BAB IV HASIL DAN PEMBAHASAN
B. Analisis Hasil Penelitian
2. Uji Asumsi Klasik
Dalam Ghozali (2005 : 110), untuk mendeteksi apakah residual berdistribusi normal atau tidak dapat dilakukan dengan dua cara, yaitu melalui uji statistik dan analisis grafik. Uji statistik yang digunakan untuk menguji normalitas data dalam penelitian ini adalah dengan menggunakan uji statistik non parametrik
Kolmogorov-Smirnov (K-S) dan melalui analisis grafik, yaitu dengan melihat
grafik histogram dan grafik normal probability plot.
Uji statistik yang digunakan untuk menguji normalitas data dalam penelitian ini menggunakan uji statistik non parametrik Kolmogorov-Smirnov (K-S). Uji K-S dilakukan dengan membuat hipotesis :
Hipotesi Nol (H0) : Data terdistribusi secara normal Hipotesis Altenatif (HA) : Data tidak terdistribusi secara 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 44 Normal Parameters(a,b) Mean .0000000 Std. Deviation .65095892 Most Extreme Differences Absolute .220 Positive .220 Negative -.152 Kolmogorov-Smirnov Z 1.456
Asymp. Sig. (2-tailed) .029
a Test distribution is Normal. b Calculated from data.
Dari hasil pengolahan data tersebut, besarnya nilai Kolmogorov-Smirnov adalah 1,456 dan signifikansi pada 0,029 maka disimpulkan data tidak terdistribusi secara normal karena p = 0,029 < 0,05.
Data yang tidak terdistribusi secara normal tersebut juga dapat dilihat melalui analisis grafik, yaitu grafik histogram yang membandingkan antara data observasi dengan distribusi yang mendekati normal, dan dengan melihat grafik
normal probability plot yang membandingkan distribusi kumulatif dari distribusi
Regression Standardized Residual 4 2 0 -2 Frequency 25 20 15 10 5 0 Histogram Dependent Variable: Q Mean =-9.63E-17 Std. Dev. =0.964N =44 ed C um P rob 1.0 0.8 0.6 Normal P-P Plot of Regression Standardized Residual
Dependent Variable: Q
Grafik histogram dan normal probability plot dapat dilihat dari Gambar 4.1 dan Gambar 4.2 berikut ini :
Gambar 4.1
Histogram ( sebelum data ditransformasi )
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 ke kiri (positive skewness).
Gambar 4.2
Demikian pula dengan hasil uji normalitas dengan menggunakan grafik plot. Pada grafik normal probability plot, terlihat titik-titik menyebar disekitar garis diagonal serta penyebarannya agak menjauh dari garis diagonal sehingga dapat disimpulkan bahwa data dalam model regresi tidak terdistribusi secara normal. Dari hasil uji normalitas dengan Kolmogorov-Smirnov (K-S), grafik histogram dan grafik normal probability plot menunjukkan bahwa data tidak terdistribusi secara normal.
Data yang tidak berdistribusi secara normal harus terlebih dahulu ditransformasi menjadi normal agar tidak hasil uji statistik tidak terdegradasi (Ghozali, 2005 : 28, 32). Untuk mengubah nilai residual tersebut agar berdistribusi secara normal, maka terlebih dahulu penulis melakukan transformasi data ke model logaritma natural (LN_) dari persamaan :
Q = f(LEV, DPR, EPS), menjadi Q = f(LN_LEV, LN_DPR, LN_EPS).
Kemudian, data diuji ulang berdasarkan asumsi normalitas. Berikut ini hasil pengujian dengan Kolmogorov-Smirnov (K-S) :
Tabel 4.4
Uji Normalitas Setelah Data Ditransformasi
One-Sample Kolmogorov-Smirnov Test
Unstandardize d Residual
N 44
Normal Parameters(a,b) Mean Std. Deviation .0000000 .44588950 Most Extreme Differences Absolute .089 Positive .089 Negative -.082 Kolmogorov-Smirnov Z .589
Asymp. Sig. (2-tailed) .879
a Test distribution is Normal. b Calculated from data.
Regression Standardized Residual 3 2 1 0 -1 -2 Frequency 10 8 6 4 2 0 Histogram Dependent Variable: LN_Q Mean =4.61E-16 Std. Dev. =0.964N =44
Dari tabel diatas, besarnya Kolmogorv-Smirnov (K-S) adalah 0,589 dan signifikansi pada 0,879 sehingga dapat disimpulkan bahwa data dalam model regresi telah terdistribusi secara normal, dimana nilai signifikansinya lebih dari 0,05 (p = 0,879 > 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.
Gambar 4.3
Observed Cum Prob 1.0 0.8 0.6 0.4 0.2 0.0 E xpect ed C um P rob 1.0 0.8 0.6 0.4 0.2 0.0
Normal P-P Plot of Regression Standardized Residual Dependent Variable: LN_Q
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 Multikolinieritas
Dalam penelitian ini, untuk mendeteksi ada tidaknya gejala multikolinieritas adalah dengan melihat besaran korelasi antar variabel independen dan besarnya tingkat kolinieritas yang masih dapat ditolerir, yaitu :
Tolerance > 0.10 dan Variance Inflation Factor (VIF) < 2. Pengujian
multikolinearitas juga dapat dilakukan dengan melihat korelasi di antara variabel independen. Suatu model dikatakan terdapat gejala multikolinearitas jika korelasi di antara variabel independen lebih besar dari 0,9 atau 90% (Ghozali,2005 : 91).
Berikut disajikan tabel hasil perhitungan nilai Tolerance dan VIF serta matrik korelasi antar variabel independen :
Tabel 4.5
Coefficients untuk Q = f(LN_LEV, LN_DPR, LN_EPS)
Coefficients(a) Model Unstandardized Coefficients Standardized Coefficients t Sig Collinearity Statistics B Std.
Error Beta Tolerance VIF
1 (Constant) .694 .385 1.803 .079
LN_LEV 1.573 .249 .744 6.325 .000 0.839 1.193 LN_DPR .087 .098 .099 .887 .381 .937 1.067 LN_EPS -.003 .040 -.008 -.070 .945 .846 1.182
Tabel 4.6
Cofficients Correlations untuk Q = f(LN_LEV, LN_DPR, LN_EPS)
Coefficient Correlations(a)
Model LN_EPS LN_DPR LN_LEV
1 Correlations LN_EPS 1.000 -.128 .346 LN_DPR -.128 1.000 .159 LN_LEV .346 .159 1.000 Covariances LN_EPS .002 -.001 .003 LN_DPR -.001 .010 .004 LN_LEV .003 .004 .062 a Dependent Variable: LN_Q
Dari tabel 4.5, melihat hasil besaran korelasi antar variabel independen tampak bahwa variabel EPS mempunyai korelasi sebesar -0,128 atau sekitar 12,8% terhadap variabel DPR dan mempunyai korelasi sebesar 0,346 atau sebesar 34,6% terhadap variabel LEV. Selanjutnya, korelasi antara variabel DPR dan LEV adalah sebesar 0,159 atau sebesar 15,9%. Hasil dari coefficient correlations tersebut menunjukkan tidak ada korelasi yang tinggi (umumnya diatas 0,90 atau 90%), maka hal ini merupakan indikasi tidak adanya multikolinieritas. Hasil perhitungan nilai tolerance menunjukkan variabel independen memiliki nilai
tolerance lebih dari 0.10 yaitu yaitu masing – masing sebesar 0,839, 0,937 dan
0,846, yang berarti tidak terjadi korelasi antar variabel independen. Hasil perhitungan VIF juga menunjukkan hal yang sama dimana dimana hasil uji
Variance Inflation Factor (VIF) Leverage Ratio, Dividend Payout Ratio dan Earnings Per Share masing-masing menunjukkan nilai kurang dari 2 (VIF < 2),
yaitu 1,193, 1,067, dan 1,182.
Berdasarkan tabel diatas dapat disimpulkan bahwa tidak ada multikolinieritas antar variabel independen dalam model ini.
c. Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Model regresi yang baik adalah yang homoskedastisitas atau tidak terjadi heteroskedastisitas.
Dalam penelitian ini, untuk mendeteksi ada tidaknya gejala heteroskedastisitas adalah dengan melihat plot grafik yang dihasilkan dari pengolahan data dengan menggunakan program SPSS 15.0. Dasar pengambilan keputusannya adalah :
• jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur (bergelombang, melebar kemudian menyempit), maka mengindikasikan telah terjadi heteroskedastisitas,
• 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.
Regression Standardized Predicted Value 2 1 0 -1 -2 -3 -4 R egressi on S tudent iz ed R esi dual 3 2 1 0 -1 -2 Scatterplot Dependent Variable: LN_Q
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 .
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 (sebelumnya). Autokorelasi muncul karena observasi yang berurutan
sepanjang tahun yang berkaitan satu dengan yang lainnya. Hal ini sering ditemukan pada time series. Model regresi yang baik adalah regresi yang bebas dari autokorelasi.
Cara yang dapat digunakan untuk mendeteksi masalah autokorelasi adalah dengan menggunakan nilai uji Durbin Watson dengan ketentuan sebagai berikut: 1) angka D-W dibawah -2 berarti ada autokorelasi positif,
2) angka D-W di antara -2 sampai +2, berarti tidak ada autokorelasi, 3) angka D-W di atas +2 berarti ada autokorelasi negatif.
Tabel 4.7
Hasil Uji Autokorelasi
Model Summary(b)
Model R R Square
Adjusted R Square
Std. Error of
the Estimate Durbin-Watson
1 .732(a) .536 .501 .46231 1.767
a Predictors: (Constant), LN_EPS, LN_DPR, LN_LEV b Dependent Variable: LN_Q
Tabel 4.6 memperlihatkan nilai statistik D-W sebesar 1,767. Angka ini terletak diantara -2 dan +2, dari pengamatan ini dapat disimpulkan bahwa tidak terjadi autokorelasi positif maupun autokorelasi negatif.