BAB IV ANALISIS DAN PEMBAHASAN
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. Apabila terjadi penyimpangan dalam pengujian asumsi klasik perlu dilakukan perbaikan terlebih dahulu.
a. Uji Normalitas
Pengujian normalitas data dalam penelitian ini menggunakan dua cara yaitu analisis grafik yang terdiri dari histogram dan normal probability plot yang ditunjukkan pada gambar 4.1 dan 4.2 dan analisis statistik dengan menggunakan uji Kolmogorov-Smirnov (K-S).
Hasil uji grafik dalam penelitian ini menunjukkan distribusi residual yang tidak normal, hal ini ditunjukkan grafik histogram yang menceng ke kiri. Normal probability plot juga menunjukkan hal yang sama dimana titik-titik dalam plot terlihat menyebar jauh dari garis diagonal baik diatas maupun dibawah garis diagonal.
Sumber : Hasil Olah Data SPSS oleh Penulis, 2010
Gambar 4.1 Grafik Histogram (1)
Sumber : Hasil Olah Data SPSS oleh Penulis, 2010
Gambar 4.2
Selain uji grafik dilakukan juga uji Kolmogorov-Smirnov (K-S), dari hasil uji tersebut dapat dilihat pada tabel 4.2.
Tabel 4.2 Uji Normalitas Data one-Sample Kolmogorov-Smirnov Test
ROI TATO DR INVESTMENT
N 93 93 93 93
Normal Parametersa Mean 6.36796 1.36000 .42667 .099094
Std. Deviation 1.554240E1 .558708 .256656 .3192507 Most Extreme Differences Absolute .245 .127 .081 .191 Positive .131 .127 .081 .186 Negative -.245 -.064 -.073 -.191 Kolmogorov-Smirnov Z 2.364 1.228 .782 1.840
Asymp. Sig. (2-tailed) .000 .098 .574 .002
a. Test distribution is Normal.
Sumber : Hasil Olah Data SPSS oleh Penulis, 2010
Dari hasil uji kolmogorov Smirnov, dapat diketahui bahwa Investment memiliki nilai signifikansi 0,002 dan ROI memiliki nilai signifikan 0,000. Nilai ini < 0,05. Hal ini menunjukkan bahwa residual (Investment dan ROI) terdistribusi tidak normal.
Uji t dan uji f mensyaratkan distribusi residual harus normal, karena residual dalam penelitian ini tidak terdistribusi dengan normal perlu dilakukan tindakan penormalan data. Data yang tidak terdistribusi secara normal dapat ditransformasi agar menjadi normal (Ghozali, 2005 : 32).
Tindakan perbaikan yang dilakukan dalam penelitian ini menggunakan transformasi seluruh variabel penelitian dalam bentuk LN.
Setelah dilakukan transformasi data maka hasil uji normalitas data dapat dilihat pada grafik histogram, normal probability plot, dan Tabel Kolmogorov Smirnov sebagai berikut:
Sumber : Hasil Olah Data SPSS oleh Penulis, 2010
Gambar 4.3 Grafik Histogram (2)
Sumber : Hasil Olah Data SPSS oleh Penulis, 2010
Normal Probability Plot (2)
Grafik histogram setelah transformasi data memperlihatkan pola distribusi yang normal. Titik-titik yang menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal pada normal probability plot juga menunjukkan bahwa data terdistribusi normal.
Transformasi data dalam bentuk LN menyebabkan ROI memiliki nilai signifikasi 0,738 dan Investment memiliki nilai signifikasi 0,224. Nilai ini > 0,05. Hal ini menunjukkan bahwa residual (ROI dan Investment) terdistribusi dengan normal, dan hasil pengujian statistik Kolmogorov Smirnov ini sudah sesuai dengan hasil pengujian grafik yang menggambarkan data telah terdistribusi dengan normal.
Tabel 4.3
Uji Normalitas Data(2) one-Sample Kolmogorov-Smirnov Test
LN_ROI LN_TATO LN_DR LN_INVESTMENT
N 84 93 93 60
Normal Parametersa Mean 1.7071 .2251 -1.0412 -2.4813
Std. Deviation 1.17273 .41275 .70053 1.61268
Most Extreme Differences Absolute .075 .071 .107 .135
Positive .052 .050 .107 .073
Negative -.075 -.071 -.092 -.135
Kolmogorov-Smirnov Z .684 .689 1.030 1.046
Asymp. Sig. (2-tailed) .738 .729 .239 .224
a. Test distribution is Normal.
b. Uji Multikolonieritas
Uji Multikolonieritas dengan melihat nilai tolerance dan VIF menunjukkan hasil seperti pada tabel 4.4 berikut:
Tabel 4.4 Uji Multikolonieritas Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics B Std.
Error Beta Tolerance VIF
1 (Constant) -2.261 .490 -4.619 .000 LN_ROI .332 .231 .221 1.435 .157 .707 1.415 LN_TATO .135 .613 .033 .221 .826 .768 1.303 LN_DR .812 .369 .322 2.197 .032 .778 1.285 a. Dependent Variable: LN_INVESTMENT
Tabel 4.4 di atas 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_ROI nilai tolerance 0,707; LN_TATO nilai tolerance 0,768; LN_DR nilai
tolerance 0,778. Jika dilihat dari VIF-nya, bahwa masing-masing variabel
bebas lebih kecil dari 10 yaitu untuk VIF LN_ROI 1,415; VIF LN_TATO 1,303; VIF LN_DR 1,285. Dengan demikian dapat disimpulkan bahwa tidak terjadi gejala multikolineritas dalam variabel bebasnya.
c. Uji Heterokedastisitas
Ada tidaknya heterokedastisitas dapat dilihat dari grafik scatterplot pada gambar 4.5 berikut ini :
Sumber : Hasil Olah Data SPSS oleh Penulis, 2010
Gambar 4.5 Gambar Scatterplot
Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara acak dengan tidak adanya pola yang jelas serta tersebar baik diatas maupun dibawah angka 0 pada sumbu Y. Dengan demikian, dapat disimpulkan bahwa tidak terjadi heterokedastisitas sehingga model ini layak dipakai untuk mengetahui pengaruh terhadap investasi aktiva tetap yang terdaftar di Bursa Efek Indonesia berdasarkan masukan variabel independen yaitu Return on
Investment, Total Asset Turnover, Debt Ratio. 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 4.5 Uji Autokorelasi Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .339a .115 .065 1.51214 1.993
a. Predictors: (Constant), LN_DR, LN_TATO, LN_ROI b. Dependent Variable: LN_INVESTMENT
Sumber : Hasil Olah Data SPSS oleh Penulis, 2010
Hasil uji autokorelasi diatas menunjukkan nilai statistik Durbin-Watson (DW) sebesar 1,993. Nilai ini akan dibandingkan dengan nilai tabel dengan menggunakan nilai signifikansi 5%, jumlah sampel 57, dan jumlah variabel penelitian independen 3 (k=3), maka di tabel Durbin Watson didapat nilai batas atas (du) sebesar 1,46 dan nilai batas bawah (dl) sebesar 1,68. Oleh karena itu, nilai du < DW < 4-du (1,46 < 1,993 < 2,54) maka tidak terjadi autokorelasi positif maupun negatif.