BAB IV ANALISIS DATA DAN PEMBAHASAN
C. Uji Asumsi Klasik …
1. Uji Normalitas Data
Tahap kedua adalah uji normalitas data, hal ini penting untuk mengetahui residual berdistribusi secara normal. Untuk mengetahui data berdistribusi secara normal digunakan uji Kolmogorov-Smirnov (K-S).
commit to user
Hasil perhitungan uji normalitas menggunakan program SPSS 17 for Windows dapat dilihat pada tabel 3 berikut :
Tabel 3
Hasil Uji Normalitas Data
One-Sample Kolmogorov-Smirnov Test U
N 46
Normal Parametersa,,b Mean .0000000
Std. Deviation 22.19375593 Most Extreme Differences Absolute .105
Positive .079
Negative -.105
Kolmogorov-Smirnov Z .713
Asymp. Sig. (2-tailed) .689
a. Test distribution is Normal. b. Calculated from data.
Sumber: Data diolah, 2012
Pada tabel diatas terlihat bahwa uji Kolmogrov-Smirnov didapatkan hasil signifikansi sebesar 0,689. Hal ini berarti nilai signifikansi berada di atas 0,05 yang mengindikasikan data tersebut berdistribusi normal.
Cara lain untuk menguji normalitas data dengan teknik grafik (plot) yaitu melihat nilai residual pada model regresi yang akan di uji. Jika sampel berasal dari sebuah populasi yang normal, titik-titik dalam plot akan jatuh di sekitar garis lurus. Jika sampel berasal dari sebuah populasi yang tidak normal, plot akan terlihat seperti kurva. Dalam pengujian ini dilakukan dengan program SPSS 17 for Windows. Gambar 2 menunjukkan hasil pengujian normalitas data.
commit to user
Sumber: Data diolah , 2012 Gambar 2
Hasil Pengujian Normalitas Data
Berdasarkan gambar 2 menunjukkan bahwa titik-titik dalam plot jatuh di sekitar garis lurus dan tidak ada data yang menyimpang secara ekstrim. Dengan demikian dapat disimpulkan bahwa semua data dalam penelitian ini berdistribusi normal.
2. Uji Multikolinieritas
Multikolinieritas terjadi jika variabel independen secara kuat berkorelasi satu sama lain. Multikolinieritas terdeteksi apabila dari persamaan regresi didapatkan nilai adjusted R square yang tinggi sedangkan nilai tiap variabelnya rendah. Pengujiannya adalah dengan melihat koefisien VIF. Apabila berada pada kisaran 0,1 sampai dengan 10
commit to user
maka disimpulkan tidak terjadi multikolinieritas. Hasil pengolahan data dengan program SPSS 17 for Windows sebagai berikut:
Tabel 4
Hasil Pengujian Multikolinieritas
Variabel Nilai VIF
Insider 1,439
Capital Market 1,305
ROA 1,468
Leverage 1,155
PER 1,391
Sumber: Data diolah, 2012
Hasil olah data tersebut secara jelas menunjukkan nilai VIF dari tiap-tiap variabel berada pada posisi 0,1 sampai dengan 10 sehingga dapat disimpulkan tidak terjadi multikolinieritas pada variabel yang diteliti. Besarnya nilai VIF masing-masing variabel adalah biaya agensi (Insider) sebesar 1,439; ukuran perusahaan (Capita l Ma rket) sebesar 1,305; profitabilitas (ROA) sebesar 1,468; leverage keuangan sebesar 1,155; dan pertumbuhan perusahaan (PER) sebesar 1,391.
3. Uji Autokorelasi
Autokorelasi terjadi jika pengganggu, e, berkorelasi dari waktu ke waktu. Terjadinya korelasi karena sebuah kejadian dalam satu periode waktu mungkin mempengaruhi satu kejadian di periode waktu berikutnya. Dalam penelitian ini digunakan uji Durbin Watson dan Runs Test. Hasil pengujian Durbin Watson dengan program SPSS 17 for Windows dapat dilihat pada tabel 5 berikut :
commit to user
Tabel 5
Hasil Uji Durbin-Watson
Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .514a .265 .173 23.54003 2.266
a. Predictors: (Constant), PER, Leverage, Capital Market, ROA, Insider b. Dependent Variable: DPR
Sumber: data diolah, 2012
Dari hasil diatas dapat dilihat koefisien Durbin-Watson menunjukkan angka sebesar 2,266, sedangkan nilai du dan dl pada tabel DW masing-masing sebesar 1,776 dan 1,287.
Gambar 3
Gambar Grafik Durbin-Watson
Suatu data dikatakan bebas autokorelasi jika nilai dw diantara du
dan 4 - du. Karena nilai d berada diantara 4 - du dan 4 - dl maka dapat disimpulkan bahwa model tersebut pada daerah tanpa keputusan.
Korelasi dapat terjadi karena banyak data dalam penelitian bergerak bersama-sama (Chandra Wijaya, 2005). Karena data masuk ke dalam daerah tanpa keputusan, maka perlu dilakukan pengobatan terhadap data
commit to user
yang akan dianalisis yaitu dengan mentransformasi model awal menjadi model difference :
DIVPOLt = β1 + β2INDSt + β3SIZEt + β4PROFt + β5FLEVERt +
Β6PERt + µ ………. (Persamaan IV.1)
Diasumsikan bahwa residual atau error mengikuti a utoregressiveAR(1) sebagai berikut:
µt= ρμt-1+ εt – 1 < ρ < 1 ………..……..…….……...(Persamaan IV.2)
Dengan mentransformasikan data kedalam bentuk logaritma natural, kemudian dilakukan regresi maka dapat diketahui dengan menghitung menggunakan rumus Theil dan Nagar sebagai berikut :
………(Persamaan IV.3)
Jika persamaan persamaan IV.1 benar untuk waktu t, maka akan benar juga dengan waktu t-1, sehingga :
DIVPOLt-1 = β1 + β2INDSt-1 + β3SIZEt-1 + β4PROFt-1 + β5FLEVERt-1 +
Β6PERt-1 + µt-1 ………..…………. (Persamaan IV.4) Sisi kanan dan kiri persamaan dikalikan dengan ρ diperoleh persamaan sebagai berikut :
ρDIVPOLt-1 = ρβ1 + ρβ2INDSt-1 + ρβ3SIZEt-1 + ρβ4PROFt-1 +
commit to user
Dengan mengurangkan persamaan VI.1 dan VI.5 akan diperoleh persamaan sebagai berikut :
(DIVPOLt - ρDIVPOLt-1) = β1(1 – ρ) + β2(INDSt - ρINDSt-1) + β3(SIZEt – ρSIZEt-1) + β4(PROFt - ρPROFt-1) + β5(FLEVERt - ρFLEVERt-1) +
β6(PERt - ρPERt-1) + εt ………..… (Persamaan IV.6) Dimana εt =(µt -ρµt-1)
Sehingga persamaan diatas dinyatakan sebagai berikut :
DIVPOLt = β1* + β2*INDSt* + β3*SIZEt* + β4*PROFt* + β5*FLEVERt* + β6*PERt* + εt ………. (Persamaan IV.7)
Oleh karena residual persamaan IV.7 memenuhi asumsi OLS, maka kita dapat menggunakan OLS untuk menaksir persamaan IV.7 yaitu dengan meregresikan dengan metode estimasi Genera lized Lea st Squa re (GLS). Setelah itu dilakukan kembali pengujian Durbin-Watson sehingga menghasilkan :
Tabel 6
Hasil Uji Durbin-Watson [Revisi]
Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .534a .285 .194 23.31152 1.809
a. Predictors: (Constant), PERstar, Caparketstar, Leveragestar, INSDstar, ROAstar b. Dependent Variable: DPRstar
Dari hasil di atas dapat dilihat koefisien Durbin-Watson revisi menunjukkan angka sebesar 1,809, sedangkan nilai du sebesar 1,776. Seperti disebutkan di atas bahwa suatu data dikatakan bebas autokorelasi
commit to user
jika nilai dw diantara du dan 4 - du, maka setelah pengobatan di atas nilai dw dalam penelitian ini berada diantara du dan 4 - du (1,776 ≤ 1,809 ≤
2,224). Dengan demikian dapat disimpulkan bahwa data bebas autokorelasi positif atau negatif.
Cara lain pengujian ada tidaknya gejala autokorelasi pada model dengan melihat nilai signifikansi pada Runs Test. Suatu data dikatakan tidak terjadi autokorelasi jika memiliki nilai signifikansi di atas 5%. Hasil pengujian Runs Test setelah data ditransformasikan dengan program SPSS 17 for Windows dapat dilihat pada tabel 7 berikut:
Tabel 7 Hasil Uji Runs Test
Runs Test
Unstandardized Residual
Test Valuea .36152
Cases < Test Value 22
Cases >= Test Value 23
Total Cases 45
Number of Runs 26
Z .607
Asymp. Sig. (2-tailed) .544
a. Median
Dari hasil di atas dapat dilihat bahwa nilai signifikansi menunjukkan angka sebesar 0,544 yang berarti nilai Runs Test berada diatas 5%. Dengan demikian dapat disimpulkan bahwa tidak terjadi autokorelasi positif atau negatif.
commit to user 4. Uji Heteroskedastisitas
Pengujian asumsi klasik terakhir adalah heteroskedastisitas. Asumsi dari regresi linier menyatakan bahwa pengganggu, e, dalam persamaan regresi populasi mempunyai varians yang konstan. Salah satu cara untuk menguji heteroskedastisitas adalah dengan uji Glejser. Uji Glejser dilakukan dengan meregres nilai absolut residual terhadap variable independen. Apabila koefisien parameter beta dari persamaan regresi tersebut signifikan secara statistik, hal ini menunjukkan bahwa model yang diestimasi terdapat heteroskedastisitas, dan sebaliknya jika parameter beta tidak signifikan secara statistik maka asumsi homoskedastisitas pada model tidak dapat ditolak. Uji Glejser dilakukan menggunakan program SPSS 17 for Windows, hasilnya dapat dilihat pada tabel 8 berikut:
Tabel 8 Hasil Uji Glejser
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) 21.308 22.748 .937 .355 INSDstar 41.626 36.349 .207 1.145 .259 Caparketstar -.442 1.569 -.049 -.281 .780 ROAstar .074 .639 .021 .116 .908 Leveragestar 10.953 11.676 .152 .938 .354 PERstar -.421 .233 -.323 -1.813 .078
commit to user
Berdasarkan tabel di atas, diketahui bahwa koefisien parameter untuk variabel independen tidak ada yang signifikan atau nilainya di atas 0,05. Dengan demikian dapat disimpulkan bahwa model regresi tidak terjadi heteroskedastisitas.
Cara lain pengujian heteroskedastisitas dengan melihat penyebaran data pada grafik scatter plot. Dalam sebuah plot residual, nilai residual seharusnya terlihat tersebar secara random, tanpa adanya pola yang sistematik. Jika varians tidak konstan, dalam sebuah plot residual, nilai residual akan membentuk pola yang sistematik. Kejadian ini menunjukkan adanya heteroskedastisitas. Pengujian ini dilakukan dengan program SPSS 17 for Windows.
Sumber: Data diolah, 2012
Gambar 4
commit to user
Berdasarkan gambar di atas terlihat bahwa plot residual persamaan regresi tidak menunjukkan pola yang sistematik dan data tersebar secara random. Dengan demikian persamaan regresi yang digunakan dalam penelitian ini tidak terjadi heteroskedastisitas.