BAB IV ANALISIS HASIL PENELITIAN
3. Uji Asumsi Klasik
Grafik histogram memperlihatkan bahwa pola distribusi yang menceng dan tidak normal dan pada grafik normal probability plot menggambarkan titik – titik yang menyebar menjauh dari garis diagonal. Kedua grafik ini menunjukkan bahwa normalitas data tidak terpenuhi. Hasil uji normalitas dengan grafik terkadang bisa menyesatkan karena kelihatannya distribusinya normal, padahal secara statistik bisa sebaliknya. Normalitas data dapat dilihat dari grafik histogram dan
normal probability plot yang ditunjukkan gambar 4.1 dan 4.2 berikut.
Gambar 4.1 Grafik Histogram (1)
Gambar 4.2
Normal Probability Plot (1) Sumber: hasil pengolahan data dengan SPSS, 2010
Normalitas data diuji secara statistik dengan menggunakan uji Kolmogorov Smirnov yang terdapat pada tabel 4.2 berikut.
Tabel 4.2
Uji Kolmogorov Smirnov
One-Sample Kolmogorov-Smirnov Test
CR DTA TATO ITO PL
N 72 72 72 72 72
Normal Parametersa Mean 1.8132 .5801 1.0478 5.8804 -.1783
Std. Deviation 1.45669 .20038 .37397 4.64330 4.03129 Most Extreme Differences Absolute .217 .094 .104 .131 .246 Positive .209 .077 .104 .122 .198 Negative -.217 -.094 -.071 -.131 -.246 Kolmogorov-Smirnov Z 1.839 .795 .880 1.114 2.091
Asymp. Sig. (2-tailed) .002 .553 .421 .167 .000
a. Test distribution is Normal.
Sumber: hasil pengolahan data dengan SPSS, 2010
Hasil uji Kolmogorov Smirnov menunjukkan bahwa nilai signifikansi dari variabel DTA, TATO, dan ITO dengan probalilitas signifikansi masing – masing 0,553; 0,421; dan 0,167 yang nilainya > 0,05. Hal tersebut menunjukan bahwa variabel DTA, TATO, dan ITO berdistribusi normal. Hasil uji variabel CR dan PL dengan probabilitas signifikansi masing – masing 0,002 dan 0,000 memiliki nilai < 0,05. Hal ini berarti hipotesis nol ditolak atau variabel CR dan PL tidak terdistribusi secara normal.
Transformasi data menjadi bentuk LN dilakukan untuk memperoleh data yang berdistribusi secara normal. Setelah dilakukan transformasi data, maka hasil uji normalitas dapat dilihat pada grafik histogram,
normal probability plot, dan tabel Kolmogorov Smirnov sebagai berikut.
Gambar 4.3
Grafik Histogram setelah transformasi data (LN) (2) Sumber: hasil pengolahan data dengan SPSS, 2010
Gambar 4.4
Normal Probability Plot setelah transformasi data (LN) (2) Sumber: hasil pengolahan data dengan SPSS, 2010
Grafik histogram setelah transformasi data memperlihatkan pola distribusi yang mendekati normal. Titik – titik yang menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal pada normal
Tabel 4.3
Uji Kolmogorov Smirnov setelah transformasi data (LN)
One-Sample Kolmogorov-Smirnov Test
LN_CR LN_DTA LN_TATO LN_ITO LN_PL
N 72 72 72 72 34 Normal Parametersa Mean .4330 -.6178 -.0323 1.4974 -.4877 Std. Deviation .51734 .41438 .43622 .76950 1.84624 Most Extreme Differences Absolute .115 .130 .158 .086 .086 Positive .115 .099 .130 .055 .075 Negative -.066 -.130 -.158 -.086 -.086 Kolmogorov-Smirnov Z .978 1.100 1.337 .729 .499
Asymp. Sig. (2-tailed) .294 .178 .056 .663 .965
a. Test distribution is Normal.
Sumber: hasil pengolahan data dengan SPSS, 2010
Hasil uji normalitas melalui grafik histogram, normal probability
plot, dan Kolmogrov Smirnov menunjukkan variabel CR, DTA, TATO,
ITO dan PL telah berdistribusi secara normal. Tindakan perbaikan yang dilakukan dalam penelitian ini agar model regresi memenuhi asumsi normalitas, yakni dengan menggunakan transformasi seluruh variabel penelitian ke dalam fungsi logaritma natural atau LN, menghasilkan nilai signifikansi LN_CR 0,294; LN_DTA 0,178; LN_TATO 0,056; LN_ITO 0,663; dan LN_PL 0,965. Transformasi data dalam bentuk LN menyebabkan variabel LN_CR, LN_DTA, LN_TATO, LN_ITO dan LN_PL memiliki nilai signifikansi > 0,05. Hal ini menunjukkan bahwa variabel terdistribusi secara normal, dan hasil pengujian statistik
Kolmogorov Smirnov ini sejalan dengan hasil pengujian grafik yang menggambarkan data terdistribusi secara normal.
b. Multikolinearitas
Uji multikolinearitas dengan melihat nilai tolerance dan VIF menunjukan hasil seperti pada tabel 4.4 berikut.
Tabel 4.4 Uji Multikolinearitas Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) .541 .992 .545 .590 LN_CR 1.364 1.026 .330 1.329 .194 .450 2.220 LN_DTA 2.171 1.073 .441 2.023 .052 .585 1.708 LN_TATO -2.025 1.185 -.341 -1.710 .098 .700 1.429 LN_ITO 7.269E-5 .483 .000 .000 1.000 .727 1.375 a. Dependent Variable: LN_PL
Sumber: hasil pengolahan data dengan SPSS, 2010
Tabel 4.4 di atas memperlihatkan bahwa penelitian ini bebas dari adanya multikolinearitas. Hal ini bisa dilihat dengan membandingkan nilai tolerance dan VIF. Masing – masing variabel bebas yang digunakan dalam penelitian ini memiliki nilai tolerance yang lebih besar dari 0,01 yaitu untuk LN_CR nilai tolerance 0,450; LN_DTA nilai tolerance 0,585; LN_TATO nilai tolerance 0,700; LN_ITO nilai tolerance 0,727.
Jika dilihat dari VIF-nya, bahwa masing-masing variabel bebas lebih kecil dari 10, yaitu untuk VIF LN_CR sebesar 2,220; VIF LN_DTA sebesar 1,708; VIF LN_TATO sebesar 1,429; VIF LN_ITO sebesar 1,375. Kesimpulan yang diperoleh adalah tidak terjadi gejala multikolinearitas dalam variabel bebasnya.
c. Heteroskedastisitas
Uji heterokedastisitas bertujuan untuk melihat apakah di dalam model regresi terjadi ketidaksamaan variabel dari residual satu pengamatan ke pengamatan yang lain. Grafik scatterplot
memperlihatkan bahwa titik-titik menyebar secara acak dengan tidak adanya pola yang jelas serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y. Dapat disimpulkan bahwa tidak terjadi heterokedastisitas.
Dasar pengambilan keputusan menurut Ghozali (2005:105) adalah sebagai berikut:
1. jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur (bergelombang, melebar kemudian menyempit), maka mengindikasikan telah terjadi heterokedastisitas.
2. jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heterokedastisitas.
Ada tidaknya heterokedastisitas pada penelitian ini dapat dilihat dari grafik scatterplot pada gambar 4.5 berikut ini.
Gambar 4.5 Grafik Scatterplot
Sumber: hasil pengolahan data dengan SPSS, 2010 d. Autokorelasi
Uji ini bertujuan untuk melihat apakah dalam suatu model linear pada korelasi antar kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1. Model regresi yang baik adalah bebas dari autokorelasi.
Ada beberapa cara yang digunakan untuk mendeteksi masalah dalam autokorelasi, di antaranya adalah dengan uji Durbin Watson. Menurut Sunyoto (2009:91), untuk melihat ada tidaknya autokorelasi dapat dilihat dari:
1. angka D-W di bawah -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.
Hasil uji Autokorelasi pada penelitian ini dapat dilihat pada tabel 4.5 berikut ini.
Tabel 4.5 Uji Autokorelasi
Model Summaryb
Model R R Square Adjusted R Square
Std. Error of the
Estimate Durbin-Watson
1 .439a
.193 .081 1.76951 1.673
a. Predictors: (Constant), LN_ITO, LN_DTA, LN_TATO, LN_CR b. Dependent Variable: LN_PL
Sumber: hasil pengolahan data dengan SPSS, 2010
Berdasarkan tabel di atas diketahui bahwa nilai DW sebesar 1,673. Hasil pengujian tersebut menunjukkan bahwa tidak terjadi autokorelasi. Angka D-W berada di antara -2 dan 2, artinya nilai D-W lebih besar dari -2 dan lebih kecil dari 2.