BAB IV ANALISIS HASIL PENELITIAN
B. Hasil Analisis
1. Pengujian Asumsi Klasik
Uji normalitas bertujuan untuk menguji apakah dalam model regresi variabel pengganggu atau residual memiliki distribusi normal atau tidak, dengan membuat hipotesis sebagai berikut:
Ho : data residual terdistribusi normal Ha : data residual terdistribusi tidak normal
Ada dua cara yang dapat digunakan untuk mendeteksi apakah residual berdistribusi normal atau tidak, yaitu dengan analisis grafik dan uji statistik. Pada penelitian ini akan digunakan kedua cara tersebut.
1) 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 histogram, 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 di sekitar garis diagonal.
Gambar 4.1 Uji Normalitas Sumber: Lampiran iv
Gambar 4.2 Uji Normalitas Sumber: Lampiran iv
Dengan melihat tampilan grafik histogram, kita dapat melihat bahwa gambarnya telah berbentuk lonceng dan tidak menceng kekanan 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
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 4.2.
Tabel 4.2 Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 56
Normal Parametersa Mean .0000000
Std. Deviation 62.82292993
Most Extreme Differences Absolute .170
Positive .170
Negative -.141
Kolmogorov-Smirnov Z 1.272
Asymp. Sig. (2-tailed) .079
a. Test distribution is Normal.
Sumber: Lampiran iv
Hasil uji Kolmogorov-Smirnov pada penelitian ini menujukkan probabilitas = 0,79. Dengan demikian, data pada penelitian ini berdistribusi normal dan dapat digunakan untuk melakukan Uji-t dan Uji-f karena 0,79 > 0,05 (H0 diterima)
b. Hasil Uji Heteroskedastisitas
Ghozali (2005:105) 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. Pengujian heteroskedastisitas dapat dilakukan dengan uji grafik dengan melihat grafik scatterplot yaitu dengan cara melihat titik-titik penyebaran pada grafik dan uji glejser, dengan cara meregres seluruh variabel independen dengan nilai absolute residual (absut) sebagai variabel dependennya. Perumusan hipotesis adalah :
H0 : tidak ada heteroskedastisitas, Ha : ada heteroskedastisitas.
Jika signifikan < 0,05 maka Ha diterima (ada heteroskedastisitas) dan jika signifikan > 0,05 maka H0 diterima (tidak ada heteroskedastisitas).
Gambar 4.3
Uji Heteroskedastisitas( scatterplot) Sumber: Lampiran v
Tabel 4.3
Hasil Uji Heteroskedastisitas Coefficientsa Model Unstandardized Coefficients Standardized Coefficients T Sig. B Std. Error Beta 1 (Constant) 31.769 13.224 2.402 .020 Laba_Bersih -2.265E-5 .000 -.342 -2.106 .040 Potensi_Pertumbuhan .620 .412 .214 1.504 .139 ROE -.084 .334 -.042 -.253 .801 EPS .002 .024 .012 .093 .926 DER 19.449 11.080 .252 1.755 .085
a. Dependent Variable: Absut Sumber: Lampiran v
Pada gambar 4.3 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. Dari tabel 4.3 diatas kita dapat melihat bahwa nilai signifikansi untuk variabel laba bersih adalah 0,04 (>0.05), untuk variabel potensi pertumbuhan adalah 0,139 (>0,05), untuk variabel ROE adalah 0,801 (>0.05), untuk variabel EPS adalah 0,139 (>0,05) dan untuk variabel DER adalah 0,085 (>0,05). Dari hasil ini maka dapat disimpulkan bahwa tidak terdapat masalah heteroskedastisitas karena semua variabel independennya memiliki signifikan lebih besar dari 0,05.
b. 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:
1) angka D-W dibawah -2 berarti ada autokorelasi positif,,
2) angka D-W diantara -2 sampai +2 berarti tidak ada autokorelasi, 3) 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 Durbin-Watson 1 .380a .145 .059 65.88924 1.731
a. Predictors: (Constant), DER, ROE, EPS, Potensi_Pertumbuhan, Laba_Bersih
b. Dependent Variable: DPR Sumber: Lampiran vi
Tabel 4.4 memperlihatkan nilai statistik D-W sebesar 1,731 Angka ini terletak di antara -2 sampai +2, dari pengamatan ini dapat disimpulkan bahwa tidak terjadi autokorelasi dalam penelitian ini.
c. Hasil Uji Multikolinieritas
“Uji multikolinearitas dilakukan untuk menguji apakah pada model regresi ditemukan adanya korelasi antar variabel bebas” (Ghozali, 2005:91). Menurut Ghozali (2005) “adanya gejala multikolinearitas dapat dilihat dari tolerance value atau nilai Variance Inflation Factor (VIF). Batas tolerance value adalah 0,1 dan batas VIF adalah 10”. Apabila tolerance value < 0,1 atau VIF > 10 = terjadi
multikolinearitas. Apabila tolerance value > 0,1 atau VIF < 10 = tidak terjadi multikolinearitas. Hasil pengujian terhadap multikolinearitas pada penelitian ini dapat dilihat pada tabel 4.5
Tabel 4.5
Hasil Uji Multikolinearitas
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 3.741 19.687 .190 .850 Laba_Bersih -7.279E-6 .000 -.080 -.455 .651 .555 1.802 Potensi_Pertumbuhan .699 .614 .175 1.139 .260 .724 1.381 ROE .548 .497 .197 1.101 .276 .536 1.865 EPS .020 .036 .075 .549 .586 .918 1.090 DER 22.402 16.494 .211 1.358 .180 .710 1.407 a. Dependent Variable: DPR
Sumber: Lampiran vii
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 analisis, didapat nilai VIF untuk variabel laba bersih adalah 1.802 (<10) dan nilai tolerance sebesar 0,555 (>0,1), nilai VIF untuk variabel potensi pertumbuhan adalah 1.381(<10) dan nilai tolerance sebesar 0.724 ( >0.1), nilai VIF untuk variabel ROE adalah 1.865 (<10) dan nilai tolerance sebesar 0.536 ( >0.1), nilai VIF untuk variabel EPS adalah 1.090(<10) dan nilai tolerance sebesar 0.918 ( >0.1) dan nilai VIF untuk variabel DER adalah 1.407 (<10) dan nilai tolerance sebesar 0.710 ( >0.1)Dari hasil ini
maka dapat disimpulkan bahwa semua variabel bebas yang dipakai dalam penelitian ini lolos uji gejala multikolinearitas.