BAB III METODOLOGI 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:
Ho : data residual berdistribusi normal
Ha : data residual tidak berdistribusi normal
Apabila nilai signifikansinya lebih besar dari 0,05 maka Ho diterima, sedangkan jika nilai
signifikansinya lebih kecil dari 0,05 maka Ho ditolak.
Tabel 4.3
Uji Normalitas Sebelum Data Ditransformasi One-Sample Kolmogorov-Smirnov Test One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 38
Normal Parametersa Mean -.0000048
Std. Deviation 219308892170.46906000
Most Extreme Differences Absolute .372
Positive .372
Kolmogorov-Smirnov Z 2.294
Asymp. Sig. (2-tailed) .000
a. Test distribution is Normal. Sumber: data yang diolah SPSS, 2011.
Dari hasil pengolahan data untuk uji normalitas yang dikutip dari lampiran iv, besarnya nilai Kolmogorov-Smirnov adalah 2,294 dan signifikansi pada 0,000 maka disimpulkan data tidak terdistribusi secara normal karena p = 0,000 < 0,05. Data yang tidak terdistribusi secara normal tersebut juga dapat dilihat melalui grafik histogram dan grafik normal plot data.
Gambar 4.1
Histogram ( sebelum data ditransformasi )
Sumber : data diolah SPSS, 2011.
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 SPSS, 2011.
Demikian pula dengan hasil uji normalitas dengan menggunakan grafik plot yang dikutip dari lampiran iv. Pada grafik normal plot, terlihat titik-titik menyebar disekitar garis diagonal serta penyebarannya 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 Erlina (2007:106), yaitu:
b. lakukan transformasi data ke bentuk lainnya, b. lakukan trimming, yaitu membuang data outlier,
Untuk mengubah nilai residual agar berdistribusi normal, penulis melakukan transformasi data ke model LN dari persamaan DT = f(EAR,AKO), menjadi DT = F(LN_EAR, LN_AKO). Transformasi data dilakukan dengan bantuan SPSS for windows. Kemudian, data diuji ulang berdasarkan asumsi normalitas. Berikut ini hasil pengujian Kolmogorov-Smirnov (K-S) yang dikutip dari lampiran iv:
Tabel 4.4
Uji Normalitas Setelah Data Ditransformasi One-Sample Kolmogorov-Smirnov Test One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 36
Normal Parametersa Mean .0000000
Std. Deviation .54962837
Most Extreme Differences Absolute .163
Positive .163
Negative -.093
Kolmogorov-Smirnov Z .978
Asymp. Sig. (2-tailed) .294
a. Test distribution is Normal. Sumber: data yang diolah SPSS, 2011.
Dari tabel diatas, besarnya Kolmogorv-Smirnov (K-S) adalah 0,978 dan signifikansi pada 0,294 sehingga dapat disimpulkan bahwa data dalam model regresi telah terdistribusi secara normal, dimana nilai signifikansinya lebih dari 0,05 (p=0,294 > 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 grafik histogram dan plot data yang terdistribusi normal yang dikutip dari lampiran iv.
Gambar 4.3
Histogram ( setelah data ditransformasi ) Sumber: data yang diolah SPSS, 2011.
Gambar 4.4
Sumber: data yang diolah SPSS, 2011.
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 Multikolonieritas
Dalam penelitian ini, untuk mendeteksi ada tidaknya gejala multikolonieritas adalah dengan melihat besaran korelasi antar variabel independen dan besarnya tingkat kolonieritas yang masih dapat ditolerir, yaitu: Tolerance > 0.10 dan Variance Inflation Factor (VIF) < 10. Berikut disajikan tabel hasil pengujian yang dikutip dari lampiran iv:
Tabel 4.5
Coefficients untuk LN_DT = f(LN_EAR, LN_AKO) Coefficientsa Model Unstandardized Coefficients Standardize d Coefficients t Sig. Collinearity Statistics B Std. Error Beta Toleran ce VIF 1 (Constant) -3.239 1.428 -2.267 .030 LN_EAR .910 .133 .800 6.822 .000 .180 5.553 LN_AKO .179 .122 .172 1.463 .153 .180 5.553 a. Dependent Variable: LN_DT
Sumber: data yang diolah SPSS, 2011.
Tabel 4.6
Cofficients Correlations untuk LN_DT = f(LN_EAR, LN_AKO) Coefficient Correlationsa
Model LN_AKO LN_EAR
1 Correlations LN_AKO 1.000 -.905
LN_EAR -.905 1.000
Covariances LN_AKO .015 -.015
LN_EAR -.015 .018
a. Dependent Variable: LN_DT Sumber: data yang diolah SPSS, 2011.
Melihat hasil besaran korelasi antar variabel independen tampak bahwa variabel laba bersih mempunyai korelasi sebesar -0,905 atau sekitar 90,5%. 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 lebih dari 0,10 yaitu 0,180 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 5,553. Berdasarkan tabel diatas dapat disimpulkan bahwa tidak ada multikolonieritas antar variabel independen dalam model ini.
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 yang dikutip dari lampiran iv untuk menganalisis apakah terjadi heteroskedastisitas atau terjadi homoskedastisitas dengan mengamati penyebaran titik-titik pada gambar.
Gambar 4.5 Scatterplot Sumber: data yang diolah SPSS, 2011.
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 .