HASIL DAN PEMBAHASAN
4.3. Pengujian Asumsi Klasik
Untuk menghasilkan suatu model regresi yang baik, analisis regresi memerlukan pengujian asumsi klasik sebelum melakukan pengujian hipotesis. Apabila terjadi penyimpangan dalam pengujian asumsi klasik perlu dilakukan perbaikan terlebih dahulu.
59 4.3.1. Uji Normalitas
Uji data statistic dengan model Kolmogorov-Smirnov dilakukan untuk mengetahui apakah data sudah terdistribusi secara normal atau tidak. Ghozali (2005:115), memberikan pedoman pengambilan keputusan tentang data mendekati atau merupakan distribusi normal berdasarkan uji Kolmogorov-Smirnov yang dapat dilihat dari :
1. Nilai sig. atau signifikan atau probabilitas < 0,05, maka distribusi data adalah tidak normal.
2. Nilai sig. atau signifikan atau probabilitas > 0,05, maka distribusi data adalah normal.
Hasil uji normalitas dengan menggunakan model Kolmogorov-Smirnov adalah seperti yang ditampilkan berikut ini :
Tabel 4.9 Hasil Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 39
Normal Parametersa,b Mean 0E-7
Std. Deviation 14,17869442 Most Extreme Differences
Absolute ,143
Positive ,091
Negative -,143
Kolmogorov-Smirnov Z ,896
Asymp. Sig. (2-tailed) ,398
a. Test distribution is Normal. b. Calculated from data.
Berdasarkan hasil uji statistik dengan model Kolmogorov-Smirnov seperti yang terdapat dalam tabel 4.9 dapat disimpulkan bahwa besarnya nilai Kolmogrov
60 – Smirnov sebesar 0,896 dan signifikan lebih dari 0,05 karena Asymp. Sig. (2-tailed) 0,398 > dari 0,05. Nilai signifikansi lebih besar dari 0,05 maka H0 diterima atau H1 ditolak yang berarti data residual telah berdistribusi normal. Dengan demikian, secara keseluruhan dapat disimpulkan bahwa nilai-nilai observasi data telah terdistribusi secara normal dan dapat dilanjutkan dengan uji asumsi klasik lainnya. Untuk lebih jelas, berikut ini turut dilampirkan grafik histrogram dan plot data yang terdistribusi normal.
Gambar 4.1 Histogram
Grafik histogram di atas menunjukkan bahwa data telah terdistribusi secara normal. Hal ini dapat dilihat dari grafik histogram yang menunjukkan distribusi data mengikuti garis diagonal yang tidak menceng (skewness) kiri maupun menceng ke kanan. Hal ini juga didukung dengan hasil uji normalitas dengan menggunakan grafik plot yang ditampilkan pada Gambar 4.2
61 Gambar 4.2
Uji Normalitas data
Menurut Ghozali (2005 : 110), pendeteksian normalitas dapat dilakukan dengan melihat penyebaran data (titik) pada sumbu diagonal dari grafik, yaitu jika data (titik) menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal, hal ini menunjukkan data yang telah terdistribusi normal. Gambar 4.2 menunjukkan bahwa data (titik) menyebar di sekitar dan mendekati garis diagonal. Hal ini sejalan dengan hasil pengujian dengan menggunakan histogram bahwa data telah terdistribusi normal. Karena secara keseluruhan data telah terdistribusi secara normal, maka dapat dilakukan pengujian asumsi klasik lainnya.
62 4.3.2. Uji Multikolinieritas
Uji multikolinieritas bertujuan menguji apakah pada model regresi ditemukan adanya korelasi antara variabel independen. Untuk melihat ada atau tidaknya multikolinieritas dalam model regresi dapat dilihat dari :
a. nilai tolerance dan lawannya, b. Variance Inflatin 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 mutikolineritas adalah nilai Tolerance < 0,10 atau sama dengan VIF > 10 (Ghozali, 2005 : 91). Hasil dari uji multikolinieritas dapat dilihat pada tabel berikut ini :
Tabel 4.10
Hasil Uji Multikolinearitas
Coefficientsa
Model Collinearity Statistics
Tolerance VIF 1 (Constant) CASHRATIO ,809 1,236 ROA ,849 1,178 GROWTH ,944 1,059 FS ,914 1,095 DER ,823 1,216 NPM ,781 1,280 a. Dependent Variable: DPR
63 Dari data pada tabel 4.10, dapat disimpulkan bahwa tidak ada variabel yang memiliki nilai tolerance < 0.10 dan nilai VIF > 10. Dengan demikian dapat disimpulkan bahwa dalam model regresi sudah tidak terjadi multikolinearitas antar variabel independen.
4.3.3. Uji Autokorelasi
Pengujian autokorelasi bertujuan untuk menguji apakah terdapat korelasi antara kesalahan pengganggu pada suatu periode dengan kesalahan pengganggu periode sebelumnya dalam model regresi. Autokorelasi menunjukkan adanya korelasi antara kesalahan pengganggu pada data yang tersusun, baik berupa data cross sectional dan/ atau time series. Jika terjadi autokorelasi dalam model regresi berarti koefisien korelasi yang diperoleh menjadi tidak akurat, sehingga model regresi yang baik adalah model regresi yang bebas dari autokorelasi.
Cara yang dapat dilakukan untuk mendeteksi ada tidaknya autokorelasi adalah dengan melakukan pengujian Durbin Watson (DW). Kriteria pengambilan keputusan berikut :
Tabel 4.11
Kriteria Pengambilan Keputusan
Hipotesis Nol Keputusan Jika
Tidak ada autokorelasi positif Tidak ada autokorelasi positif Tidak ada korelasi negatif Tidak ada korelasi negatif
Tidak ada autokorelasi positif atau negative Tolak No Decision Tolak No Decision Tidak ditolak 0 < dw < dl dl ≤ dw ≤ du 4 – dl < dw < 4 4 – du ≤ dw ≤ 4 – dl du < dw < 4 - du
64 Tabel 4.12
Hasil Uji Autokorelasi
Model R R Square Adjusted R Square Std. Error of the Estimate Durbin - Watson 1 ,693a ,480 ,382 15,45087 2,238
a. Predictors: (Constant), NPM, FS, GROWTH, DER, ROA, CASHRATIO b. Dependent Variable: DPR
Tabel 4.12 menunjukkan hasil uji autokorelasi variabel penelitian. Hasil uji autokorelasi di atas menunjukkan nilai statistik Durbin Watson (dw) sebesar 2,238, nilai ini akan kita bandingkan dengan nilai tabel dengan menggunakan signifikansi 5%, jumlah pengamatan 39 (n), dan jumlah variabel independen 6 (k=6), maka berdasarkan tabel Durbin Watson didapat nilai batas atas (du) sebesar 1,8587 dan nilai batas bawah (dl) sebesar 1,1612. Oleh karena itu, nilai (dw) lebih besar dari 4 - du dan lebih kecil dari 4 – dl atau dapat dinyatakan bahwa 4 – 1,8587 < 2,238< 4 - 2,8388 (4 - du ≤ dw ≤ 4 – dl). Dengan demikian dapat disimpulkan bahwa tidak terdapat korelasi negatif.
4.3.4. Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk melihat apakah di dalam model regresi terjadi ketidaksamaan variabel dari residual satu pengamatan ke pengamatan yang lain. Jika varian dari residual satu pengamatan ke pengamatan yang lain tetap maka disebut homokedastisitas, dan jika berbeda disebut heterokedastisitas. Model regresi yang baik yaitu homokedastisitas. Pengujian
65 dilakukaan dengan Scatter-Plot dengan menggunakan SRESID dan ZPRED pada software SPSS.
Cara mendeteksi ada tidaknya gejala heteroskedastisitas adalah dengan melihat grafik scatterplot yang dihasilkan dari pengolahan data menggunakan program SPSS. Dasar pengambilan keputusannya menurut Ghozali (2005) adalah sebagai berikut:
1. Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur (bergelombang, melebar kemudian menyempit), maka mengindikasikan telah terjadi heteroskedastisitas.
2. Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas. Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi gejala heteroskedastisitas atau tidak dengan cara mengamati penyebaran titik-titik pada grafik.
Gambar 4.3
66 Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara acak dengan tidak adanya pola yang jelas serta tersebar baik di atas maupun dibawah angka 0 pada sumbu Y. Hal tersebut menunjukkan bahwa tidak terjadi heteroskedastisitas, sehingga model ini layak dipakai untuk memprediksi DPR perusahaan LQ-45 yang terdaftar di Bursa Efek Indonesia berdasarkan masukan variabel independen yaitu Cash Ratio,Roa,Growth, FS,DER Dan NPM.
