BAB IV HASIL PENELITIAN
B. Analisis Hasil Penelitian
2. Uji Asumsi Klasik
Pengujian normalitas data dalam penelitian ini mengunakan uji statistik non
parametrik Kolmogorov-Smirnov (K-S) dengan membuat hipotesis:
H0 : Data residual berdistribusi normal
Ha : Data residual tidak berdistribusi normal
Apabila nilai signifikansinya lebih besar dari 0,05 maka H0 diterima,
Tabel 4.3
Uji Normalitas Sebelum Data Ditransformasi One-Sample Kolmogorov-Smirnov Test
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 69
Normal Parametersa Mean .0000000
Std. Deviation 8.05495298E2
Most Extreme Differences Absolute .207
Positive .207
Negative -.169
Kolmogorov-Smirnov Z 1.719
Asymp. Sig. (2-tailed) .005
a. Test distribution is Normal.
Sumber: Data yang diolah penulis, 2010.
Dari hasil pengolahan data tersebut, besarnya nilai Kolmogorov-Smirnov
adalah 1,719 dan signifikansi pada 0,005 maka disimpulkan data tidak
terdistribusi secara normal karena p = 0,005 < 0,05. Data yang tidak terdistribusi
secara normal tersebut juga dapat dilihat melalui grafik histogram dan grafik
Gambar 4.1
Histogram ( sebelum data ditransformasi )
Sumber : Data yang diolah penulis, 2010.
Gambar 4.2
Grafik Normal P-P Plot ( sebelum data ditransformasi )
Hasil uji normalitas dengan menggunakan histogram terlihat normal, namun tidak
demikian dengan hasil uji normalitas dengan menggunakan grafik plot. Pada
grafik normal plot, terlihat titik-titik menyebar disekitar garis diagonal serta
penyebarannya agak menjauh dari garis diagonal sehingga dapat disimpulkan
bahwa data dalam model regresi terdistribusi secara normal. Dari hasil uji
normalitas dengan Kolmogorov-Smirnov (K-S) dan grafik normal plot
menunjukkan data tidak terdistribusi secara normal. Ada beberapa cara mengubah
model regresi menjadi normal menurut Jogiyanto (2004:172), yaitu:
1) dengan melakukan transformasi data,
2) lakukan trimming,
3) lakukan winsorizing.
Untuk mengubah nilai residual agar berdistribusi normal, penulis melakukan
transformasi data ke model LOG10 dari persamaan HS = f(LA, AKO, AKI,
AKP), menjadi LOG10_HS = f(LOG10_LA, LOG10_AKO, LOG10_AKI,
LOG10_AKP). Kemudian, data diuji ulang berdasarkan asumsi normalitas.
Tabel 4.4
Uji Normalitas Setelah Data Ditransformasi One-Sample Kolmogorov-Smirnov Test
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 69
Normal Parametersa Mean .0000000
Std. Deviation .35698162
Most Extreme Differences Absolute .157
Positive .103
Negative -.157
Kolmogorov-Smirnov Z 1.301
Asymp. Sig. (2-tailed) .068
a. Test distribution is Normal.
Sumber: Data yang diolah penulis, 2010.
Dari tabel diatas, besarnya Kolmogorv-Smirnov (K-S) adalah 1,301 dan
signifikansi pada 0,068 sehingga dapat disimpulkan bahwa data dalam model
regresi telah terdistribusi secara normal, dimana nilai signifikansinya >0,05 (p =
0,068 > 0,05). Dengan demikian, secara keseluruhan dapat disimpulkan bahwa
nilai-nilai observasi data telah terdistribusi secara normal dan dapat dilanjutkan
dengan uji asumsi klasik lainnya. Untuk lebih jelas, berikut ini turut dilampirkan
Gambar 4.3
Histogram ( setelah data ditransformasi )
Sumber: Data yang diolah penulis, 2010.
Gambar 4.4
Grafik Normal P-P Plot ( setelah data ditransformasi )
Dengan cara membandingkan antara data observasi dengan distribusi yang
mendekati distribusi normal, dari grafik di atas dapat disimpulkan bahwa
distribusi data normal karena grafik histogram menunjukkan distribusi data
mengikuti garis diagonal yang tidak menceng (skewness) ke kiri maupun ke kanan
atau normal.
Demikian pula dengan hasil uji normalitas dengan menggunakan grafik plot.
Pada grafik normal plot, terlihat titik-titik menyebar disekitar garis diagonal serta
penyebarannya agak mendekati dengan garis diagonal sehingga dapat disimpulkan
bahwa data dalam model regresi terdistribusi secara normal.
b. Uji Multikolinearitas
Dalam penelitian ini, untuk mendeteksi ada tidaknya gejala multikolinearitas
adalah dengan melihat nilai tolerance dan variance inflation factor (VIF),
menganalisis matrik korelasi variabel-variabel independen. Besarnya tingkat
kolinearitas yang masih dapat ditolerir, yaitu: Tolerance > 0.10, Variance
Tabel 4.5
Coefficients untuk LOG10_HS = f(LOG10_LA, LOG10_AKO, LOG10_AKI, LOG10_AKP)
Sumber: Data yang diolah penulis, 2010.
Tabel 4.6
Cofficients Correlations untuk LOG10_HS = f(LOG10_LA, LOG10_AKO, LOG10_AKI, LOG10_AKP)
Coefficient Correlationsa
Model LOG10_AKP LOG10_AKO LOG10_AKI LOG10_LA
1 Correlations LOG10_AKP 1.000 .041 -.115 -.355 LOG10_AKO .041 1.000 -.055 -.476 LOG10_AKI -.115 -.055 1.000 -.099 LOG10_LA -.355 -.476 -.099 1.000 Covariances LOG10_AKP .013 .000 -.001 -.003 LOG10_AKO .000 .008 .000 -.004 LOG10_AKI -.001 .000 .007 .000 LOG10_LA -.003 -.004 .000 .007
a. Dependent Variable: LOG10_HS
Sumber: Data yang diolah penulis, 2010.
Melihat hasil besaran korelasi antar variabel independen tampak bahwa
variabel LOG10_AKO mempunyai korelasi sebesar -0.041 atau sekitar 4,1%
dengan variabel LOG10_AKP. Variabel LOG10_AKO mempunyai korelasi
Model Collinearity Statistics Tolerance VIF 1 (Constant) LOG10_LA .634 1.577 LOG10_AKO .739 1.353 LOG10_AKI .944 1.059 LOG10_AKP .825 1.213
sebesar -0.055 atau sekitar 5,5% dengan variabel LOG10_AKI. Variabel
LOG10_AKO mempunyai korelasi sebesar -0,476 atau sekitar 47,6% dengan
variabel LOG10_LA. Variabel LOG10_AKI mempunyai korelasi sebesar -0.115
atau sekitar 11,5% dengan variabel LOG10_AKP. Variabel LOG10_AKI
mempunyai korelasi sebesar -0,099 atau sekitar 9,9% dengan variabel
LOG10_LA. Variabel LOG10_LA mempunyai korelasi sebesar -0,355 atau
sekitar 35,5% dengan variabel LOG10_AKP. Hasil dari coefficient correlations
tersebut menunjukkan tidak ada korelasi yang tinggi (umumnya diatas 0,95),
maka hal ini merupakan indikasi tidak adanya multikolinearitas.
Hasil perhitungan nilai tolerance menunjukkan variabel independen memiliki
nilai tolerance > 0.10 yaitu 0,6340 untuk variabel LOG10_LA, 0,739 untuk
variabel LOG10_AKO, 0,944 untuk variabel LOG10_AKI dan 0,825 untuk
variabel LOG10_AKP yang berarti tidak terjadi korelasi antar variabel
independen. Hasil perhitungan VIF juga menunjukkan hal yang sama dimana
variabel independen memiliki nilai VIF kurang dari 10 yaitu 1,577 untuk variabel
laba akuntansi, 1,353 untuk variabel arus kas dari aktivitas operasi, 1,059 untuk
variabel arus kas dari aktivitas investasi, 1,213 untuk variabel arus kas dari
aktivitas pendanaan.
c. Uji Heteroskedastisitas
Dalam penelitian ini, untuk mendeteksi ada tidaknya gejala heteroskedastisitas
adalah dengan melihat plot grafik yang dihasilkan dari pengolahan data dengan
1) jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu
yang terartur (bergelombang, melebar kemudian menyempit), maka
mengindikasikan telah terjadi heteroskedastisitas,
2) jika tidak ada pola yang jelas, seperti titik-titik menyebar di atas dan di bawah
angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas atau terjadi
homoskedastisitas.
Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi
heteroskedastisitas atau terjadi homoskedastisitas dengan mengamati penyebaran
titik-titik pada gambar.
Gambar 4.5 Scatterplot
Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara acak serta
tersebar baik di atas maupun di bawah angka 0 pada sumbu Y, sehingga dapat
disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi. Adanya
titik-titik yang menyebar menjauh dari titik-titik yang lain dikarenakan adanya
data observasi yang sangat berbeda dengan data observasi yang lain .
d. Uji Autokorelasi
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. Autokorelasi muncul karena observasi yang berurutan sepanjang
tahun yang berkaitan satu dengan yang lainnya. Hal ini sering ditemukan pada
data time series. Cara yang dapat digunakan untuk mendeteksi masalah
autokorelasi adalah dengan menggunakan nilai uji Durbin Watson. Untuk uji
Durbin Watson memiliki ketentuan sebagai berikut:
1) tidak ada autokorelasi positif, jika 0 < d < dl,
2) tidak ada autokorelasi positif, jika dl ≤ d ≤ du,
3) tidak ada korelasi negatif, jika 4 - dl < d < 4,
4) tidak ada korelasi negatif, jika 4 – du ≤ d ≤ 4 – dl,
Tabel 4.7
Hasil Uji Durbin Watson
Sumber: Data yang diolah penuis, 2010.
Tabel 4.13 memperlihatkan nilai statistik D-W sebesar 2,247 (d), untuk k = 4
nilai du = 1,731, maka 1,680 (du) < 2,247 (d) < 2,269 (4 – du) dari pengamatan ini
dapat disimpulkan bahwa tidak terjadi autokorelasi positif maupun autokorelasi
negatif.