HASIL PENELITIAN DAN PEMBAHASAN
15. PT Bank CIMB Niaga Tbk
4.2 Hasil Penelitian
3.2.2 Pengujian Asumsi Klasik 4.2.2.1 Uji Normalitas
Uji normalitas dilakukan untuk mengetahui apakah data-data dari variabel yang digunakan dalam penelitian terdistribusi normal atau tidak. Uji normalitas dalam penelitian ini dilakukan dengan dua cara, yaitu melalui analisis grafik dan analisis statistik. Normalitas data dapat dideteksi melalui analisis grafik dengan melihat bentuk gambar kurva dari Histogram Display Normal Curve. Data dikatakan normal jika bentuk kurva tersebut tidak condong ke kiri maupun ke kanan, melainkan ke tengah dengan bentuk seperti lonceng. Selain itu, normalisasi data juga dapat dilihat dengan menggunakan Normal P-Plot dimana data dikatakan dalam keadaan normal apabila distribusi data menyebar di sekitar garis diagonal. Sedangkan uji statistik yang dapat digunakan dalam uji normalitas adalah Uji Kolmogorov – Smirnov (K-S).
Dasar pengambilan keputusan dalam uji K-S adalah sebagai berikut: a. Apabila nilai signifikansi atau nilai probabilitas > 0,05; maka H0 diterima,
b. Apabila nilai signifikansi atau nilai probabilitas < 0,05; maka H0 ditolak, yang berarti data tidak berdistribusi normal.
Adapun hasil pengujian normalitas dalam penelitian ini dapat dilihat sebagai berikut:
1. Uji Normalitas Pada Multinational Company (MNC)
Sumber: Hasil pengolahan data dengan SPSS
Sumber: Hasil Penelitian, 2014 (Data diolah)
Gambar 4.1
Dengan melihat tampilan grafik histogram dapat disimpulkan bahwa grafik tersebut memberikan pola distribusi yang normal, karena kurvanya tidak menceng ke kiri atau ke kanan.
Untuk lebih menjelaskan bahwa data yang diuji berdistribusi normal dapat juga dilihat dengan grafik normal probability plot yang menunjukkan titik-titik menyebar di sekitar garis diagonal, sebagaimana ditampilkan pada Gambar 4.2 berikut:
Sumber: Hasil pengolahan data dengan SPSS
Gambar 4.2
Cara lain untuk melihat distribusi data normal atau tidak adalah dengan melakukan uji Kolmogrov Smirnov. Dengan menggunakan tingkat signifikan 5%, maka jika nilai Asymp. Sig. (2-tailed) di atas 5% artinya variabel residual berdistribusi normal. Untuk lebih jelas dapat dilihat pada Tabel 4.2:
Tabel 4.2
Kolmogrov-Smirnov Data Perusahaan Perbankan di BEI One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 45
Normal Parametersa,,b Mean .0000000
Std. Deviation 5.00636160 Most Extreme Differences Absolute .120
Positive .120 Negative -.074
Kolmogorov-Smirnov Z .804
Asymp. Sig. (2-tailed) .537
a. Test distribution is Normal. b. Calculated from data.
Sumber: Hasil Penelitian, 2014 (Data diolah)
Pada Tabel 4.2 dapat dilihat bahwa nilai Asymp.Sig (2-tailed) adalah 0,537 dan di atas nilai signifikansi (0,05) dan Nilai Kolmogrov-Smirnov Z sebesar 0,804. Dengan kata lain variabel residual berdistribusi normal karena karena p = 0,537 > 0,05.
4.2.2.2 Uji Heteroskedastisitas
Asumsi heteroskedastisitas adalah asumsi dalam regresi dimana varians dari residual tidak sama untuk satu pengamatan ke pengamatan lainnya. Uji untuk mengetahui heteroskedastisitas ini adalah dengan melihat penyebaran dari varians residual pada diagram pencar (scatterplot).
Sumber: Hasil Penelitian, 2014 (Data diolah) Gambar 4.3
Grafik Scatterplot Perusahaan Perbankan di BEI
Pada Gambar 4.3 terlihat bahwa titik-titik menyebar secara acak dan tidak membentuk sebuah pola tertentu yang jelas. Hal ini menunjukkan tidak
terjadi heteroskedastisitas pada model regresi, sehingga model regresi layak dipakai
.
4.2.2.3 Uji Autokorelasi
Uji autokorelasi bertujuan untuk mengetahui apakah dalam sebuah model regresi terdapat korelasi antara variabel pengganggu pada periode tertentu dengan variabel pengganggu pada periode sebelumnya. Gejala autokorelasi dideteksi dengan menggunakan uji Durbin Watson (DW). Kriteria pengambilan keputusan uji autokorelasi ditunjukkan pada Tabel berikut:
Tabel 4.3
Kriteria Pengambilan Keputusan Uji 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 negatif Tolak 4 – dl < d < 4 Tidak ada korelasi negatif No decision 4 – du ≤ d≤ 4 – dl Tidak ada autokorelasi positif atau
negative Tidak ditolak Du < d < 4 – du Sumber : Situmorang et al (2012 : 126) Tabel 4.4 Autokorelasi Model Summaryb odel R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson .318a .101 .011 5.25072 1.567
a. Predictors: (Constant), EPS, DER, ROE, ROA b. Dependent Variable: PER
Pada hasil output SPSS yang digambarkan dalam Tabel 4.5 terlihat nilai DW sebesar 1,567 dengan jumlah pengamatan sebanyak 45 dan kasus = 5, maka nilai du = 1,7762 dan nilai dl = 1,2874. Melalui data tersebut diperoleh hasil bahwa dl < d < du (1,2878 < 1,567 < 1,7762). Maka disimpulkan terjadi autokorelasi positif pada model regresi. Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu dengan yang lainnya. Masalah ini muncul karena kesalahan pengganggu dari satu observasi tidak bebas ke observasi lainnya.
Deteksi terhadap autokorelasi dapat juga dilakukan dengan metode The Runs Test seperti dalam Tabel 4.6 berikut :
Tabel 4.5
Autokorelasi ‒ The Runs Test Runs Test
Unstand ardized Residual
Test Valuea -.64981
Cases < Test Value 22 Cases >= Test Value 23
Total Cases 45
Number of Runs 22
Z -.298
Asymp. Sig. (2-tailed) .765
Hasil output SPSS menunjukkan bahwa nilai test adalah -0,64891 dengan probabilitas 0,765. Nilai signifikansi berada di bawah 0,05 yang berarti tidak menerima hipotesis nol (H0). Sehingga dapat disimpulkan bahwa residual bersifat tidak random atau terjadi autokorelasi antar nilai residual.
4.2.2.4 Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk mengetahui apakah dalam model regresi ditemukan adanya korelasi/hubungan linier antarvariabel independen. Hubungan linear antarvariabel independen inilah yang disebut multikolinearitas. Adanya multikolinearitas dapat dilihat dari tolerance value
atau nilai Variance Inflation Factor (VIF). Batas tolerance value adalah 0,1 dan batas VIF ada lah 5, dimana tolerance value < 0,1 atau VIF > 5 maka terjadi multikolinearitas dan tolerance value > 0,1 atau VIF < 5 maka tidak terjadi multikolinearitas.
Tabel 4.6
Hasil Regresi Linear Berganda Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
(Constant) 17.591 2.001 8.792 .000
DER -.098 .084 -.181 -1.175 .247 .943 1.061
ROE -5.687 15.664 -.083 -.363 .718 .432 2.315
ROA -62.004 193.055 -.098 -.321 .750 .239 4.178
EPS -.003 .006 -.120 -.516 .609 .416 2.404
Dari Tabel 4.7 di atas, terlihat bahwa setiap variabel independen memiliki
tolerance value > 0,1 dan VIF < 5. Sehingga dapat disimpulkan bahwa dalam model regresi tidak terdapat multikolinearitas.