahaan.