BAB IV HASIL 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. Pengujian asumsi klasik yang telah dilakukan adalah
sebagai berikut.
a. Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi,
variabel pengganggu atau residual memiliki distribusi normal. Penelitian ini
menggunakan dua cara untuk mendeteksi apakah residual berdistribusi normal
adalah hasil grafik variabel pengganggu atau residual dalam model regresi
berganda yang digunakan.
Gambar 4.1 Grafik Histogram
Gambar 4.2 Grafik Normal Plot
Grafik histogram dan grafik plot di atas menunjukkan bahwa variabel
penggangu atau residualnya berdistribusi normal, denga melihat gambar
histogram di atas dapat disimpulkan bahwa kurva histogram tidak menceng ke kiri
maupun ke kanan. Sedangkan pada grafik normal plot terlihat titik-titik menyebar
di sekitar garis diagonal, sehingga dapat disimpulkan bahwa data dalam model
regresi telah terditribusi secara normal.
Analisis statistik yang digunakan adalah uji statistik non parametrik
terdistribusi normal jika nilai signifikansi atau Sig. Atau probabilitas > 0.05, dan
2) data dikatakan tidak terdistribusi normal jika nilai signifikansi atau Sig. Atau
probabilitas < 0.05. Berikut adalah hasil pengujian menggunakan analisis
Kolmogorov Smirnov.
Tabel 4.2
Nonparametric-test Kolmogorov-Smirnov One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 36
Normal Parametersa,,b Mean .0000000
Std. Deviation .54460087
Most Extreme Differences Absolute .198
Positive .198
Negative -.114
Kolmogorov-Smirnov Z 1.185
Asymp. Sig. (2-tailed) .120
a. Test distribution is Normal. b. Calculated from data.
Dari hasil pengolahan data tersebut diatas, besarnya nilai Kolmogorov-Smirnov adalah 1.185 dan signifikansinya pada 0,120 dimana lebih besar dari 0.05 (p = 0.120 > 0.05), maka disimpulkan data terdistribusi secara normal.
b. Uji multikolonieritas
Uji multikolinearitas digunakan untuk menguji apakah dalam model
regresi ditemukan adanya korelasi antara variabel bebasnya. Pengujian
Inflation Factor (VIF) data yang diolah. Hasil pengujian multikolinearitas dapat dilihat pada tabel 4.3 berikut.
Tabel 4.3 Koefisien Coefficient Correlationsa
Model Dividen INST Struktur_Aset MOWN
1 Correlations Dividen 1.000 -.018 .033 .218 INST -.018 1.000 .135 .205 Struktur_Aset .033 .135 1.000 -.406 MOWN .218 .205 -.406 1.000 Covariances Dividen .045 -.002 .004 .097 INST -.002 .243 .042 .211 Struktur_Aset .004 .042 .407 -.540 MOWN .097 .211 -.540 4.343
a. Dependent Variable: DER
Dari tabel 4.3 diatas menunjukkan bahwa tidak terdapat korelasi yang
cukup tinggi diantara variabel independennya. Hal ini berarti tidak terdapat gejala
multikolinearitas dalam model regresi yang digunakan. Tabel berikut akan
menguatkan bahwa tidak terdapat gejala multikolinearitas dalam model regresi ini
Tabel 4.4 Koefisien Korelasi Model Collinearity Statistics Tolerance VIF 1(Constant) MOWN .710 1.409 INST .892 1.122 Struktur_Aset .766 1.306 Dividen .925 1.081
Dari tabel 4.4 telihat bahwa nilai tolerance untuk kepemilikan manajerial
(MOWN) adalah 0.710, nilai tolerance untuk kepemilikan institusional (INST)
0.892, nilai tolerance untuk Struktur_Aset 0.766 dan nilai tolerance untuk Dividen
0.925. Nilai VIF untuk kepemilikan manajerial (MOWN) 1.409, nilai VIF untuk
kepemilikan institusional (INST) 1.122, nilai VIF untuk Struktur_Aset 1.308 dan
nilai VIF Dividen 1.081.
maka dapat disimpulkan bahwa tidak terjadi gejala multikolinearitas antara
variabel independen, dengan dasar nilai tolerance tidak ada yang kurang dari 0.1 dan nilai VIF untuk setiap variabel tidak ada yang lebih besar dari 10, maka dapat
dilakukan analisis lebih lanjut dengan menggunakan model regresi linear
berganda.
c. Uji heterokedastisitas
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
Berikut ini adalah grafik scatterplot untuk menganalisis apakah terjadi heteroskedastisitas atau terjadi homoskedastisitas dengan mengamati penyebaran
titik-titik pada grafik.
Gambar 4.3 Scatterplot
Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara acak dan tidak membentuk suatu pola tertentu serta tersebar baik di atas maupun di bawah
angka 0 pada sumbu Y, sehingga dapat disimpulkan bahwa tidak terjadi
heteroskedastisitas pada model regresi, sehingga model regresi layak dipakai
untuk memprediksi DER berdasarkan masukan variabel independen MOWN,
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
penggangu pada periode t-1. Autokorelasi muncul karena observasi yang
berurutan sepanjang tahun yang berkaitan satu dengan yang lainnya. Hal ini sering
ditemukan pada data time series. Cara yang dapat digunakan untuk mendeteksi ada tidaknya dalam penelitian ini adalah uji Durbin-Waston (DW Test). Hasil
pengolahan data adalah sebagai berikut:
Tabel 4.5
Hasil Uji Durbin Watson Model Summaryb
Model R R Square
Adjusted R Square
Std. Error of
the Estimate Durbin-Watson
1 .761a .579 .525 .57867 1.941
a. Predictors: (Constant), Dividen, INST, Struktur_Aset, MOWN b. Dependent Variable: DER
Hasil pengujian di atas menunjukkan bahwa nilai Durbin-Watson adalah
1.941. Nilai ini akan kemudian diuji berdasarkan ketentuan ada tidaknya gejala
autokorelasi, yakni jika nilai Durbin-Watson (D-W) ada pada batas du (atas) dan
4-du (du < D-W < 4-du), model regresi tidak mengalami gejala autokorelasi. Nilai
signifikansi yang digunakan adalah 5% dengan jumlah sampel 36 (n=36) dan
Durbin-Watson diperoleh nilai batas bawah (dl) sebesar 1.236 dan nilai batas atas
(du) sebesar 1.724. Nilai D-W (1.941) berada di antara du (1.724) dan 4-du
(2.276) atau 1.724 < 1.941 < 2.276. Dengan demikian dapat disimpulkan bahwa
model regresi tidak mengalami gejala autokorelasi.