BAB IV ANALISIS HASIL PENELITIAN
B. Analisis Hasil Penelitian
2. Uji Asumsi Klasik
Untuk menghasilkan suatu model regresi yang baik, analisis regresi memerlukan pengujian asumsi klasik sebelum melakukan pengujian hipotesis. Analisis ini mencakup variabel independen yaitu arus kas bersih, ROE, DPR dan variable dependen yaitu nilai perusahaan untuk menghasilkan suatu analisis regresi yang baik. Apabila terjadi penyimpangan dalam pengujian asumsi klasik maka perlu dilakukan perbaikan terlebih dahulu.
a. Uji Normalitas
Menurut Erlina (2008 : 102), “uji ini digunakan dalam tahap awal dalam metode pemilihan analisis data.” Tujuan uji normalitas adalah untuk mengetahui apakah data dalam bentuk distribusi normal atau tidak. Sehingga dapat dilihat apakah data penelitian yang mencakup arus kas bersih, ROE, DPR dan nilai perusahaan terhadap sample perusahaan yang diteliti telah memiliki distribusi data yang normal atau tidak yang selanjutnya akan dibutuhkan ketika akan melakukan pengujian hipotesis.
Untuk pengujian normalitas data dalam penelitian ini dilakukan dengan alat uji one-sample Kolmogorov-Smirnov. Data dikatakan berdistribusi normal jika memiliki nilai signifikansi lebih besar dari 5%.
Tabel 4.9 Hasil Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
LN_AKB ROE DPR LN_NP
N 21 30 30 30
Normal Parametersa Mean 27.3320 13.9323 36.0770 28.7855
Std. Deviation 2.43560 7.40635 1.70690E1 3.53574
Most Extreme Differences Absolute .201 .155 .141 .231
Positive .095 .155 .141 .153
Negative -.201 -.092 -.095 -.231
Kolmogorov-Smirnov Z .921 .849 .774 1.267
Asymp. Sig. (2-tailed)
.364 .466 .588 .081
a. Test distribution is Normal.
Sumber : Output SPSS, diolah oleh Peneliti, 2010
Dari hasil uji kolmogorov Smirnov tersebut, dapat diketahui bahwa LN_AKB memiliki nilai signifikansi 0,364, ROE memiliki nilai signifikan 0,466, DPR memiliki nilai signifikansi 0,588 dan LN_NP memiliki nilai signifikansi 0,081. Nilai ini < 0,05, sehingga dapat dikatakan bahwa data yang digunakan dalam penelitian ini memiliki distribusi normal. Hal ini juga dapat dilihat dari hasil uji normalitas pada grafik histogram dan grafik
probability plot. Berikut ini dilampirkan grafik histogram serta grafik probability plot data yang telah berdistribusi normal.
Gambar 4.1 Grafik Histogram Sumber : Output SPSS, diolah oleh Peneliti, 2010
Grafik histogram di atas menunjukkan bahwa data telah terdistribusi secara normal., maka model regresi memenuhi asumsi normalitas. Hal ini dapat dilihat dari grafik histogram yang menunjukkan distribusi data mengikuti garis diagonal yang tidak menceng (skewness) ke kiri maupun menceng ke kanan. Ini menunjukkan bahwa data penelitian yang mencakup variabel arus kas bersih, ROE, DPR dan nilai perusahaan telah menunjukkan distribusi data normal yang diperlukan sebelum melakukan pengujian hipotesis. Hal ini juga didukung dengan hasil uji normalitas dengan menggunakan grafik plot yang ditampilkan pada Gambar 4.2.
Gambar 4.2
Grafik Normal Probability Plot Sumber : Output SPSS, diolah oleh Peneliti, 2010
Menurut Ghozali (2005:112), pendeteksian normalitas dapat dilakukan dengan melihat penyebaran data (titik) pada sumbu diagonal dari grafik, yaitu jika data (titik) menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal, hal ini menunjukkan data yang telah terdistribusi normal. Gambar 4.2 menunjukkan bahwa data (titik) menyebar di sekitar dan mendekati garis diagonal. Ini menunjukkan bahwa data penelitian yang mencakup variabel arus kas bersih, ROE, DPR dan nilai perusahaan telah menunjukkan distribusi data normal yang diperlukan sebelum melakukan pengujian hipotesis. Hal ini sejalan dengan hasil pengujian dengan menggunakan histogram bahwa data telah terdistribusi normal. Karena secara keseluruhan data telah terdistribusi secara normal, maka dapat dilakukan pengujian asumsi klasik lainnya.
b. Uji Multikolinearitas
Dalam penelitian ini, untuk mendeteksi ada tidaknya gejala multikolinearitas adalah dengan melihat besaran korelasi antar variabel independen dan besarnya tingkat kolonieritas yang masih dapat ditolerir, yaitu: Tolerance > 0.10 dan VIF < 10. Uji Multikolonieritas dengan melihat nilai tolerance dan VIF menunjukkan hasil seperti pada tabel 4.4 berikut:
Tabel 4.10 Hasil Uji Multikolineritas
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 3.078 7.425 .415 .684
LN_AKB .801 .308 .513 2.597 .019 .520 1.922
ROE .169 .098 .336 1.718 .104 .531 1.882
DPR .039 .036 .158 1.079 .296 .950 1.052
a. Dependent Variable: LN_NP
Sumber : Output SPSS, diolah oleh Peneliti, 2010
Tabel 4.6 tersebut memperlihatkan bahwa penelitian ini bebas dari adanya multikolinearitas. Hal ini bisa dilihat dengan membandingkan dengan nilai tolerance dan VIF. Masing-masing variabel bebas yang digunakan dalam penelitian ini memiliki nilai tolerance yang lebih besar dari 0,1 yaitu untuk LN_AKB nilai tolerance 0,520, ROE nilai tolerance 0,531 dan DPR nilai tolerance 0,950. Jika dilihat dari VIF-nya, bahwa masing-masing variabel bebas lebih kecil dari 10 yaitu untuk VIF LN_AKB 1,922, VIF ROE 1,882 dan VIF DPR 1,052. Dengan demikian
dapat disimpulkan bahwa tidak terjadi gejala multikolinearitas pada variabel bebas.
c. Uji Heterokedastisitas
Uji heterokedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual suatu pengamatan ke pengamatan lain. Model regresi yang baik adalah homokedastisitas atau tidak terjadi heterokedastisitas.
Ada tidaknya heterokedastisitas dapat dilihat dari grafik scatterplot pada gambar 4.3 berikut ini :
Gambar 4.3 Scatterplot Sumber : Output SPSS, diolah oleh Peneliti, 2010
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 heterokedastisitas pada model regresi,
sehingga model regresi layak dipakai untuk memprediksi nilai perusahaan berdasarkan masukan variable independent arus kas bersih, Return on equity (ROE), Dividend Payout Ratio (DPR).
d. Uji Autokorelasi
Pengujian autokorelasi bertujuan untuk menguji apakah dalam model regresi linear terdapat korelasi pengganggu antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1. Autokorelasi menunjukkan adanya korelasi diantara data pengamatan yang tersusun baik seperti data cross section dan/atau time series. Jika terjadi autokorelasi dalam model regresi linear berarti koefisien korelasi yang diperoleh menjadi tidak akurat, sehingga model regresi yang baik adalah model yang bebas dari autokorelasi. Berikut ini hasil uji Durbin Watson dengan menggunakan program SPSS.
Tabel 4.11
Hasil Uji Autokorelasi
Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .809a .654 .593 2.42189 1.901
a. Predictors: (Constant), DPR, ROE, LN_AKB b. Dependent Variable: LN_NP
Sumber : Output SPSS, diolah oleh Peneliti, 2010
Tabel 4.7 memperlihatkan nilai statistik D-W sebesar 1,990. Angka ini terletak diantara -2 dan +2, dari pengamatan ini dapat disimpulkan bahwa tidak terjadi autokorelasi positif maupun autokorelasi negatif.