BAB IV HASIL DAN PEMBAHASAN
4.2 Analisis Hasil Penelitian
4.2.2 Uji Asumsi Klasik
Ghozali (2005 : 110), untuk mendeteksi apakah residual berdistribusi normal atau tidak dapat dilakukan dengan dua cara, yaitu melalui uji statistik dan analisis grafik. Uji statistik yang digunakan untuk menguji normalitas data dalam penelitian ini adalah dengan menggunakan uji statistik non parametrik Kolmogorov-Smirnov (K-S) dan melalui analisis grafik, yaitu dengan melihat grafik histogram dan grafik normal probability plot. Uji statistik yang digunakan untuk menguji normalitas data dalam penelitian ini menggunakan uji statistik non parametrik Kolmogorov-Smirnov (K-S). Uji K-S dilakukan dengan membuat hipotesis :
Hipotesis Nol (H0) : Data terdistribusi secara normal Hipotesis Altenatif (Ha) : Data tidak terdistribusi secara normal
Apabila nilai signifikansinya lebih besar dari 0,05 maka H0 diterima, sedangkan jika nilai signifikansinya lebih kecil dari 0,05 maka H0 ditolak.
Tabel 4.2 Pengujian Normalitas One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 100
Normal Parametersa,b Mean .0000000
Std. Deviation 1.12096513 Most Extreme Differences Absolute .084
Positive .084
Negative -.053
Kolmogorov-Smirnov Z .838
Asymp. Sig. (2-tailed) .484
a. Test distribution is Normal. b. Calculated from data.
Sumber: Output SPSS 18.0, diolah oleh penulis
Dari tabel 4.2, besarnya Kolmogorv-Smirnov (K-S) adalah 0,816 dan signifikansi pada 0,484 sehingga dapat disimpulkan bahwa data dalam model regresi telah terdistribusi secara normal, dimana nilai signifikansinya lebih dari 0,05 (p = 0,484 > 0,05). Dengan demikian, secara keseluruhan dapat disimpulkan bahwa nilai-nilai observasi data telah terdistribusi secara normal. Untuk lebih jelas, berikut ini turut dilampirkan grafik histogram dan plot data yang terdistribusi normal.
Gambar 4.1
Gambar 4.1 memperlihatkan bahwa pada grafik histogram, distribusi data mengikuti kurva berbentuk lonceng yang tidak menceng (skewness) ke arah kiri atau kanan, sehingga dapat disimpulkan bahwa data tersebut terdistribusi normal.
Gambar 4.2 memperlihatkan grafik normal probability plot, yang menunjukkan bahwa data (titik-titik) menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal. Hal tersebut berarti data terdistribusi normal.
Hasil pengujian dengan grafik histogram dan normal probability plot sejalan dengan hasil pengujian dengan menggunakan model Kolmogorov- Smirnov, yaitu yang berkesimpulan bahwa data telah terdistribusi normal. Karena secara keseluruhan data telah terdistribusi secara normal, maka dapat dilakukan pengujian asumsi klasik lainnya.
2. Uji Heteroskedastisitas
Dalam persamaan regresi pasti muncul residu, yakni variabel lain yang terlibat, tetapi tidak dimuat dalam model, sehingga variabel tersebut diasumsikan bersifat acak. Jika data residu tidak bersifat acak, maka dapat dikatakan data terkena heteroskedastisitas. Uji ini juga bertujuan untuk menguji apakah sebuah grup mempunyai varians yang sama diantara anggota grup tersebut. Jika variansnya sama, maka dapat dikatakan terdapat homokedastisitas, namun jika sebaliknya, maka dikatakan terjadi heteroskedastisitas. Data yang baik adalah data yang tidak mengalami heteroskedastisitas. Uji heteroskedastisitas yang digunakan dalam penelitian ini adalah metode Glejser Test dan grafik.
Gambar 43
Gambar 4.3 merupakan grafik scatterplot dari variabel dependen nilai perusahaan dengan pendekatan PBV. Grafik menunjukkan titik-titik menyebar secara acak dan tidak membentuk sebuah pola tertentu yang jelas serta tersebar baik di atas maupun di bawah angka nol pada sumbu Y. Hal ini menunjukkan bahwa tidak terjadi heteroskedastisitas pada model regresi.
Namun, metode pendekatan grafik ini memiliki kelemahan dalam memprediksi heteroskedastisitas. Kelemahannya yakni jika jumlah pengamatan yang dilakukan atau data yang ada jumlahnya sedikit, maka sulit untuk menginterpretasikan hasil grafik scatterplot. Untuk itu, dalam penelitian ini digunakan uji lain untuk memprediksi heteroskedastisitas, yakni Glejser Test.
Tabel 4.3 Pengujian Heteroskedastisitas Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) -.002 1.312 -.002 .999 LN_INVESTASI -.667 1.726 -.044 -.386 .700 LN_DER -.592 .514 -.132 -1.151 .253 LN_DPR .110 .468 .024 .234 .815
a. Dependent Variable: Absut
Sumber : Output SPPS 18.0, diolah oleh penulis 2014
Tabel 4.3 menunjukkan hasil pengujian Glejser Test. Jika variabel independen berpengaruh secara signifikan terhadap variabel dependen absolut Ut, maka hal ini mengindikasikan terjadinya heteroskedastisitas. Namun hasil pengujian menunjukkan probabilitas signifikansi variabel independen berada di atas tingkat kepercayaan 5%. Hal ini berarti model regresi tidak mengalami persoalan heteroskedastisitas.
3. Uji Multikolinearitas
Dalam penelitian ini, untuk mendeteksi ada tidaknya gejala multikolinieritas adalah dengan melihat besaran korelasi antar variabel independen dan besarnya tingkat kolinieritas yang masih dapat ditolerir, yaitu : Tolerance > 0.10 dan Variance Inflation Factor (VIF) < 5. Pengujian multikolinearitas juga dapat dilakukan dengan melihat korelasi di antara variabel independen. Berikut disajikan tabel hasil perhitungan nilai Tolerance dan VIF serta matrik korelasi antar variabel independen :
Tabel 4.4
Pengujian Multikolinieritas
Sumber : Output SPPS 18.0, data diolah penulis 2014
Berdasarkan data tersebut dapat diketahui bahwa nilai tolerance dari masing-masing variabel independen lebih besar dari 0,10, yaitu untuk variabel Investasi sebesar 0,806, variabel Debt to Equity Ratio sebesar 0,782, variabel Dividend Payout Ratio sebesar 0,958.
Nilai VIF dari masing-masing variabel independen diketahui kurang dari 5, yaitu untuk variabel Investasi sebesar 1,241, variabel Debt to Equity Ratio sebesar 1,279, variabel Dividend Payout Ratio sebesar 1,044.
Berdasarkan tabel diatas dapat disimpulkan bahwa tidak ada multikolinieritas antar variabel independen dalam model ini.
4. Uji Autokolerasi
Uji ini bertujuan untuk melihat apakah dalam suatu model regresi linear ada korelasi antar kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1 (sebelumnya). Autokorelasi muncul karena observasi yang berurutan sepanjang tahun yang berkaitan satu dengan yang
Coefficientsa Model Unstandardized Coefficients Standardiz ed Coefficients T Sig. Collinearity Statistics B Std. Error Beta Toleran ce VIF 1 (Constant) 1.131 .328 3.445 .001 LN_INVEST ASI -.419 .432 -.104 -.968 .335 .806 1.241 LN_DER .248 .129 .210 1.928 .057 .782 1.279 LN_DPR .303 .117 .254 2.583 .011 .958 1.044 a. Dependent Variable: LN_PBV
lainnya. Hal ini sering ditemukan pada time series. Model regresi yang baik adalah regresi yang bebas dari autokorelasi. Cara yang dapat digunakan untuk mendeteksi masalah autokorelasi adalah dengan menggunakan nilai uji Durbin Watson dengan ketentuan sebagai berikut:
1) angka D-W dibawah -2 berarti ada autokorelasi positif,
2) angka D-W di antara -2 sampai +2, berarti tidak ada autokorelasi, 3) angka D-W di atas +2 berarti ada autokorelasi negatif.
Tabel 4.5 Hasil Uji Autokolerasi
Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .333a .111 .083 1.13835 1.720
a. Predictors: (Constant), LN_DPR, LN_INVESTASI, LN_DER b. Dependent Variable: LN_PBV
Sumber : Output SPPS 18.0, diolah oleh penulis 2014
Tabel 4.4 memperlihatkan nilai statistik D-W sebesar 1.720, angka ini terletak diantara -2 dan +2, dari pengamatan ini dapat disimpulkan bahwa tidak terjadi autokorelasi positif maupun autokorelasi negatif.