BAB IV ANALISIS HASIL PENELITIAN
4.1.2. Uji Asumsi Klasik
Uji mormalitas bertujuan untuk mengetahui apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal serta untuk menghindari bias dalam model regresi. Penggujian normalitas dalam penelitian ini menggunakan uji statistik non-parametik Kolmogorov-Sminov (K-S), dengan membuat hipotesis:
H0: data residual berdistribusi normal Ha: data residual tidak berdistribusi normal
Apabila signifikansi lebih besar dari 0,05 maka diterima, sedangkan jika nilai signifikansi lebih kecil dari 0,05 maka H0 ditolak.
Tabel 4.2 Hasil Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandarized Residual
N 30
Normal Parametersa,b Mean ,0000000
Std. Deviation ,96490128
Most Extreme Differences Absolute ,303
Positive ,303
Negative -,246
Kolmogorov-Smirnov Z 1,662
One-Sample Kolmogorov-Smirnov Test
Unstandarized Residual
N 30
Normal Parametersa,b Mean ,0000000
Std. Deviation ,96490128
Most Extreme Differences Absolute ,303
Positive ,303
Negative -,246
Kolmogorov-Smirnov Z 1,662
Asymp. Sig. (2-tailed) ,008
a. Test distribution is Normal. b. Calculated from data.
Sumber: Hasil Pengolahan SPSS (2012)
Dari hasil pengelolahan data, diperoleh variabel CAR, SIZE dan DA tidak terdistribusi secara normal dengan nilai signifikansi tidak terlalu besar dari 0,05 yakni 0,008. Secara keseluruhan data tidak terdistribusi normal karena
unstandarized residual tidak terlalu besar dari 0,05. Untuk itu data di-treatment
menggunakan model logaritma, yaitu melakukan tranformasi data ke model logaritma natural (LN). Berikut ini hasil pengujian dengan Kolmogorof-Smirnov setelah dilakukan tranformasi data:
Tabel 4.3
Hasil Uji Normalitas Setelah Transformasi Logaritma Natural One-Sampel Kolmogorov-Smirnov Test
Unstandardized Residual
N 25
Normal Parametersa,b Mean ,0000000
Std. Deviation ,54651022
Most Extreme Differences Absolute ,106
Positive ,076
Negative -,106
Kolmogorov-Smirnov Z ,530
Asymp. Sig. (2-tailed) ,942
a. Test distribution is Normal. b. Calculated from data.
Sumber: Hasil Pengolahan SPSS (2012)
Dari tabel 4.3, dapat disimpulkan bahwa data dalam model regresi setelah dilakukan transformasi data dalam bentuk logaritma natural, terdistribusi secara normal. Hal tersebut dapat ditunjukkan dari nilai signifikansi CAR, SIZE dan DA sebesar 0,942>0,05 maka H0 diterima
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 4.1 Histogram Sumber; Hasil Pengolahan SPSS (2012)
Dengan cara membandingkan antara data observasi dengan distribusi yang mendekati normal, dari grafik histogram di atas dapat disimpulkan bahwa distribusi data normal karena grafik histogram menunjukkan distribusi data mengikuti garis diagonal yang tidak menceng (skewness) kiri maupun menceng kanan.
Demikian pula dengan hasil uji normalitas dengan menggunakan grafik plot. Menurut Ade dkk (2007: 29) “normalitas data dapat menggunakan normal P-Plot data dalam keadaan normal apabila distribusi data menyebar disekitar diagonal”.
Gambar 4.2 Grafik Normal Plot Sumber: Hasil Pengolahan SPSS (2012)
Pada grafik normal plot terlihat titik-titik menyebar di sekitar garis diagonal serta penyebarannya agak mendekati dengan garis diagonal sehingga dapat disimpulkan bahwa data dalam model regresi terdistribusi secara normal. 4.1.2.2Uji Multikolonieritas
Adanya Multikolinearitas dapat dilihat dari tolerance value atau nilai
variance inflation factor (VIF). Batas dari tolerance value dibawah 0,01 atau nilai VIF diatas 10, maka terjadi problem multikolinearitas.
Tabel 4.4
Hasil Uji Multikolonieritas Coefficients(a)
Coefficientsa
Tolerance VIF
1 (Constant)
SIZE_LN ,874 1,145
DA_LN ,874 1,145
a. Dependent Variable: CAR_LN
Sumber : Hasil Pengolahan SPSS (2012)
Dari data pada tabel 4.4 dapat disimpulkan bahwa tidak terjadi multikolonieritas dengan dasar nilai VIF untuk setiap variabel independen tidak ada yang melebihi 10 dan nilai tolerance tidak ada yang kurang dari 0.1, hal ini dapat dilihat dari nilai tolerance SIZE_LN dan DA_LN sebesar 0,874 tidak kurang dari 0,1 dan nilai VIF SIZE_LN dan DA_LN sebesar 1,145, tidak melebihi 10. Maka dapat dilakukan analisis lebih lanjut dengan menggunakan model regresi berganda.
4.1.2.3Uji Heteroskedastisitas
Dalam penelitian ini, untuk mendeteksi ada tidaknya gejala heteroskedastisitas adalah melihat plot grafik yang dihasilkan dari pengolahan data menggunakan program SPSS. Dasar pengambilan keputusannya adalah:
1) Jika pola tetrtentu, sperti titik-titik yang teratur maka telah terjadi heteroskedastisitas,
2) Jika tidak ada pola tertentu, serta titik-titik yang menyebar tidak tertentu diatas dan dibawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.
Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi heterskedastisitas atau terjadi homoskedastisitas dengan mengganti penyebaran titik-titik pada gambar.
Gambar 4.3
Hasil Uji Heteroskedastisitas Sumber; Hasil Pengolahan SPSS (2012)
Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara acak serta tersebar baik diatas maupun di bawah angka 0 pada sumbu Y. Hal ini dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi. Dengan demikian, model ini layak dipakai untuk memprediksi rentabilitas pada perusahaan food and beverage yang terdaftar di burda efek indonesia berdasarkan masukan variabel independen SIZE dan DA.
4.1.2.4Uji Autokorelasi
Autokorelasi dapat diartikan sebagai korelasi yang terjadi di antara anggota-anggota dari serangkaian observasi yang berderetan waktu (apabila datanya time series) atau korelasi antara tempat berdekatan (apabila cross
Tabel 4.5
Hasil Uji Autokorelasi
Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 ,775a ,866 ,830 ,57081 2,188
a. Predictors: (Constant), SIZE_LN, DA_LN b. Dependent Variable: CAR_LN
Sumber: Hasil Pengolahan SPSS (2012)
Hasil uji autokorelasi diatas menunjukkan nilai R sebesar 0,775 menunjukkan bahwa koralasi yang kecil yaitu 77,5%. Nilai adjust R square
sebesar 0,565 atau 56,5% mengindikasikan bahwa variasi dari kedua variabel independen hanya mampu menjelaskan variabel dependen 56,5%. Durbin – Watson sebesar 2,188, nilai ini akan dibandingkan dengan nilai tabel dengan menggunakan nilai signifikansi 5% junlah sampel 25 (n) dan jumlah independen 2 (k=2). Oleh karena nilai DW 2,188 lebih besar dari batas (du) 1,546 dan kurang dari 4-1,546 (4-du), maka dapat disimpulkan bahwa tidak ada autokorelasi positif atau negatif.
4.1.3 Pengujian Hipotesi Penelitian