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, sedangkan jika nilai signifikansinya lebih kecil dari 0,05 maka H0 ditolak.
Tabel 4.3
Uji Normalitas Sebelum Data Ditransformasi One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual N 54 Mean .0000000 Normal Parametersa Std. Deviation 8.29709327E3 Absolute .270 Positive .270
Most Extreme Differences
Negative -.216
Kolmogorov-Smirnov Z 1.987 Asymp. Sig. (2-tailed) .001 a. Test distribution is Normal.
Sumber: Data yang diolah penulis, 2009.
Dari hasil pengolahan data tersebut, besarnya nilai Kolmogorov-Smirnov
adalah 1,987 dan signifikansi pada 0,001 maka disimpulkan data tidak terdistribusi secara normal karena p = 0,001 < 0,05. Data yang tidak terdistribusi secara normal tersebut juga dapat dilihat melalui grafik histogram dan grafik normal plot data.
Gambar 4.1
Dengan cara membandingkan antara data observasi dengan distribusi yang mendekati distribusi normal, dari grafik di atas dapat disimpulkan bahwa distribusi data tidak normal karena grafik histogram menunjukkan distribusi data tidak mengikuti garis diagonal yaitu menceng kekiri (positive skewness).
Gambar 4.2
Grafik Normal P-P Plot ( sebelum data ditransformasi )
Sumber: Data yang diolah penulis, 2009.
Demikian pula 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), grafik histogram dan grafik normal plot menunjukkan data tidak terdistribusi secara normal. Ada beberapa cara mengubah model regresi menjadi normal menurut Jogiyanto (2004:172),
4) Dengan melakukan transformasi data, 5) Lakukan trimming,
6) Lakukan winsorizing.
Untuk mengubah nilai residual agar berdistribusi normal, penulis melakukan transformasi data ke model LG10 dari persamaan HS = f(AKO, AKI, AKP), menjadi LG10_HS = f(LG10_AKO, LG10_AKI, LG10_AKP). Kemudian, data diuji ulang berdasarkan asumsi normalitas. Berikut ini hasil pengujian
Kolmogorov-Smirnov (K-S):
Tabel 4.4
Uji Normalitas Setelah Data Ditransformasi One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual N 54 Mean .0000000 Normal Parametersa Std. Deviation .50597621 Absolute .116 Positive .064
Most Extreme Differences
Negative -.116
Kolmogorov-Smirnov Z .853
Asymp. Sig. (2-tailed) .461
a. Test distribution is Normal. Sumber: Data yang diolah penulis, 2009.
Dari tabel diatas, besarnya Kolmogorv-Smirnov (K-S) adalah 0,853 dan signifikansi pada 0,461 sehingga dapat disimpulkan bahwa data dalam model regresi telah terdistribusi secara normal, dimana nilai signifikansinya >0,05 (p = 0,461 > 0,005). 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 grafik histogram dan plot data yang terdistribusi normal.
Gambar 4.3
Histogram ( setelah data ditransformasi )
Sumber: Data yang diolah penulis, 2009.
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, melihat nilai
Condition Index (CI) serta membandingkan nilai R2 model utama (awal) terhadap nilai R2 dari masing-masing auxilary regression antar variabel independen. Besarnya tingkat kolinearitas yang masih dapat ditolerir, yaitu: Tolerance > 0.10,
Variance Inflation Factor (VIF) < 10, Condition Index < 10. Berikut disajikan tabel hasil pengujian:
Tabel 4.5
Coefficients untuk LG10_HS = f(LG10_AKO, LG10_AKI, LG10_AKP)
Collinearity Statistics Model Tolerance VIF
(Constant) LG10_AKO .981 1.019 LG10_AKI .953 1.049 1 LG10_AKP .960 1.042 a. Dependent Variable: LG10_HS Sumber: Data yang diolah penulis, 2009.
Tabel 4.6
Cofficients Correlations untuk LG10_HS = f(LG10_AKO, LG10_AKI, LG10_AKP)
Model LG10_AKP LG10_AKO LG10_AKI
LG10_AKP 1.000 -.066 -.181 LG10_AKO -.066 1.000 -.106 Correlations LG10_AKI -.181 -.106 1.000 LG10_AKP .024 .000 -.010 LG10_AKO .000 .007 -.003 1 Covariances LG10_AKI -.010 -.003 .113 a. Dependent Variable: LG10_HS Sumber: Data yang diolah penulis, 2009.
Tabel 4.7
Collinearity Diagnostics untuk LG10_HS = f(LG10_AKO, LG10_AKI, LG10_AKP)
Variance Proportions Model
Dimen
sion Eigenvalue Condition Index (Constant) LG10_AKO LG10_AKI LG10_AKP
1 3.498 1.000 .01 .02 .02 .01 2 .292 3.463 .01 .14 .91 .01 3 .163 4.628 .05 .77 .07 .17 1 4 .047 8.625 .93 .08 .00 .81 a. Dependent Variable: LG10_HS
Tabel 4.8
R2 LG10_AKO = f(LG10_AKI, LG10_AKP)
Model R R Square Adjusted R Square Std. Error of the Estimate 1 .136a .019 -.020 .990980755
a. Predictors: (Constant), LG10_AKP, LG10_AKI
b. Dependent Variable: LG10_AKO Sumber: Data yang diolah penulis, 2009.
Tabel 4.9
R2 LG10_AKI = f(LG10_AKO, LG10_AKP)
Model R R Square Adjusted R Square Std. Error of the Estimate 1 .216a .047 .009 .245611715
a. Predictors: (Constant), LG10_AKP, LG10_AKO
b. Dependent Variable: LG10_AKI Sumber: Data yang diolah penulis, 2009.
Tabel 4.10
R2 LG10_AKP = f(LG10_AKO, LG10_AKI)
Model R R Square Adjusted R Square
Std. Error of the Estimate
1 .200a .040 .003 .528671406818107
a. Predictors: (Constant), LG10_AKI, LG10_AKO
b. Dependent Variable: LG10_AKP Sumber: Data yang diolah penulis, 2009.
Melihat hasil besaran korelasi antar variabel independen tampak bahwa variabel LG10_AKO mempunyai korelasi sebesar -0.066 atau sekitar 6,6% dengan variabel LG10_AKP. Variabel LG10_AKO mempunyai korelasi sebesar -0.106 atau sekitar 10,6% dengan variabel LG10_AKI. Variabel LG10_AKI mempunyai korelasi sebesar -0.181 atau sekitar 18,1% dengan variabel
LG10_AKP. Hasil dari coefficient correlations tersebut menunjukkan tidak ada korelasi yang tinggi (umumnya diatas 0,95), maka hal ini merupakan indikasi tidak adanya multikolonieritas.
Hasil perhitungan nilai tolerance menunjukkan variabel independen memiliki nilai tolerance > 0.10 yaitu 0,981 untuk variabel LG10_AKO, 0,953 untuk variabel LG10_AKI dan 0,960 untuk variabel LG10_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 1,019 untuk variabel arus kas dari aktivitas operasi, 1,049 untuk variabel arus kas dari aktivitas investasi, 1,042 untuk variabel arus kas dari aktivitas pendanaan.
Hasil perhitungan nilai CI menunjukkan variabel independen memiliki nilai CI < 10 yaitu 3,463 untuk variabel LG10_AKO, 4,628 untuk variabel LG10_AKI dan 8,625 untuk variabel LG10_AKP. Berdasarkan tabel tersebut dapat disimpulkan bahwa tidak ada multikolinearitas antar variabel independen dalam model ini.
Nilai R2 dari masing-masing auxilary regression antar variabel independen menunjukkan diantara variabel independen tidak terjadi gejala multikolinearitas, dimana nilai R2 model utama sebesar 0,703 lebih besar dibanding nilai R2 masing-masing model auxilary regression antar variabel independen. Nilai R2 LG10_AKO = f(LG10_AKI, LG10_AKP) yaitu 0,019, nilai R2 LG10_AKP = f(LG10_AKO, LG10_AKI) yaitu 0,047 dan nilai R2 LG10_AKP = f(LG10_AKO, LG10_AKI) yaitu 0,040.
c. Uji Heteroskedastisitas
Dalam penelitian ini, untuk mendeteksi ada tidaknya gejala heteroskedastisitas adalah dengan melihat plot grafik yang dihasilkan dari pengolahan data dengan menggunakan program SPSS. Dasar pengambilan keputusannya adalah:
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
Tabel 4.11 Uji Glejser
Unstandardized Coefficients
Standardized Coefficients
Model B Std. Error Beta t Sig.
(Constant) .543 .220 2.469 .018
LG10_AKO -.018 .056 -.051 -.320 .751
LG10_AKI .044 .227 .031 .194 .847 1
LG10_AKP -.087 .105 -.133 -.824 .415
a. Dependent Variable: ABS_UT
Sumber: Data yang diolah penulis, 2009. Tabel 4.12
Uji Park
Unstandardized Coefficients
Standardized Coefficients
Model B Std. Error Beta t Sig.
(Constant) -2.529 1.787 -1.415 .165
LG10_AKO .049 .457 .017 .106 .916
LG10_AKI .567 1.845 .050 .307 .760 1
LG10_AKP -.516 .857 -.098 -.601 .551
a. Dependent Variable: LN_RES_RES
Sumber: Data yang diolah penulis, 2009.
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 .
Hasil tampilan output SPSS untuk uji glejser dengan jelas menunjukkan tidak ada indikasi terjadi heteroskedastisitas. Menurut Ghozali (2005: 109) indikasi tidak terjadinya heteroskedastisitas terlihat dari probabilitas signifikansinya di atas tingkat kepercayaan 0,05. Dari hasil regresi variabel independen terhadap variabel dependen nilai absolut unstandardized residual (Abs_Ut) tampak bahwa variabel LG10_AKO memiliki signifikansi 0,751, variabel LG10_AKI memiliki signifikansi 0,847 dan variabel LG10_AKP memiliki signifikansi 0,415 dimana nilai signifikansi masing-masing variabel independen di atas tingkat kepercayaan 0,05 yang berarti tidak terjadi gejala multikolinearitas. Hal ini konsisten dengan hasil uji scatterplots.
Uji park dilakukan dengan meregres nilai logaritma natural dari kuadrat residual sebagai variabel dependen terhadap variabel-variabel independen. Menurut Ghozali (2005: 108) “apabila koefisien parameter beta dari persamaan regresi tersebut signifikan secara statistik, hal ini menunjukkan bahwa dalam data model empiris yang diestimasi terdapat heteroskedastisitas, dan sebaliknya”. Hasil tampilan output SPSS menunjukkan koefisien parameter untuk variabel independen tidak ada yang signifikan, yaitu 0,916 untuk variabel LG10_AKO (0,916 > 0,050), 0,760 untuk variabel LG10_AKI (0,760 > 0,050) dan 0,551 untuk variabel LG10_AKP (0,551 > 0,050). Maka dapat disimpulkan bahwa model regresi tidak terdapat heteroskedastisitas.
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 dan Runs Test. 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.
5). Tidak ada autokorelasi, positif atau negatif, jika du < d < 4 – du. Tabel 4.13
Hasil Uji Durbin Watson
Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .838a .703 .680 .58984 1.935
a. Predictors: (Constant), LG10_AKP, LG10_AKO, LG10_AKI
b. Dependent Variable: LG10_HS
Sumber: Data yang diolah penuis, 2009.
Tabel 4.14 Hasil Runs Test
Unstandardized Residual
Test Valuea -.03644
Cases < Test Value 27
Cases >= Test Value 27
Total Cases 54
Number of Runs 25
Z -.824
Asymp. Sig. (2-tailed) .410
a. Median
Sumber: Data yang diolah penulis, 2009.
Tabel 4.13 memperlihatkan nilai statistik D-W sebesar 1,935 (d), untuk k = 3 nilai du = 1,680, maka 1,680 (du) < 1,953 (d) < 2,320 (4 – du) dari pengamatan ini dapat disimpulkan bahwa tidak terjadi autokorelasi positif maupun autokorelasi negatif. Hasil output SPSS untuk runs test menunjukkan nilai test sebesar -0,03644 dengan probabilitas 0,410 signifikan pada 0,050 ( p=0,410 > 0,050) yang berarti H0 diterima, sehingga dapat disimpulkan bahwa residual random atau tidak terjadi autokorelasi antar nilai residual.