HASIL PENELITIAN DAN PEMBAHASAN
5.1. Hasil Penelitian
5.1.2. Pengujian Asumsi Klasik Hipotesis Pertama
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.
5.1.2.1.Uji normalitas
Uji normalitas berguna untuk mengetahui apakah variabel dependen dan variabel independen yang digunakan dalam penelitian mempunyai distribusi normal atau tidak. Model regresi yang baik dan layak digunakan dalam penelitian adalah model yang memiliki distribusi normal atau mendekati normal. Hasil uji normalitas data dengan normal Probability Plot dalam penelitian ini dapat ditunjukkan pada gambar 5.1 berikut ini:
Sumber: Hasil Penelitian, 2010 (Data diolah)
Dari Gambar 5.1 terlihat bahwa titik-titik menyebar jauh dari garis diagonal dan tidak mengikuti arah garis diagonal, maka model regresi tidak memenuhi asumsi normalitas. Selain itu uji normalitas data dapat dilakukan dengan menggunakan uji statistik non parametrik Kolmogorov-Smirnov (K-S), pengujian ini adalah pengujian paling valid atas asumsi normalitas. Untuk mengetahui hasil uji normalitas dari masing-masing variabel dengan uji Kolmogorov-Smirnov dapat dilihat pada Tabel 5.2 berikut:
Tabel 5.2 Uji Kolmogorov-Smirnov Sebelum Transformasi
One-Sample Kolmogorov-Smirnov Test
Unstandardize d Residual
N 120
Mean .0000000
Normal Parametersa,,b
Std. Deviation 1.57566522E4
Absolute .300
Positive .260
Most Extreme Differences
Negative -.300
Kolmogorov-Smirnov Z 3.288
Asymp. Sig. (2-tailed) .000
a. Test distribution is Normal. b. Calculated from data.
Sumber: Hasil Penelitian, 2011 (Data diolah)
Dari hasil uji normalitas pada Tabel 5.2 dapat dilihat bahwa variabel GPM, NPM, ROA, ROE, EPS, HGS dan PER memiliki data yang tidak berdistribusi normal karena nilai signifikansi dari masing-masing variabel sebesar 0,000 < 0,05. Untuk mengubah nilai residual agar berdistribusi normal, peneliti melakukan transformasi data dengan Logaritma natural (Ln) dengan menggunakan SPSS. Caranya adalah
dengan melakukan logaritma natural terhadap semua variabel yang tidak berdistribusi normal. Setelah itu, data diuji ulang berdasarkan asumsi normalitas. Hasil uji normalitas setelah melakukan transformasi data yang tidak normal tersebut dapat dilihat dari gambar normalitas Probability Plot pada Gambar 5.3 berikut ini:
Sumber: Hasil Penelitian, 2010 (Data diolah)
Gambar 5.2 Hasil Uji Normalitas Setelah Dilakukan Transformasi
Dari grafik normal Probability Plot pada Gambar 5.2 terlihat bahwa setelah dilakukan transformasi data menggunakan logaritma natural, grafik P-P Plot memperlihatkan titik-titik menyebar disekitar garis diagonal dan mengikuti arah garis diagonal yang menunjukkan pola distribusi normal. Untuk meyakinkan bahwa data
penelitian ini benar-benar normal, maka akan dilakukan pengujian uji statistik non parametrik dengan menggunakan Kolmogorov-Smirnov seperti yang terdapat dalam Tabel 5.3 berikut:
Tabel 5.3. Uji Kolmogorov-Smirnov Setelah Transformasi
Unstandardize d Residual
N 69
Mean .0000000
Normal Parametersa,,b
Std. Deviation 1.38640121
Absolute .090
Positive .090
Most Extreme Differences
Negative -.081
Kolmogorov-Smirnov Z .744
Asymp. Sig. (2-tailed) .638
a. Test distribution is Normal. b. Calculated from data.
Sumber: Hasil Penelitian, 2011 (Data diolah)
Dari hasil uji Kolmogorov-Smirnov pada Tabel 5.3 dapat dilihat bahwa setelah dilakukan transformasi data dengan logaritma natural, maka semua data variabel yang diuji menjadi normal dengan nilai signifikansi dari masing-masing variabel lebih besar dari 0,05 dengan demikian dapat disimpulkan bahwa data telah berdistribusi normal.
5.1.2.2.Uji heteroskedastisitas
Uji heteroskedastisitas dalam penelitian ini dilakukan dengan melihat grafik
Scatter-Plot antara nilai prediksi variabel terkait (ZPRED) dengan residualnya
(SRESID). Jika ada pola tertentu seperti titik-titik yang ada membentuk pola tertentu yang teratur maka mengindikasikan telah terjadi heteroskedastisitas dan jika tidak ada
pola yang jelas serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y maka tidak terjadi heteroskedastisitas. Di mana Y adalah nilai residual dan X adalah nilai yang telah diprediksi. Hasil uji heteroskedastisitas dapat dilihat pada grafik
Scatter-Plot berikut ini:
Sumber: Hasil Penelitian, 2010 (Data diolah) Gambar 5.3. Uji Heteroskedastisitas
Dari grafik Scatterpplot pada Gambar 5.3 dapat dilihat bahwa tidak ada pola yang jelas serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y. Hal ini menyimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi sehingga model regresi layak dipakai.
5.1.2.3.Uji autokorelasi
Uji autokorelasi digunakan untuk mengetahui ada tidaknya korelasi antara kesalahan pengganggu pada periode tertentu dengan kesalahan pengganggu periode
sebelumnya. Model regresi yang baik adalah regresi yang bebas dari autokorelasi. Uji autokorelasi dapat dilakukan dengan pengujian Durbin-Watson (DW). Hasil uji autokorelasi dapat dilihat pada Tabel 5.4 berikut ini:
Tabel 5.4. Uji Autokorelasi Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .811a .658 .633 1.30063 1.544
a. Predictors: (Constant), Ln_EPS, Ln_GPM, Ln_ROA, Ln_ROE,
Ln_NPM
b. Dependent Variable: Ln_HGS
Sumber: Hasil Penelitian, 2011 (Data diolah)
Nilai D-W tersebut berada di antara 1,5 sampai 2,5 berarti tidak terjadi autokorelasi pada model regresi yang digunakan.
a. Jika nilai D-W berada di bawah 0 sampai 1,5 berarti ada autokorelasi positif. b. Jika nilai D-W berada di antara 1,5 sampai 2,5 berarti tidak terjadi autokorelasi. c. Jika nilai D-W berada di atas 2,5 berarti ada autokorelasi negatif.
Dari Tabel 5.4 dapat dilihat bahwa nilai Durbin-Watson dalam penelitian ini sebesar 1,544, dapat disimpulkan bahwa tidak terjadi autokorelasi pada model yang digunakan pada penelitian ini.
5.1.2.4. Uji multikolinieritas
Uji Multikolinieritas digunakan untuk menguji apakah dalam model regresi ditemukan korelasi antar variabel bebas (independen), model regresi yang baik seharusnya tidak terjadi korelasi antar variabel bebas. Untuk mendeteksi ada tidaknya
multikolinieritas yaitu dengan melihat Tolerance Value dan Variance Inflation Factor
(VIF). Multikolinieritas terjadi jika nilai tolerance < 0,10 dan VIF > 10 atau jika antar
variabel independen ada korelasi yang cukup tinggi umumnya di atas 0,9. Hasil uji multikolinieritas dapat dilihat pada Tabel 5.5 beikut:
Tabel 5.5. Uji Multikolinieritas
Coefficientsa
Unstandardized Coefficients
Standardized
Coefficients Collinearity Statistics
Model B Std. Error Beta Tolerance VIF
(Constant) 2.789 .962 Ln_GPM -.164 .243 -.053 .841 1.190 Ln_NPM .165 .365 .061 .276 3.621 Ln_ROA .058 .203 .030 .472 2.120 Ln_ROE -.310 .222 -.163 .374 2.676 1 Ln_EPS .785 .084 .863 .592 1.690 a. Dependent Variable: Ln_HGS
Sumber: Hasil Penelitian, 2011 (Data diolah)
Berdasarkan hasil pengujian multikolinieritas pada Tabel 5.5 dapat dilihat bahwa nilai tolerance pada variabel LnGPM, LnNPM, LnROA, LnROE dan LnEPS > 0,10 dan VIF-nya < 10. Hal ini menunjukkan bahwa tidak terjadi korelasi antar variabel independen artinya tidak terjadi multikolinieritas.