HASIL PENELITIAN DAN PEMBAHASAN
4.3 Analisis Hasil Pengujian Data 1 Analisis Statistik Deskriptif
4.3.2 Pengujian Asumsi Klasik
Pengujian asumsi klasik diperlukan untuk mengetahui apakakh hasil
estimasi regresi yang dilakukan benar-benar bebas dari adanya gejala
heteroskedisitas, gejala multikolinieritas, dan gejala autokorelasi. Model regresi
akan dapat dijadikan alat estimasi yang tidak bias jika telah memenuhi
persyaratan BLUE (Best Linier unbiased estimator) yakni tidak terdapat heterokedasitas, tidak terdapat multikolinieritas, dan tidak terdapat autokorelasi.
4.3.2.1Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi,
variaibel pengganggu atau residual memiliki distribusi normal (Ghozali,
2012:160). Untuk mendeteksi apakah residual berdistribusi normal atau tidak
dapat dilakukan dengan analisis grafik dan analisis statistik. Analisis grafik
dilakukan dengan melihat grafik histogram dan grafik normal probability plot. Hasil output SPSS untuk uji normalitas dengan analisis grafik disajikan pada
gambar 4.1 dan 4.2 dibawah ini.
Sumber: Hasil Penelitian,2015 (Data Diolah)
Gambar 4.1 Grafik Histogram
Sumber: Hasil Penelitian,2015 (Data Diolah)
Gambar 4.2 Normal Probability Plot
Hasil output SPSS diatas menunjukkan grafik histogram memiliki pola
distribusi normal dengan penyebaran secara merata baik ke kiri maupun kekanan.
Grafik normal profitability plot menunjukkan titik-titik mengikuti garis diagonal dan penyebarannya mendekat dengan garis diagonal. Hasil analisis grafik
menunjukkan data terdistribusi secara normal.
Uji normallitas dengan grafik terkadang dapat menyesatkan karena secara
visual dapat kelihatan normal namun secara statistik sebaliknya. Oleh karena itu
disamping analisis grafik penelitian ini juga menggunakan analisis dalam uji
normalitas. Uji statistik yang digunakan dalam penelitian ini adalah uji
Kolmogorov-Smirnov dengan hipotesis pengujian adalah sebagai berikut:
H0: data penelitian terdistribusi normal
Hasil output SPSS uji Kolmogorov-Smornov untuk menguji normalitas data
disajikan pada tabel 4.14 dibawah ini.
Table 4.14
Uji Kolmogorov – Smirnov One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 48
Normal Parametersa,b Mean .00 Std. Deviation 6.191
Most Extreme Differences
Absolute .100
Positive .100
Negative -.069
Kolmogorov-Smirnov Z .696
Asymp. Sig. (2-tailed) .719
a. Test distribution is Normal. b. Calculated from data.
Sumber: Hasil Penelitian,2015 (Data Diolah)
Hipotesis nol diterima (data penelitian terdistribusi normal) apabila nilai
signifikansi Kolmogorov-Smirnov lebih besar dari tingkat signifikansi 5% atau
0.05 (K-S > 0.05), sebaliknya apabila nilai signifikansi Kolmogorov-Smirnov
lebih kecil dari tingkat signifikansi 0.05 (K-S <0.05) maka hipotesis nol ditolak
yang berarti data penelitian tidak terdistribusi secara normal.
Hasil output SPSS uji Kolmogorov-Smirnov pada tabel 4.14 diatas
menunjukkan nilai Kolmogorov-Smirnov sebesar 0.696 dan signifikansi pada
0.719. Nilai signifikansi Kolmogorov- Smirnov pada 0.719 >0.05 hal ini berarti
4.3.2.2Uji Multikolinieritas
Uji multikolinieritas bertujuan untuk menguji apakah model regresi
ditemukan adanya korelasi antar variabel bebas dan model regresi yang baik
seharusnya tidak terjadi korelasi antara variabel bebas (Ghozali, 2012:105).
Pengujian ini dilakukan dengan menggunakan tolerance value dan variance inflation factor (VIF). Criteria umum yang dipakai untuk mendeteksi adanya multikolinieritas adalah jika tolerance value < 0,10 atau sama dengan nilai VIF > 10 maka terjadi multikolinieritas dan jika tolerance value >0,10 atau sama dengan nilai VIF<10 maka tidak terjadi multikolinieritas. Hasil output SPSS uji
multikolinieritas dapat dilihat pada tabel 4.15 berikut ini.
Tabel 4.15 Uji Multikolinieritas Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistiks
B Std. Error Beta Tolerance VIF
1
(Constant) 15.881 2.107 7.537 .000
total_asset -7.273E-008 .000 -.468 -3.660 .001 .889 1.125
Debt_to_equity 8.421 2.254 .507 3.737 .001 .792 1.263
dividend_payout .008 .032 .033 .255 .800 .852 1.173
a. Dependent Variabel: price_earning
Sumber: Hasil Penelitian,2015 (Data Diolah)
Hasil output SPSS uji multikolinieritas pada tabel 4.15 diatas menunjukkan
bahwa nilai tolerance untuk semua variabel dalam tiap-tiap model regresi lebih besar dari 0,10 dan variance inflation factor (VIF) untuk semua variabel dalam tiap-tiap model regresi lebih kecil dari 10. Hasil penelitian ini mengidentifikasi
bahwa dalam model-model regresi yang digunakan dalam penelitian ini tidak
4.3.2.3Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi
terjadi ketidaksamaan varians dari residual satu pengamatan ke pengamatan yang
lain (Ghozali, 2012:139). Heteroskedastisitas dapat dideteksi dengan melihat
garfik scatterplots antara nilai prediksi variabel terkait (dependen) yaitu Price Earning Ratio. Hasil output SPSS uji heteroskedastisitas dalam bentuk grafik scatterplots dapat dilihat pada gambar 4.3 berikut ini.
Sumber: Hasil Penelitian,2015 (Data Diolah)
Gambar 4.3 Grafik Scatterplot
Hasil output grafik scatterplot pada gambar 4.3 diatas menunjukkan titik-
titik data menyebar di atas dan dibawah. Titik-titik data tidak mengumpul hanya
diatas atau dibawah angka 0 saja. Maka dapat disimpulkan bahwa model regresi
berganda terbebas dari asumsi klasik heteroskedastisitas dan layak digunakan
Terdapat beberpa uji statistik yang dapat digunakan untuk mendeteksi ada
tidaknya heteroskedastisitas yaitu uji park, uji glejser dan uji white. Uji statistik
untuk mendeteksi ada atau tidaknya heteroskedasitas yang digunakan dalam
penelitian ini adalah uji gleser. Model regresi bebas dari heteroskedastisitas
apabila probabilitas signifikansinya di atas tingkat kepercayaan 5% atau 0,05.
Hasil uji SPSS statistik glejser ditunjukan pada tabel 4.16 dibawah ini.
Tabel 4.16
Uji Glejser Transformasi Logaritma Coefficientsa
Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta (Constant) 4.145 1.237 3.350 .002 total_asset -1.286E-008 .000 -.164 -1.102 .276 Debt_to_equity -1.551 1.323 -.185 -1.172 .248 dividend_payout .036 .019 .292 1.922 .061
a. Dependent Variabel: absout
Sumber: Hasil Penelitian,2015 (Data Diolah)
Hasil output SPSS uji glejser pada tabel 4.16 diatas menunjukkan bahwa
variabel Total assets, Debt to equity, Dividend Payout memiliki tingkat signifikansi masing-masing 0.276, 0.248, 0.061 lebih besar dari tingkat
kepercayaan 5% atau 0.05 sehingga dapat disimpulkan model regresi penelitian
4.3.2.4Uji Autokorelasi
Uji autokorelasi bertujuan untuk mengetahui apakah dalam suatu model
regresi linier terdapat korelasi antara pengganggu pada periode t dengan kesalahan
pada periode t-1 (sebelumnya) (Ghozali, 2012:110). Model regresi yang baik
adalah model regresi yang bebas dari autokorelasi. Autukorelasi dapat dideteksi
dengan melakukan uji Durbin-Watson (DW test). Uji Durbin-Watson dilakukan
dengan membuat hipotesis:
H0: tidak ada autokorelasi
Ha: ada autokorelasi
Pengambilan keputusan ada atau tidaknya autokorelasi dapat dilihat pada tabel
4.17 dibawah ini. Criteria pengambilan keputusan ada tidaknya autokorellasi yang
digunakan dalam peneltian ini adalah du < d < 4 –du.
Tabel 4.17
Pengambilan Keputusan Ada Tidaknya Autokorelasi
Hipotesis nol Keputusan Jika
Tidak ada autokorelasi positif
Tolak 0 < d < dl
Tidak ada autokorelasi positif
No decision dl ≤ d ≤ du
Tidak ada korelasi negative
Tolak 4 – dl < d <4
Tidak ada korelasi negative
No decision 4 – du ≤ d ≤ 4 – dl Tidak ada autokorelasi
positif atau negative
Tidak ditolak du < d < 4 – du
Sumber: Ghozali 2012:111
Tabel 4.18 Uji Autokorelasi
Model Summaryb
Model R R Square Adjusted R Square Std. Error of the Estimate
Durbin-Watson
1 .600a .360 .316 6.398 2.268
a. Predictors: (Constant), dividend_payout, total_asset, debt_to_equity b. Dependent Variabel: price_earning
Sumber: Hasil Penelitian,2015 (Data Diolah)
Hasil output SPSS pada tabel 4.18 diatas menunjukkan nilai Durbin-Watson
sebesar 2.268. Untuk mendeteksi ada atau tidaknya autokorelasi nilai DW tersebut
akan dibandingkan dengan nilaitabelDW dengan menggunakan nilai signifikansi
5%, jumlah sampel 48 dan jumlah variabel independen 3. PadatabelDW didapat
nilai batas atas (du) 1.6708 dan batas atas (dl) 1.4064. Nilai DW hitung 1.6708 <
2.268 < 4 -1.6708 atau 1.6708 < 2.268 < 2.3292 berarti tidak terdapat
autokorelasi.