BAB IV ANALISA HASIL PENELITIAN
4.2. Uji Asumsi Klasik
4.2.1. Uji Normalitas Data
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.
A. Analisis Grafik
Analisi 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. Dan lonceng tidak menceng kekiri maupun kekanan.
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
Dari grafik histogram dan normal probability plot pada gambar 4.1 diatas, terlihat bahwa grafik tidak menceng ke kiri maupun kekanan. Dengan demikian grafik diatas memperlihatkan pola distribusi yang normal, demikian pula hasil uji normalitas dengan menggunakan grafik p-p plot.
Pada grafik normal p-p plot di atas terlihat bahwa data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal, maka dapat disimpulkan bahwa model regresi telah memenuhi asumsi normalitas.
B. 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 K- S) dengan melihat data residualnya apakah berdistribusi normal atau tidak. Jika nilai signifikansinya lebih besar dari 0,05 maka data tersebut terdistribusi normal. Jika 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
Hasil Pengujian Kolmogorov-smirnov sebelum tranformasi
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 28
Normal Parametersa,b Mean .0000000
Std. Deviation 2004.75933231
Most Extreme Differences Absolute .181
Positive .181
Negative -.117
Kolmogorov-Smirnov Z .957
Asymp. Sig. (2-tailed) .319
a. Test distribution is Normal. b. Calculated from data.
Hasil uji Kolmogorov-Smirnov pada yang terdapat pada tabel 4.2 dari penelitian ini menunjukkan signifikasi probabilitas dari nilai residual adalah 0,319. Maka data dapat digunakan karena 0,319 > 0,05 (Ho diterima). Tetapi untuk memperkecil penyimpangan dalam uji hipotesis data, maka penulis mencoba untuk melakukan tranformasi data kedalam logaritma natural (Ln). setelah dilakukan tranformasi maka nilai signifikansi mengalami peningkatan dan std.deviation mengalami penurunan. Berikut ini hasil pengujian dengan kolmogorov-smirnov setelah mengalami transformasi kedalam logaritma natural.
Tabel 4.3
Hasil pengujian kolmogorov-smirnov setelah tranformasi
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 28
Normal Parametersa,b Mean .0000000
Std. Deviation .68534109
Most Extreme Differences Absolute .150
Positive .150
Negative -.110
Kolmogorov-Smirnov Z .796
Asymp. Sig. (2-tailed) .551
a. Test distribution is Normal. b. Calculated from data.
Dari hasil pengolahan data pada tabel 4.3 diatas diperoleh besarnya nilai Kolmogorov-smirnov adalah 0,769 dan signifikansi sebesar 0,551. Yang artinya nilai signifikansi > 0,05. Dengan demikian, data pada
penelitian ini berdistribusi normal dan dapat digunakan untuk melakukan Uji-t dan Uji-F karena > 0,05 (Ho diterima).
4.2.2. Uji Heterokedastisitas
Pengujian ini digunakan untuk melihat apakah variabel pengganggu mempunyai varian yang sama atau tidak. Heteroskedastisitas mempunyai suatu keadaan bahwa varian dari residual suatu pengamatan ke pengamatan yang lain berbeda. Salah satu metode yang digunakan untuk menguji ada tidaknya Heterokedastisitas akan mengakibatkan penaksiran koefisien- koefisien regresi menjadi tidak efisien. Hasil penaksiran akan menjadi kurang dari semestinya. Heterokedastisitas bertentangan dengan salah satu asumsi dasar regresi linear, yaitu bahwa variasi residual sama untuk semua pengamatan atau disebut homokedastisitas (Gujarati dalam Elmasari, 2010:53)
Menurut Ghozali (2005:105), “uji Heterokedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Jika variance dari residual satu pengamatan ke pengamatan yang lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut Heterokedastisitas. Model regresi yang baik adalah homoskedastisitas atau tidak terjadi heterokedastisitas karena data ini menghimpun data yang mewakili berbagai ukuran (kecil, sedang, dan besar)”.
Pengujian heterokedastisitas dapat dilakukan dengan uji grafik dengan melihat grafik scatterplot yaitu dengan cara melihat titik-titik penyebaran pada grafik dan uji Spearman, dengan cara meregres seluruh variabel independen dengan nilai absolute residual (absut) sebagai variabel dependennya. Perumusan hipotesis adalah :
Ho : tidak ada heterokedastisitas Ha : ada heterokedastisitas.
Jika signifikan < 0,05 maka Ha diterima (ada heterokedastisitas) dan jika signifikan > 0,05 maka Ho diterima (tidak ada heterokedastisitas).
Gambar 4.3 Gambar 4.3
Pada gambar 4.3 tentang scatterplot diatas terlihat titik-titik menyebar secara acak tidak membentuk sebuah pola tertentu yang jelas serta tersebar baik diatas maupun dibawah angka nol pada sumbu Y. hal ini berarti tidak terjadi heterokedastisitas pada model regresi sehingga model regresi layak dipakai unuk melihat pengaruh variabel independen terhadap variabel dependen.
Tabel 4.4 Uji Spearmen rho
Correlations
Unstandardized
Residual DPS_transform EPS_transform Spearman's rho Unstandardized Residual Correlation Coefficient 1.000 .093 .007 Sig. (2-tailed) . .637 .971 N 28 28 28
DPS_transform Correlation Coefficient .093 1.000 .808**
Sig. (2-tailed) .637 . .000
N 28 28 28
EPS_transform Correlation Coefficient .007 .808** 1.000
Sig. (2-tailed) .971 .000 .
N 28 28 28
**. Correlation is significant at the 0.01 level (2-tailed).
Dari tabel 4.4 diatas kita dapat melihat bahwa nilai siginifikansi untuk variabel in Dividend Per Share adalah 0,645 (>0,05). Nilai signifikansi untuk variabel ini Earnings per share adalah 0,194 (>0,05). Dari hasil ini maka dapat disimpulkan bahwa tidak terdapat masalah heterokedastisitas karena variabel independennya memiliki signifikan lebih besar dari 0,05.
Tabel 4.5 Uji glesjer Coefficientsa Model Unstandardized Coefficients Standardized Coefficients T Sig. B Std. Error Beta 1 (Constant) .564 .393 1.435 .164 EPS_transform -.063 .116 -.184 -.542 .592 DPS_transform .067 .073 .311 .919 .367
a. Dependent Variable: ABS_RES
Dari output pada Tabel 4.5 di atas dapat diketahui bahwa nilai signifikansi kedua variabel independen lebih dari 0,05. Dengan demikian dapat disimpulkan bahwa tidak terjadi masalah heteroskedastisitas pada model regresi.
4.2.3. Uji Autokorelasi
Hasil 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. Secara umum panduan mengenai angka durbin-watson dapat diambil patokan 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 diatas +2 berarti ada autokorelasi negatif.
Tabel 4.6 Hasil uji autokorelasi
Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin- Watson 1 .910a .827 .814 .71223 1.374
a. Predictors: (Constant), DPS_transform, EPS_transform b. Dependent Variable: HS_transform
Tabel 4.6 memperlihatkan nilai statistik Durbin-Watson sebesar = 1,374 yang artinya nilai durbin watson terletak antara -2 dan +2. Maka dapat disimpulkan bahwa model regresi bebas dari auto korelasi.
4.2.4. Uji Multikolinearitas
Menurut Ghozali (2005:91), “ uji multikolinearitas dilakukan untuk menguji apakah pada model regresi ditemukan adanya korelasi antar variabel bebas (independen)”. 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 maka terjadi multikolinearitas. Apabila tolerance value > 0,1 atau VIF < 10 maka tidak terjadi multikolinearitas. Hasil pengujian terhadap multikolinearitas pada penelitian ini dapat dilihat pada tabel 4.7.
Tabel 4.7 Uji multikolinearitas Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 2.621 .596 4.397 .000
EPS_transform .797 .175 .652 4.544 .000 .336 2.979
DPS_transform .230 .111 .297 2.069 .049 .336 2.979
a. Dependent Variable: HS_transform
Berdasarkan tabel 4.7 diatas dapat dilihat bahwa tidak ada satupun variabel bebas yang memiliki nilai VIF lebih besar dari 10 dan tidak ada yang memiliki tolerance value lebih dari 0,1. Jadi dapat disimpulkan bahwa penelitian ini bebas dari adanya multikolinearitas. Dari hasil analisis, didapat nilai VIF untuk variabel Earnings per share adalah 2,979 (<10) dan nilai tolerance sebesar 0,336 (>0,1), bila VIF untuk variabel Dividend Per Share adalah 2,797 dan nilai tolerance sebesar 0,336 (>0,1). Hasil ini maka dapat disimpulkan bahwa semua variabel bebas yang dipakai dalam penelitian ini lolos uji gejala multikolinearitas.