METODE PENELITIAN
E. ANALISIS DATA
4. Uji Asumsi Klasik
Uji asumsi klasik merupakan prasyarat analisis regresi berganda. Sebelum melakukan pengujian hipotesis yang diajukan dalam penelitian perlu dilakukan pengujian asumsi klasik yang meliputi; uji normalitas, uji multikolonieritas, uji autokorelasi, dan uji heteroskedastisitas.
a) Uji Normalitas Regresi
Menurut imam Ghozali (2009) menyataan bahwa uji normalitis adalah untuk menguji apakah dalam model regresi, variabel independen dan dependennya memilki distribusi normal atau tidak. Model regresi yang baik adalah memiliki distribusi data normal atau mendekati normal. Pada prinsipnya normalitas data dapat diketahui dengan melihat penyebaran data
(titik) pada sumbu diagonal pada grafik atau histogram dari residualnya. Dasar pengambilan keputusan menurut Santoso (2004) adalah sebagai berikut :
1) Jika data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal. Maka model regresi memenuhi asumsi normalitas.
2) Jika data menyebar jauh dari garis diagonal dan atau tidak mengikuti arah garis diagonal, maka model regresi tidak memenuhi asumsi normalitas.
b) Uji Multiolinearitas
Multikolinearitas adalah adanya hubungan yang kuat antar variabel independent dalam persamaan regresi. Adanya Multikolinearitas akan mengakibatkan ketidaktepatan estimasi, sehingga mengarahkan kesimpulan yang menerima hipotesis nol. Hal ini menyebabkan koefisien dan standar sangat sensitif terhadap perubahan harga.
Konsekuensi dari multikolinearitas akan menyebabkan koefisien regresi nilainya kecil, standart error regresi nilainya besar sehingga pengujian individunya menjadi tidak signifikan. Adapun ciri-ciri yang menunjukkan bahwa antara variabel independennya memiliki multikolinearitas adalah R2 tinggi, F-test signifikan, tetapi t-testnya banyak yang tidak signifikan. Langkah-langkah yang perlu dilakukan dalam, pengujian multikolinearitas adalah sebagai berikut:
1) Rumusan Hipotesa
H0 : Tidak ada multikolinearitas H1 : Ada multikolinearitas 2) Tentukan besarnya sampel
3) Tentukan significance level (α), umumnya α= 5% 4) Masukan data dalam SPSS
5) Tarik kesimpulan
Dengan tingkat signifikasi sebesar 0,05, maka kesimpulan yang dapat diambil adalah sebagai berikut:
1) Jika Variance Inflation Factor (VIF) > 10, maka: H0 = Ditolak
Ha = Diterima
Artinya ada multikolinearitas (antara variabel independennya berkorelasi atau memiliki hubungan langsung).
2) Jika Variance Inflation Factor (VIF) < 10, maka H0 = Diterima
Ha = Ditolak
Artinya, tidak ada multikolinearitas (antara variabel independennya tidak berkorelasi atau tidak memiliki hubungan langsung) Selain itu akibat terjadinya multikolinearitas adalah:
3) Koefisian regresi tidak dapat ditaksir
4) Nilai standar error setiap koefisien regresi menjadi tidak berharga
5) Koefisien regresi setiap variabel bebas secara sistematis tidak signifikan sehingga tidak diketahui variabel independent yang mempengaruhi variabel dependen.
6) Tanda koefisien regresi akan berlawanan dengan yang diramalkan secara teoritis.
7) Jika salah satu variabel bebas dihilangkan dari model regresi yang ditaksir, ini dapat menyebabkan koefisien regresi variabel bebas yang masih ada mempunyai koefisien regresi yang signifikan secara statistik
dapat dilihat dari besar VIF (Variance Inflation Factor) dan Tolerance, pedoman suatu model regresi yang bebas multikolinearitas adalah mempunyai VIF disekitar angka 1, dan mempunyai angka Tolerance mendekati 1.
c) Uji Heteroskedasitas
Uji heteroskedastisitas dilakukan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan lain berbeda. Sedangkan untuk mengetahui apakah dengan model regresi terjadi ketidaksamaan variansi dari residual satu pengamatan ke pengamatan yang lain tetap, maka disebut homoskedastisitas.
Jika varians bersifat heterogen, berarti telah terjadi pelanggaran terhadap asumsi klasik yang menyatakan bahwa varians dari error harus bersifat homogen. Model regresi yang baik adalah homoskedastisitas. Cara untuk mendeteksi adalah dengan melihat grafik plot antara nilai prediksi variable terikat (ZPRED) dengan residualnya (ZRESID) yakni dengan melihat pola grafik tertentu pada grafik scatterplot antara ZRESID dan ZPRED. Jika ada pola tertentu, seperti titik yang membentuk pola tertentu yang teratur (bergelombang), maka mengindikasikan telah terjadi heteroskedastisitas. Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.
Adapun prosedur pengujian heteroskedatisitas adalah sebagai berikut: 1) Rumusan hipotesa
H0 = tidak ada heteroskedastisitas Ha = ada Heteroskedastisitas 2) Tentukan besarnya sampel
4) Masukkan data dalam SPSS 5) Tarik kesimpulan
Dengan tingkat signifikansi sebesar 0,05 maka kesimpulan yang dapat diambil adalah sebagai berikut:
1) Jika signifikansi (probabilitas) dari X2 < 0,05 maka: H0 = Ditolak
Ha = Diterima
Artinya ada heteroskedastisitas (varians dari setiap error bersifat heterogen).
2) Jika signifikansi (probabilitas) dari X2 > 0,05 maka: H0 = Diterima
Ha = Ditolak
Artinya tidak ada heteroskedatisitas (varians dari setiap error bersifat homogen).
Heterokedastisitas dapat diatasi dengan menggunakan transformasi logaritma natural. Transformasi dalam bentuk logaritma akan memperkecil skala dan observasi dan kemungkinan besar varians juga akan semakin mengecil dan ada kemungkunan homokedastisitas terpenuhi.
d) Uji Autokorelasi
Uji autokorelasi bertujuan menguji apakah dalam suatu model regresi linier ada korelasi antara kesalahan pengunaan pada periode t dengan kesalahan pada periode t-1 (sebelumnya). Jika terjadi korelasi, maka dinamakan ada problem autokorelasi. Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lainnya (Ghozali, 2009). Untuk menguji keberadaan autokorelasi dalam penelitian ini digunakan uji
statistic Durbin-Watson. Durbin-Watson hanya digunakan untuk autokorelasi tingkat satu (first order autocorrelation) dan mensyaratkan adanya intercept (konstanta) dalam model regresi dan tidak ada variabel lag di antara variabel independen. Hipotesis yang akan diujii adalah:
Ho : tidak ada autokorelasi (r = 0) Ha : ada autokorelasi (r ≠ 0) e) Linearitas Regresi
Uji Linearitas digunakan untuk melihat apakah spesifikasi model yang digunakan sudah benar atau tidak. Dengan uji linearitas maka akan diperoleh informasi apakah model empiris sebaiknya linear, kuadrat atu kubik. Linearitas regresi diuji dengan Scatter Plots. Pada grafik Scatter Plots terdapat titik-titik yang menyebar secara acak (random) baik diatas maupun dibawah angka 0 pada sumbu Y. Jika terdapat hubungan bahwa kira-kira sebesar 95 % dari residual terletak antara -2 dan +2 dalam scatterplots, maka asumsi linearitas terpenuhi.
f) Analisis Regresion Moderated
Uji Interaksi atau sering disebut dengan Moderated Regression Analysis (MRA) merupakan aplikasi khusus regresi berganda linear di mana dalam persamaan regresinya mengandung unsur interaksi (perkalian dua atau lebih variabel independen) (Ghozali, 2006). Variabel perkalian antara Kinerja Keuangan (Profitabilitas X1, Leverage X2) dan Kebijakan dividen (Z) merupakan variabel moderating oleh karena menggambarkan pengaruh moderating variabel Kebijakan dividen (Z) terhadap hubungan Kinerja Keuangan (X) dan Nilai Perusahaan (Ŷ).
Jogiyanto (2010) menyatakan pengujian terhadap efek moderasi dapat dilakukan dengan dua cara sebagai berikut :
a. Efek Moderasi dilihat dari kenaikan R2 persamaan regresi yang berisi dengan efek-efek utama dan efek moderasi dari persamaan regresi yang hanya berisi dengan efek utama saja.
b. Efek moderasi juga dapat dilihat dari signifikansi koefisien b3 dari interaksi (VI*VMO).
Arsintadiani dan Harsono (2002) dalam penelitiannya menyatakan bahwa hasil interaksi variabel independen (VI) dan variabel dependen (VD) dengan memasukkan variabel Moderating (VMO). Nilai efek-efek utama dan efek moderasi (VI*VMO) jika mengalami peningkatan nilai R square dari efek utama, peningkatan R square tidak signifikan karena tingkat signifikansi b3 (VI*VMO) > 0.05 ( Los = 5 %) dan dikatakan signifikan jika tingkat signifikansi b3 (VI*VMO) < 0.05 ( Los = 5 %). Sebelum model regresi, maka terlebih dahulu dilakukan pengujian asumsi klasik yang meliputi uji normalitas dan uji heteroskedastisitas serta untuk memastikan bahwa data yang dihasilkan berdistribusi normal Ghozali (2006):
2) Uji normalitas
Asumsi data telah berdistribusi normal adalah salah satu asumsi yang penting dalam melakukan penelitian dengan regresi. Uji ini bertujuan untuk menguji apakah dalam model regresi, variabel independen, dependen dan moderasi terdistribusi secara normal atau tidak. Pengujian dalam penelitian dengan melihat normal probability plot, di mana pada grafik normal plot terlihat titik-titik menyebar di sekitar garis diagonal serta penyebarannya mengikuti arah garis diagonal.
Uji heteroskedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain (Ghozali, 2006:105). Cara memprediksi ada tidaknya heteroskedastis pada suatu model dapat dilihat dari pola gambar scatterplot model tersebut.