BAB IV HASIL DAN PEMBAHASAN
4.2 Analisis Data Penelitian
4.2.2 Uji Asumsi Klasik
Dalam menghasilkan suatu model regresi yang baik, analisis regresi memerlukan pengujian asumsi klasik sebelum melakukan pengujian hipotesis. Analisi ini mencakup variable independen yaitu arus kas bersih dan ROE dan variable dependen yaitu nilai perusahaan untuk menghasilkan suatu analisis regresi yang baik, apabila terjadi penyimpangan dalam pengujian asumsi klasik maka perlu dilakukan perbaikan terlebih dahulu
4.2.2.1 Uji Normalitas
Menurut Erlina (2008 : 102) , “ uji ini digunakan dalam tahap awal dalam metode pemilihan analisis data”. Uji normalitas bertujuan untuk melihat apakah data dalam bentuk distribusi normal atau tidak, sehingga dapat dilihat apakah data penelitian yang mencakup arus kas bersih, ROE dan nilai perusahaan terhadap sampel perusahaan yang diteliti telah memiliki distribusi data yang normal atau tidak yang selanjutnya akan dibutuhkan ketika akan melakukan pengujian hipotesis. Untuk pengujian
normalitas data dalam penelitian ini dilakukan dengan alat uji “ One-Sample Kolmogorov-Smirnov. Data dikatakan berdistribusi normal jika memiliki nilai signifikan lebih besar dari 5%.
Tabel 4.2.2.1 Hasil Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
NilaiPerusahaan ArusKasBersih ROE
Unstandardized Residual
N 33 33 33 33
Normal Parameters(a,b) Mean 147776877492.58 352678487994.79 24.8842 -.0000180
Std. Deviation 238168127231.884 429067672580.389 28.29646 215216237707.92920 000 Most Extreme Differences Absolute .289 .206 .367 .266 Positive .289 .179 .367 .266 Negative -.268 -.206 -.212 -.214 Kolmogorov-Smirnov Z 1.662 1.185 2.110 1.530
Asymp. Sig. (2-tailed) .008 .121 .000 .019
a Test distribution is Normal. b Calculated from data.
Sumber :Output SPSS, 2014
Hasil uji kolmogrov smirnov tersebut pada table 4.2.2.1 dapat diketahui bahwa nilai perusahaan memiliki nilai signifikan 0.008.Arus kas bersih memiliki nilai signifikan 0.121.ROE memiliki nilai signifikan 0.000.Nilai ini > 0.05, sehingga dapat dikatakan bahwa data yang digunakan dalam penelitian ini memiliki distribusi normal, hal ini juga dapat dilihat dari hasil uji normalitas pada grafik histogram dan grafik probability plot. Berikut ini dilampirkan grafik histogram serta grafik probability plot data yang telah berdistribusi normal.
Gambar 4.2.2.1 Grafik Histogram Sumber : Output SPSS, 2014
Grafik histogram di atas menunjukkan bahwa data telah terdistribusi secara normal, maka model regresi memenuhi asumsi normalitas, hal ini dapat dilihat dari grafik histogram yang menunjukkan distribusi data mengikuti garis diagonal yang tidak menceng (skewness) ke kiri maupun ke kanan, ini menunjukkan bahwa data penelitian yang mencakup variable arus kas bersih, ROE dan nilai perusahaan telah menunjukkan distribusi data normal yang diperlukan sebelum melakukan pengujian hipotesis, hal ini juga didukung dengan hasil uji normalitas dengan menggunakan grafik plot yang ditampilkan pada gambar 4.2.2.2
Regression Standardized Residual 4 2 0 -2 Frequency 20 15 10 5 0 Histogram
Dependent Variable: NilaiPerusahaan
Mean =-6.25E-17 Std. Dev. =0.968
Gambar 4.2.2.2
Grafik Normal Probability Plot Sumber :Output SPSS, 2014
Menurut Ghozali (2005:112), pendeteksian normalitas dapat dilakukan dengan melihat penyebaran data (titik) pada sumbu diagonal dari grafik, yaitu jika data (titik) menyebar disekitar garis diagonal dan mengikuti arah garis diagonal, hal ini menunjukkan data yang telah terdistribusi normal. Gambar 4.2.2.2 menunjukkan bahwa data (titik) menyebar di sekitar dan mendekati garis diagonal. Ini menunjukkan bahwa data penelitian yang mencakup variable arus kas bersih, ROE dan nilai perusahaan telah menunjukkan distribusi data normal yang diperlukan sebelum melakukan pengujian hipotesis, hal ini sejalan dengan hasil pengujian dengan menggunakan histogram bahwa data telah terdistribusi secara normal, maka dapat dilakukan pengujian asumsi klasik lainnya.
Observed Cum Prob
1.0 0.8 0.6 0.4 0.2 0.0
Expect
ed
Cum
Prob
1.0 0.8 0.6 0.4 0.2 0.0Normal P-P Plot of Regression Standardized Residual
4.2.2.2 Uji Multikolinearitas
Penelitian ini untuk mendeteksi ada tidaknya gejala multikolnearitas adalah dengan melihat besaran korelasi antar variable independen dan besarnya tingkat kolonieritas yang masih dapat ditolerir, yaitu : Tolerance > 0,10 dan VIP < 10. Uji multikolonieritas dengan melihat nilai tolerance dan VIP menunjukkan hasil seperti pada table berikut :
Tabel 4.2.2.2
Hasil Uji Multikolinearitas
Coefficients(a) Model Unstandardized Coefficients Standardized Coefficients T Sig. Collinearity Statistics B Std. Error Beta Tolera nce VIF 1 (Constant) 598149952 26.346 6202682 6025.494 .964 .343 ArusKasBersih -.005 .092 -.008 -.051 .960 .998 1.002 ROE 360094182 8.416 1390231 823.297 .428 2.590 .015 .998 1.002
a Dependent Variable: NilaiPerusahaan
Sumber :Output SPSS, 2014
Tabel 4.2.2.2 tersebut memperlihatkan bahwa penelitian ini bebas dari adanya multikolinearitas, hal ini dengan membandingkan nilai tolerance dan VIF.Masing-masing variable bebas yang digunakan dalam penelitian ini memiliki nilai tolerance
yang lebih besar dari 0.1 yaitu arus kas bersih memiliki nilai
VIP-nya, bahwa masing-masing variabel bebas lebih kecil dari 10 yaitu untuk VIF arus kas bersih 1.002, VIF ROE 1.002.Dengan demikian, dapat disimpulkan bahwa tidak tejadi gejala multikolinearitas pada variabel bebas.
Gambar 4.2.2.3 Scatterplot Sumber :Output SPSS, 2014
Gambar 4.2.2.3 grafik scaterplot terlihat bahwa titik-titik menyebar secara acak baik diatas maupun dibawah angka 0 pada sumbu Y, sehingga dapat disimpulkan bahwa tidak terjadi heterokedastisitas pada model regresi, sehingga model regresi layak dipakai untuk memprediksi nilai perusahaan berdasarkan masukan variable independen arus kas bersih dan
Return on Equity (ROE).
Regression Standardized Predicted Value
4 3 2 1 0 -1 R egressi on S tudent iz ed R esi dual 4 2 0 -2 Scatterplot
4.2.2.3 Uji Heterokedastisitas
Uji heterokedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variancedari residual suatu pengamatan ke pengamatan yang lain. Model regresi yang baik adalah homokedatisitas dapat dilihat dari grafik scatterplot pada gambar 4.2.2.3 berikut :.
Tabel 4.2.2.3
Hasil Iji Heterokedastisitas
Coefficients(a) Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) 142024810 273.874 455404419 80.047 3.119 .004 ArusKasBersih .005 .067 .014 .077 .939 ROE 22587113.2 70 102155381 2.012 .004 .022 .983
a Dependent Variable: RES2
Tabel 4.2.2.3 tersebut memperlihatkan bahwa penelitian ini bebas dari adanya heteroskedastisitas, hal ini bisa dilihat dengan melihat nilai signifikansi lebih besar dari 0.05.Masing-masing variable bebas yang digunakan dalam penelitian ini memiliki nilaisignifikansiyang lebih besar dari 0.05 yaitu arus kas bersih memiliki nilai signifkansi 0.939, ROE nilai signifikansi0.983.
Pengujian autokorelasi bertujuan untuk menguji apakah dalam model regresi linier terdapat korelasi pengganggu antara kesalahan pengganggu pada periode t dengan kesalah pengganggu pada periode t-1. Autokorelasi menunjukkan adanya korelasi diantara data pengamatan yang tersusun baik seperti data cross section dan/atau time series. Jika terjadi autokorelasi dalam model regresi linier berarti koefisien korelasi yang diperoleh menjadi tidak akurat.Model regresi yang baik adalah model yang bebas dari autokorelasi. Berikut ini hasil uji Durbin Watson dengan menggunakan program SPSS.
Tabel 4.2.2.4 Hasil Uji Autokorelasi
Model Summary(b)
`
aPredictors: (Constant), ROE, ArusKasBersih b Dependent Variable: NilaiPerusahaan Sumber :Output SPSS, 2014
Tabel 4.2.2.4 memperlihatkan nilai statistic D-W sebesar 1.975 lebih besar dari batas (du) 1.62.Angka ini terletak diantara -2 dan +2, dari pengamatan ini dapat disimpulkan bahwa tidak terjadi autokorelasi positif maupun autokorekasi negatif.