BAB IV PENEMUAN DAN PEMBAHASAN
B. Penemuan dan Pembahasan
2. Pengujian Asumsi Klasik
Dalam penggunaan analisis regresi agar menunjukkan hubungan yang valid atau tidak bias maka perlu dilakukan pengujian asumsi klasik dengan tujuan agar model regresi yang diperoleh memenuhi kriteria BLUE (best linier unbiased estimator). Adapun uji asumsi klasik meliputi normalitas, multikolinearitas,autokorelasi dan heteroskedastisitas.
2.1 Uji Asumsi Klasik Model Regresi Linear Persamaan 1
• Variabel Dependen : Perubahan ROA (Return on Assets)
• Variabel Independen : Perubahan inflasi, perubahan nilai tukar rupiah terhadap dollar Amerika Serikat dan
perubahan Produk Domestik Bruto (PDB).
a. Uji Normalitas Data
Uji normalitas data bertujuan untuk mengetahui apakah dalam model regresi, variabel dependen dan variabel independen keduanya mempunyai distribusi normal ataukah tidak. Untuk mendeteksi normalitas data suatu model regresi dapat diidentifikasikan dari grafik scatter plot. Model regresi yang baik adalah yang memiliki distribusi normal atau mendekati normal. Hasil pengujian penelitian ini, berdasarkan pengaruh perubahan inflasi, perubahan nilai tukar rupiah terhadap dollar Amerika Serikat dan perubahan PDB terhadap perubahan ROA perusahaan manufaktur adalah sebagai berikut:
Gambar 4.1
Hasil Uji Normalitas Perubahan ROA Pada Saat Masih Ada Outlier
Sumber : Output SPSS
Dari hasil scatter plot di atas dapat diketahui bahwa data tersebut tidak terdistribusi normal karena titik-titik yang menyebar tidak berada di sekitar garis diagonal.
Agar dapat memenuhi asumsi normalitas data, dimana nilai-nilai
outlier telah dikeluarkan sehingga mendapatkan observasi sebanyak 405 perusahaan. Outlier adalah nilai yang terpisah dari kumpulan observasi yang dapat bernilai sangat besar atau sangat kecil. Tujuannya adalah untuk menentukan atau mengevaluasi kesahihan suatu model, baik untuk melihat pelanggaran terhadap asumsi maupun untuk melihat penyimpangan nilai prediksi terhadap nilai sesungguhnya (Nachrawi dan Usman, 2006:135).
Hasil dari uji normalitas data setelah dilakukan pembuangan terhadap data yang outlier dapat dilihat pada tabel di bawah ini:
Gambar 4.2
Hasil Uji Normalitas Perubahan ROA Setelah Tidak Ada Outlier
Sumber : Output SPSS
Dari hasil scatter plot di atas dapat diketahui bahwa data tersebut telah terdistribusi normal karena titik-titik yang menyebar berada di sekitar garis diagonal. Sehingga penelitian ini dapat dikatakan telah memenuh asumsi normalitas data.
b. Uji Multikolinieritas
Pengujian terhadap gejala multikolenieritas berguna untuk mengetahui apakah ada hubungan linear sempurna antara beberapa atau semua variabel
independen yang dipergunakan dalam model regresi penelitian ini. Untuk mengetahui apakah antara variabel independent mempunyai kolinieritas yang kuat atau tidak, digunakan Variance Inflation Factor (VIF) dan Tolerance
(TOL). Jika tolerance value di bawah 0,10 dan nilai VIF di atas 10 maka terjadi multikolenieritas.
Tabel 4.2
Hasil Uji Multikolinieritas Perubahan ROA
Coefficientsa
Collinearity Statistics
Model Tolerance VIF
(Constant)
PERUBAHAN INFLASI .651 1.535
PERUBAHAN KURS .599 1.669 1
PERUBAHAN PDB .427 2.343
a. Dependent Variabel: PERUBAHAN ROA
Sumber : Output SPSS
Tabel di atas memperlihatkan hasil pengujian multikolinieritas. Hasil pengujian tersebut menunjukkan bahwa dalam model regresi tidak terjadi multikolinieritas. Hal ini ditunjukkan dengan tolerance value masing-masing variabel berada di atas 0,10 dan nilai VIF berada di bawah 10. Dengan demikian model regresi dalam penelitian ini terbebas dari gelaja multikolinieritas.
c. Uji Autokorelasi
Uji autokorelasi ini dilakukan untuk mengetahui apakah ada korelasi antara anggota seperangkat data observasi yang diurutkan waktu. Untuk
mengetahui ada tidaknya gejala autokorelasi digunakan metode Durbin Watson Test (D-W Test). Kriteria pengujian adalah apabila nilai D-W diantara -2 sampai +2, berarti tidak terdapat autokorelasi.
Tabel 4.3
Hasil Uji Autokorelasi Perubahan ROA
Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .457a .209 .203 .7289595 1.882
a. Predictors: (Constant), PERUBAHAN PDB, PERUBAHAN INFLASI, PERUBAHAN KURS
b. Dependent Variabel: PERUBAHAN ROA
Sumber : Output SPSS
Dengan melihat tabel 4.3 diperoleh perhitungan D-W adalah 1,882 sedangkan dari kriteia uji, nilai D-W yang terletak antara -2 sampai +2 maka terbebas dari gejala autokorelasi. Oleh karena hasil perhitungan D-W sebesar 1,882 maka model tersebut tidak mengandung autokorelasi baik positif maupun negatif.
d. Uji Heteroskedastisitas
Uji ini digunakan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan lain. Jika variance dari residual satu pengamatan ke pengamatan lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik adalah yang
ada atau tidaknya heteroskedastisitas dapat dilakukan dengan beberapa cara, namun pada penelitian kali ini penulis melakukan Uji Park. Jika parameter beta tidak signifikan secara statistik, maka asumsi homoskedastisitas pada data model tersebut tidak ditolak.
Tabel 4.4
Hasil Uji Heteroskedastisitas Perubahan ROA dengan Uji Park
Coefficientsa
Unstandardized Coefficients
Standardized Coefficients
Model B Std. Error Beta t Sig.
(Constant) -.211 .934 -.226 .821
PERUBAHAN INFLASI -.185 .233 -.046 -.792 .429
PERUBAHAN KURS .911 1.669 .034 .546 .586
1
PERUBAHAN PDB .541 4.940 .008 .110 .913
a. Dependent Variabel: Ln_U2iY1
Sumber : Output SPSS
Dari tabel 4.4 diatas dketahui bahwa hasil regresi dari parameter beta tidak signifikan secara statistik, maka asumsi homoskedastisitas pada data model tersebut tidak dapat ditolak atau dengan kata lain tidak terdapat gejala heteroskedastisitas pada model regresi tersebut.
2.2 Uji Asumsi Klasik Model Regresi Linear Persamaan 2
• Variabel Dependen : Perubahan ROE (Return on Equity)
• Variabel Independen : Perubahan inflasi, perubahan nilai tukar rupiah terhadap dollar Amerika Serikat dan
a. Uji Normalitas Data
Uji normalitas data bertujuan untuk mengetahui apakah dalam model regresi, variabel dependen dan variabel independen keduanya mempunyai distribusi normal ataukah tidak. Untuk mendeteksi normalitas data suatu model regresi dapat diidentifikasikan dari grafik scatter plot. Model regresi yang baik adalah yang memiliki distribusi normal atau mendekati normal. Hasil pengujian penelitian ini, berdasarkan pengaruh perubahan inflasi, perubahan nilai tukar rupiah terhadap dollar Amerika Serikat dan perubahan PDB terhadap perubahan ROE perusahaan manufaktur adalah sebagai berikut:
Gambar 4.3
Hasil Uji Normalitas Perubahan ROE Pada Saat Masih Ada Outlier
Dari hasil scatter plot di atas dapat diketahui bahwa data tersebut tidak terdistribusi normal karena titik-titik yang menyebar tidak berada di sekitar garis diagonal.
Agar dapat memenuhi asumsi normalitas data, dimana nilai-nilai
outlier telah dikeluarkan sehingga mendapatkan observasi sebanyak 405 perusahaan. Outlier adalah nilai yang terpisah dari kumpulan observasi yang dapat bernilai sangat besar atau sangat kecil. Tujuannya adalah untuk menentukan atau mengevaluasi kesahihan suatu model, baik untuk melihat pelanggaran terhdapa asumsi maupun untuk melihat penyimpangan nilai prediksi terhadap nilai sesungguhnya (Nachrawi dan Usman, 2006:135).
Hasil dari uji normalitas data setelah dilakukan pembuangan terhadap data uang outlier dapat dilihat pada tabel di bawah ini:
Gambar 4.4
Hasil Uji Normalitas Perubahan ROE Setelah Tidak Ada Outlier
Dari hasil scatter plot di atas dapat diketahui bahwa data tersebut telah terdistribusi normal karena titik-titik yang menyebar berada di sekitar garis diagonal. Sehingga penelitian ini dapat dikatakan telah memenuhi asumsi normalitas data.
b. Uji Multikolinieritas
Pengujian terhadap gejala multikolenieritas berguna untuk mengetahui apakah ada hubungan linear sempurna antara beberapa atau semua variabel independen yang dipergunakan dalam model regresi penelitian ini. Untuk mengetahui apakah antara variabel independent mempunyai kolinieritas yang kuat atau tidak, digunakan Variance Inflation Factor (VIF) dan Tolerance
(TOL). Jika tolerance value di bawah 0,10 dan nilai VIF di atas 10 maka terjadi multikolenieritas.
Tabel 4.5
Hasil Uji Multikolinieritas Perubahan ROE
Coefficientsa
Collinearity Statistics
Model Tolerance VIF
(Constant) PERUBAHAN INFLASI .691 1.447 PERUBAHAN KURS .594 1.684 1 PERUBAHAN PDB .444 2.251
a. Dependent Variabel: PERUBAHAN ROE Sumber : Output SPSS
Tabel di atas memperlihatkan hasil pengujian multikolinieritas. Hasil pengujian tersebut menunjukkan bahwa dalam model regresi tidak terjadi multikolinieritas. Hal ini ditunjukkan dengan tolerance value masing-masing variabel berada di atas 0,10 dan nilai VIF berada di bawah 10. Dengan demikian model regresi dalam penelitian ini terbebas dari gejala multikolinieritas.
c. Uji Autokorelasi
Uji autokorelasi ini dilakukan untuk mengetahui apakah ada korelasi antara anggota seperangkat data observasi yang diurutkan waktu. Untuk mengetahui ada tidaknya gejala autokorelasi digunakan metode Durbin Watson Test (D-W Test). Kriteria pengujian adalah apabila nilai D-W diantara -2 sampai +2, berarti tidak terdapat autokorelasi.
Tabel 4.6
Hasil Uji Autokorelasi Perubahan ROE
Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .495a .245 .239 .6730077 1.892
a. Predictors: (Constant), PERUBAHAN PDB, PERUBAHAN INFLASI, PERUBAHAN KURS
b. Dependent Variabel: PERUBAHAN ROE
Dengan melihat tabel 4.6 diperoleh perhitungan D-W adalah 1,892 sedangkan dari kriteia uji, nilai D-W yang terletak antara -2 sampai +2 maka terbebas dari gejala autokorelasi. Oleh karena hasil perhitungan D-W sebesar
1,882 maka model tersebut tidak mengandung autokorelasi baik positif maupun negatif.
d. Uji Heteroskedastisitas
Uji ini digunakan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan lain. Jika variance dari residual satu pengamatan ke pengamatan lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik adalah yang homoskedastisitas atau tidak terjadi heteroskedastisitas. Untuk mendeteksi ada atau tidaknya heteroskedastisitas dapat dilakukan dengan beberapa cara, namun pada penelitian kali ini penulis melakukan Uji Park. Jika parameter beta tidak signifikan secara statistik, maka asumsi homoskedastisitas pada data model tersebut tidak ditolak.
Tabel 4.7
Hasil Uji Heteroskedastisitas Perubahan ROE dengan Uji Park
Coefficientsa
Unstandardized Coefficients
Standardized Coefficients
Model B Std. Error Beta t Sig.
(Constant) -1.075 .902 -1.192 .234
PERUBAHAN INFLASI -.221 .226 -.056 -.979 .328
PERUBAHAN KURS 1.924 1.612 .074 1.193 .233
1
PERUBAHAN PDB 4.487 4.773 .067 .940 .348
a. Dependent Variabel: Ln_U2iY2
Sumber : Output SPSS
Dari tabel 4.7 diatas diketahui bahwa hasil regresi dari parameter beta tidak signifikan secara statistik, maka asumsi homoskedastisitas pada data
model tersebut tidak dapat ditolak atau dengan kata lain tidak terdapat gejala heteroskedastisitas pada model regresi tersebut.
3. Uji Hipotesis
