BAB IV ANALISIS DAN PEMBAHASAN
B. Analisis Hasil Penelitian
2. Uji Asumsi Klasik
Pengujian normalitas data dalam penelitian ini mengunakan uji statistik non parametrik Kolmogorov-Smirnov (K-S) dengan membuat hipotesis:
H0 : Data residual berdistribusi normal Ha : Data residual tidak berdistribusi normal
Dalam uji Kolmogorov-Smirnov, pedoman yang digunakan dalam pengambilan keputusan yaitu:
1) jika nilai signifikansi < 0.05 maka distribusi data tidak normal, 2) jika nilai signifikansi > 0.05 maka distribusi data normal.
Tabel 4.2
Hasil Uji Normalitas (Sebelum Transformasi)
One-Sample Kolmogorov-Smirnov Test
ROE NPM DER CR HS
N 48 48 48 48 48
Normal Parametersa,b Mean .1124 .6427 9.3288 1.0713 1447.9792
Std. Deviation .07165 .21262 2.77624 .21300 1700.36545
Most Extreme Differences Absolute .131 .301 .094 .378 .232
Positive .131 .204 .059 .202 .232
Negative -.065 -.301 -.094 -.378 -.205
Kolmogorov-Smirnov Z .910 2.083 .650 2.620 1.606
Asymp. Sig. (2-tailed) .379 .000 .792 .000 .012
a. Test distribution is Normal. b. Calculated from data.
Sumber : data diolah oleh penulis, 2011
Dari hasil uji Kolmogorov Smirnov tersebut, dapat diketahui bahwa ROE memiliki nilai signifikansi 0,379, NPM memiliki nilai signifikansi 0,00, DER memiliki nilai signifikansi 0,65, CR memiliki nilai signifikansi 2,620, dan HS memiliki nilai signifikansi 0,012. Nilai signifikansi ROE, NPM, CR dan HS < 0,05, sehingga dapat dikatakan bahwa data yang digunakan dalam penelitian ini memiliki distribusi yang tidak normal. Uji t dan F mensyaratkan distribusi residual harus normal, karena residual dalam penelitian ini tidak berdistribusi normal perlu dilakukan penormalan data. Ghozali (2006:123) menyatakan bahwa jika asumsi normalitas data residual tidak terpenuhi maka variabel independen dan dependen dapat ditransformasi ke dalam bentuk fungsi logaritma natural.
Setelah dilakukan transformasi maka didapatkan hasil pengujian sebagai berikut:
Tabel 4.3
Hasil Uji Kolmogorov-Smirnov (Setelah Transformasi) One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 47
Normal Parametersa,b Mean .0000000
Std. Deviation 1.16398316
Most Extreme Differences Absolute .097
Positive .080
Negative -.097
Kolmogorov-Smirnov Z .667
Asymp. Sig. (2-tailed) .765
a. Test distribution is Normal. b. Calculated from data.
Sumber: data diolah oleh penulis, 2011
Dari hasil pengolahan data teersebut, besarnya nilai Kolmogorov-Smirnov adalah 0,667 dan signifikansinya pada 0,765 maka dapat disimpulkan data terdistribusi secara normal karena p = 0,765 > 0,05. Data yang terdistribusi secara normal tersebut juga dapat dilihat melalui grafik histogram dan grafik normal plot data berikut ini:
Gambar 4.1
Histogram (Setelah data Transformasi) Sumber: data diolah oleh penulis, 2011
Gambar 4.2
Grafik normal P-P Plot (Setelah data Transformasi) Sumber: data diolah oleh penulis, 2011
Berdasarkan grafik diatas dapat disimpulkan bahwa distribusi data normal karena grafik histogram menunjukkan distribusi data mengikuti garis diagonal yang tidak menceng (skewness) ke kiri maupun ke kanan. Demikian pula dengan hasil uji normalitas dengan menggunakan grafik plot. Pada grafik normal plot, terlihat titik-titik menyebar disekitar garis diagonal serta penyebaraannya agak mendekati dengan garis diagonal sehingga dapat disimpulkan bahwa data dalam model regresi terdistribusi secara normal.
b. Uji Multikolonieritas
Mendeteksi ada tidaknya gejala multikolonieritas adalah dengan melihat nilai tolerance dan variance inflation factor (VIF), serta menganalisis matrik korelasi variabel-variabel independent. Besarnya tingkat multikolonieritas yang masih dapat ditolerir, yaitu: Tolerance > 0.10, dan nilai Variance Inflation Factor
(VIF) < 10. Berikut disajikan tabel hasil pengujian: Tabel 4.4
Coefficients untuk LN_HS=f(LN_ROE,LN_NPM,LN_DER,LN_CR)
Sumber: data diolah oleh penulis, 2011
Berdasarkan tabel diatas, dapat disimpulkan bahwa tidak terjadi gejala multikolonieritas antara variabel independen yang diindikasikan dari nilai
tolerance setiap variabel lebih besar dari 0,1. Nilai tolerance ROE 0,521, NPM 0,528, DER 0,978, CR 0,976. Nilai VIF dari keempat variabel independen juga lebih kecil dari 10 yaitu nilai ROE 1,918, NPM 1,896, DER 1,023, CR 1,025. Maka dapat disimpulkan bahwa analisis lebih lanjut dapat dilakukan dengan menggunakan model regresi berganda.
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 9.503 1.343 7.078 .000 LN_ROE 1.277 .282 .758 4.536 .000 .521 1.918 LN_NPM -.948 .721 -.219 -1.315 .196 .528 1.896 LN_DER -.165 .546 -.037 -.301 .765 .978 1.023 LN_CR -.186 .356 -.064 -.522 .604 .976 1.025 a. Dependent Variable: LN_HS
c. Uji Heterokedastisitas
Dalam penelitian ini, untuk mendeteksi ada tidaknya gejala heterokedastisitas adalah dengan melihat plot grafik yang dihasilkan dari pengolahan data dengan menggunakan SPSS. Dasar pengambilan keputusan adalah:
1. jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur (bergelombang, melebar kemudian menyempit), maka mengindikasikan telah terjadi heterokedastisitas,
2. jika tidak ada pola yang jelas, seperti titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heterokedastisitas atau terjadi homoskedastisitas.
Berikut ini dilampirkan garfik scatterplot untuk menganalisis apakah terjadi heterokedastisitas atau terjadi homoskedastisitas dengan mengamati penyebaran titik-titik pada gambar.
Gambar 4.3 Scatterplot Sumber: data diolah oleh penulis, 2011
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 dapt disimpulkan bahwa tidak terjaddi heterokedastisitas pada model regresi, sehingga model regresi layak dipakai untuk memprediksi HS berdasarkan masukan variabel independen ROE, NPM, DER, dan CR. Adanya titik-titik yang menyebar menjauh dari titik-titik 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 ergresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan 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 masalah autokorelasi adalah dengan menggunakan nilai uji Durbin-Watson. Untuk uji Durbin-Watson memiliki ketentuan sebagai berikut:
Durban-Watson Kesimpulan < 1.10 Ada Autokorelasi 1.11 - 1.54 Tanpa kesimpulan 1.55 - 2.46 Tidak ada autokorelasi 2.47 - 2.90 Tanpa kesimpulan
> 2.91 Ada Autokorelasi
Tabel 4.5
Hasil Uji Durbin-Watson Model Summaryb
Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson
dimension0 1 .623a .388 .330 1.21815 1.683
a. Predictors: (Constant), LN_CR, LN_DER, LN_NPM, LN_ROE b. Dependent Variable: LN_HS
Sumber: data diolah penulis, 2011
Tabel 4.5 memperlihatkan nilai statistik D-W sebesar 1,683 yang berarti berada di antara interval ketentuan 1,55 – 2,46 sehingga tidak terjadi autokorelasi positif maupun autokorelasi negatif.