BAB IV ANALISIS HASIL PENELITIAN
3. Pengujian Asumsi Klasik
Uji ini bertujuan untuk mengetahui apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal. Pengujian normalitas dalam penelitian ini menggunakan dua cara yaitu analisis grafik yang terdiri dari histogram dan normal probability plot dan analisis statistik yang terdiri dari uji skewness/kurtosis dan uji nonparametrik Kolmogorov Smirnov. Di bawah ini merupakan hasil uji normalitas dengan menggunakan analisis grafik:
-2 -1 0 1 2 3 4 5
Regression Standardized Residual
0 5 10 15 20 25 30 Freque nc y Mean = -5.55E-17 Std. Dev. = 0.985 N = 103
Dependent Variable: DAR Histogram
Gambar 4.01
Grafik Histogram Sebelum SQRT
0.0 0.2 0.4 0.6 0.8 1.0
Observed Cum Prob
0.0 0.2 0.4 0.6 0.8 1.0 Ex pe ct ed Cum Prob
Dependent Variable: DAR
Normal P-P Plot of Regression Standardized Residual
Gambar 4.02
Grafik Normal Probability Plot sebelum SQRT
Sumber: Data yang diolah Peneliti, 2008 (lihat lampiran 3)
Hasil uji normalitas di atas memperlihatkan bahwa pada grafik histogram di atas, distribusi data menceng (skewness) ke kanan atau ke arah positif. Sehingga dapat disimpulkan bahwa distribusi data tersebut tidak normal. Demikian pula dengan hasil uji normalitas dengan menggunakan normal probability plot, terlihat bahwa titik-titik menyebar di sekitar garis diagonal serta penyebarannya agak menjauh dari garis diagonal sehingga dapat disimpulkan bahwa data dalam model regresi terdistribusi tidak normal. Kedua grafik ini
menunjukkan bahwa model regresi menyalahi asumsi normalitas. Sehingga tidak dapat dilakukan pengujian lebih lanjut. Untuk itu, perlu dilakukan tindakan perbaikan (treatment) agar model regresi memenuhi asumsi normalitas.
Tindakan perbaikan yang dilakukan dalam penelitian ini menggunakan salah satu dari tiga cara yang telah dikemukakan pada bab sebelumnya, yaitu dengan menggunakan transformasi seluruh variabel penelitian ke dalam fungsi SQRT(x) atau akar kuadrat. Sehingga dari DAR = f(ART, ITO, FAT) menjadi SQ_DAR = f(SQ_ART, SQ_ITO, SQ_FAT). Kemudian data diuji ulang berdasarkan asumsi normalitas.
-3 -2 -1 0 1 2 3 4
Regression Standardized Residual
0 5 10 15 20 Frequency Mean = 1.89E-15 Std. Dev. = 0.985 N = 103
Dependent Variable: SQY Histogram
Gambar 4.03
Grafik Histogram Setelah SQRT
0.0 0.2 0.4 0.6 0.8 1.0
Observed Cum Prob
0.0 0.2 0.4 0.6 0.8 1.0 Exp ec ted C u m Prob
Dependent Variable: SQY
Normal P-P Plot of Regression Standardized Residual
Gambar 4.04
Grafik Normal Probability Plot Setelah SQRT
Sumber: Data yang diolah Peneliti, 2008 (lihat lampiran 3)
Hasil pengujian ulang ternyata memperlihatkan pola distribusi yang normal pada grafik histogram dan pola distribusi normal pada grafik normal probability plot. Distribusi data mengikuti kurva berbentuk lonceng yang tidak menceng (skewness) kiri maupun menceng kanan atau bisa disimpulkan bahwa data tersebut normal. Demikian pula dengan hasil uji normalitas dengan menggunakan normal probability plot, di mana terlihat bahwa titik-titik menyebar di sekitar garis diagonal serta penyebarannya mendekati dengan garis diagonal sehingga dapat disimpulkan bahwa data dalam model regresi terdistribusi secara normal.
Namun, hasil uji normalitas dengan grafik kadang-kadang bisa menyesatkan karena kelihatannya distribusinya normal padahal melalui analisis
statistik sebenarnya tidak normal. Oleh karena itu, dilakukanlah uji skewness/kurtosis dan uji nonparametrik Kolmogorov Smirnov dengan hasil sebagai berikut:
Tabel 4.4
Hasil Uji Normalitas dengan Skewness dan Kurtosis Setelah Transformasi dengan Akar Kuadrat
N Skewness Kurtosis
Statistic Statistic Std. Statistic Std. Unstandardized
id l
103 0,398 0,238 0,883 0,472
Valid N (listwise) 103
Sumber: Data yang diolah Peneliti, 2008 (lihat lampiran 3)
Pedoman bahwa data tersebut normal tidaknya dilihat dari nilai ZSkewness dan ZKurtosis, di mana jika nilai Zhitung > Ztabel, maka distribusi tidak normal. Nilai Ztabel pada tingkat signifikansi 0,05 adalah 1,96 dan pada tingkat signifikansi 0,01 adalah 2,58. Nilai signifikansi yang dipakai di sini adalah 0,05 sehingga distribusi dikatakan normal jika nilai ZSkewness dan Zkurtosis lebih kecil dari 1,96.
Hasil uji normalitas memperlihatkan nilai Skewness adalah sebesar 0,244 dan nilai Kurtosis -0,847. Dari nilai tersebut dapat dihitung nilai ZSkewness dan ZKurtosis. Berdasarkan hasil perhitungan dapat disimpulkan bahwa data terdistribusi normal karena nilai ZSkewness maupun ZKurtosis lebih kecil dari nilai Ztabel (0,81 < 1,96 dan 1,40 < 1,96).
Tabel 4.5
One-Sample Kolmogorov-Smirnov Test
Hasil Uji Normalitas Setelah Transformasi dengan Akar Kuadrat
SQART SQITO SQFAT SQY
N 103 103 103 103 Normal Parameters(a,b) Mean 2,7082 2,0741 1,5785 0,8408 Std. Deviation 1,19802 0,88933 0,81154 0,21182 Most Extreme Differences Absolute 0,157 0,154 0,116 0,072 Positive 0,157 0,154 0,116 0,072 Negative -0,103 -0,114 -0,067 -0,054 Kolmogorov-Smirnov Z 1,590 1,563 1,175 0,729
Asymp. Sig. (2-tailed) 0,128 0,151 0,126 0,663
Sumber: Data yang diolah Peneliti, 2008 (lihat lampiran 3)
Dari tabel hasil uji Kolmogorov Smirnov di atas, dapat disimpulkan bahwa data dalam model regresi telah terdistribusi secara normal. Masing-masing ditunjukkan dengan data sebagai berikut:
Nilai signifikan ART sebesar 0,128 > 0,05 maka H0 diterima.
Nilai signifikan ITO sebesar 0,151 > 0,05 maka H0 diterima.
Nilai signifikan FATsebesar 0,126 > 0,05 maka H0 diterima.
Nilai signifikan DAR sebesar 0,663 > 0,05 maka H0 diterima. Berikut adalah ringkasan hasil uji normalitas:
Tabel 4.6
Ringkasan Hasil Uji Normalitas Uji Normalitas
Hasil Uji Normalitas Sebelum
Transformasi
Setelah Transformasi
Grafik histogram tidak normal normal
Normal probability plot tidak normal normal Skewness & Kurtosis tidak normal normal
Kolmogorov Smirnov tidak normal normal
Semua hasil pengujian ulang melalui analisis grafik dan statistik di atas menunjukkan data telah terdistribusi normal. Dengan demikian telah terpenuhi asumsi normalitas dan bisa dilakukan pengujian asumsi klasik berikutnya.
b. Uji Multikolinearitas
Uji ini bertujuan untuk menguji apakah pada model regresi ditemukan adanya korelasi antarvariabel bebas (independen). Untuk mengetahui ada tidaknya multikolinearitas dapat dilihat dari nilai Variance Inflation Factor (VIF) dan nilai
Tolerance, apabila nilai VIF >10 dan nilai Tolerance < 0,1 maka terjadi multikolinearitas dan apabila VIF <10 dan Tolerance > 0,1 maka tidak terjadi multikolinearitas.
Tabel 4.7
Hasil Uji Multikolinearitas
Model Unstandardized Coefficients Standardized Coefficients T Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 0,829 0,074 11,170 0,000
SQART 0,021 0,017 0,120 1,221 0,225 0,978 1,022 SQITO 0,025 0,024 0,106 1,053 0,295 0,945 1,059 SQFAT -0,062 0,026 -0,237 -2,344 0,021 0,926 1,080 Sumber: Data yang diolah Peneliti, 2008 (lihat lampiran 3)
Dari tabel 4.7, dapat disimpulkan bahwa dalam model regresi tidak terjadi multikolinearitas dengan dasar nilai VIF untuk setiap variabel independen tidak ada yang melebihi 10 dan nilai Tolerance tidak ada yang kurang dari 0,1, maka dapat dilakukan analisis lebih lanjut dengan menggunakan model regresi berganda.
c. Uji Heteroskedastisitas
Uji Heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Heteroskedastisitas ini dapat dilihat dengan grafik
scatterplot dan Uji Glejser. Hasil uji heteroskedastisitas dapat terlihat pada gambar 4.5 dan tabel 4.8.
-3 -2 -1 0 1 2 3 4
Regression Standardized Predicted Value
-4 -2 0 2 4
Regression Studentized Residual
Dependent Variable: SQY Scatterplot
Gambar 4.05
Hasil Uji Heteroskedastisitas dengan Scatterplot Sumber: Data yang diolah Peneliti, 2008 (lihat lampiran 3)
Tabel 4.8
Hasil Uji Heteroskedastisitas dengan Uji Glejser
Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) 0,238 0,091 2,615 0,010 SQART -0,002 0,021 -0,011 -0,108 0,914 SQITO 0,002 0,029 0,008 0,078 0,938 SQFAT 0,019 0,032 0,061 0,587 0,558
Sumber data: Data yang diolah Peneliti, 2008
Berdasarkan grafik scatterplot, dapat terlihat bahwa titik-titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y. Sehingga dapat disimpulkan bahwa tidak terjadi heteroskedastisitas atau terjadi homoskedastisitas pada model regresi.
Berdasarkan hasil Uji Glejser, dapat dilihat bahwa pada tabel Coefficients(a) nilai sig. semua variabel independen lebih besar dari 0,05 (5%). Sehingga dapat disimpulkan tidak terjadi heteroskedastisitas atau terjadi homoskedastisitas. Dengan demikian terpenuhilah asumsi klasik untuk uji heteroskedastisitas.
d. Uji Autokorelasi
Uji ini bertujuan untuk menganalisis apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan tingkat kesalahan pada periode t-1. Hasil uji autokorelasi tersebut:
Tabel 4.9 Hasil Uji Autokorelasi
Model R R Square Adjusted R Square Std. Error of the Estimate Durbin- Watson 1 0,249 0,062 0,033 0,20824 2,214
Sumber data: Data yang diolah Peneliti, 2008 (lihat lampiran 3)
Hasil uji autokorelasi di atas menunjukkan nilai statistik Durbin Watson (DW) sebesar 2,214. Nilai ini akan kita bandingkan dengan nilai tabel dengan menggunakan nilai signifikansi 0,05 (5%), jumlah sampel 103 (n) dan jumlah variabel independen 3 (k=3). Dari tabel Durbin Watson didapat nilai batas atas (du) 1,61, nilai batas bawah (dl) 1,74, dan 4-du = 2,39. Oleh karena itu, nilai DW lebih besar dari du dan lebih kecil dari 4-du (1,61 < 2,21 < 2,39), sehingga dapat disimpulkan bahwa tidak terjadi autokorelasi baik positif maupun negatif.
Dengan demikian, dari hasil seluruh pengujian asumsi klasik disimpulkan bahwa model regresi yang dipakai dalam penelitian ini telah memenuhi model estimasi yang Best LinearUnbiased Estimator (BLUE) dan layak untuk dilakukan analisis statistik selanjutnya untuk memprediksi DAR Perusahaan-perusahaan manufaktur yang terdaftar di BEJ berdasarkan masukan variabel independen ART, ITO, dan FAT.
4. Pengujian Hipotesis a. Analisis Regresi
Dalam pengolahan data dengan menggunakan regresi linear, dilakukan beberapa tahapan untuk mencari hubungan antara variabel independen dan variabel dependen, melalui pengaruh ART (X1), ITO (X2), dan FAT (X3) terhadap DAR (Y). Hasil regresi dapat dilihat pada tabel berikut ini:
Tabel 4.10 Hasil Analisis Regresi Variabel Unstandarized
Coefficients t hitung Sig. Keterangan
(Constant) 0,829
SQ_ART (X1) 0,21 1,221 0,255 Tidak signifikan
SQ_ITO (X2) 0,25 1,053 0,295 Tidak signifikan
SQ_FAT (X3) -0,062 -2,344 0,021 Tidak signifikan
R = 0,249
Adjusted R Square = 0,033 Std. Error of the Estimate = 0,208
F hitung = 2,177
Sig. F = 0,096
α = 0,829
n = 103
Sumber data: Data yang diolah Peneliti, 2008 (lihat lampiran 3)
Hasil analisis regresi dapat diuraikan sebagai berikut:
Angka koefisien korelasi (R) sebesar 0,249 menunjukkan bahwa korelasi/hubungan antara variabel DAR dengan variabel independennya (SQ_ART, SQ_ITO, dan SQ_FAT) lemah, definisi korelasi lemah ini didasarkan pada nilai R berada di bawah 0,5.
Angka koefisien determinasi (Adjusted R Square) adalah 0,033. Hal ini berarti 3,3% variasi dari DAR bisa dijelaskan oleh variasi dari ketiga variabel independen, sedangkan sisanya sebesar 97,7% dijelaskan oleh variasi atau faktor lain.
Standar Error of the Estimate (SEE) adalah 0,208. Semakin kecil nilai SEE akan membuat model regresi semakin tepat dalam memprediksi variabel dependen.
Dari hasil ujian ANOVA atau F test, didapat Fhitung sebesar 2,177 dengan tingkat signifikansi 0,096. Sehingga dapat disimpulkan bahwa variabel independen SQ_ART, SQ_ITO, dan SQ_FAT, secara bersama-sama (simultan) tidak berpengaruh terhadap DAR
Berdasarkan penjelasan dari pengujian asumsi klasik sebelumnya, model regresi dalam penelitian ini telah diubah menjadi model SQRT atau akar kuadrat, sehingga beta dan koefisien dari penelitian ini dapat disimpulkan dalam bentuk SQRT atau akar kuadrat . Model regresi berdasarkan hasil analisis di atas adalah:
Y = 0,829 + 0,210X1 + 0,250X2 - 0,062X3 +
Persamaan tersebut menunjukkan angka yang tidak signifikan pada 0,05 pada variabel SQ_ART (X1), SQ_ITO (X2), dan SQ_FAT (X3). Adapun interpretasi dari persamaan di atas adalah:
1. α = 0,829
Nilai konstanta ini menunjukkan bahwa apabila tidak ada variabel SQ_ART, SQ_ITO, SQ_FAT (X1=X2=X3=0), maka DAR yang terbentuk adalah 0,829.
2. β1 = 0,021
Koefisien regresi ini menunjukkan bahwa setiap variabel SQ_ART meningkat 1%, maka akan meningkatkan DAR sebesar 0,21% dengan asumsi variabel lain dianggap tetap (ITO dan FAT = 0).
3. β2 = 0,025
Koefisien regresi ini menunjukkan bahwa setiap variabel SQ_ITO meningkat 1%, maka akan meningkatkan DAR sebesar 0,25%, dengan asumsi variabel lainnya tetap atau sama dengan nol.
4. β3 = -0,062
Koefisien regresi ini menunjukkan bahwa setiap terjadi kenaikan 1% dari variabel SQ_FAT, akan menurunkan DAR sebesar 0,62%, dengan asumsi variabel lainnya tetap atau sama dengan nol.
b. Pengujian Hipotesis