BAB IV HASIL PENELITIAN
B. Data Penelitian
2. Uji Asumsi Klasik
Suatu model regresi linier berganda dapat disebut sebagai model yang baik
jika model tersebut memenuhi uji asumsi klasik. Pengujian asumsi klasik dalam penelitian ini mencakup uji normalitas, uji multikolinearitas, dan uji heteroskedastisitas, dan uji autokorelasi.
a. Uji Normalitas
Pengujian tahap awal yang dilakukan dalam metode penelitian analisis data. Melalui pengujian ini, dapat diambil tindak lanjut untuk menggunakan statistik parametrik atau tidak. Menurut Gozali (2005:110) “tujuan uji normalitas adalah untuk mengujii apakah variabel independen dan variabel dependen berdistribusi normal”. Data yang baik dan layak digunakan dalam penelitian adalah data yang memiliki distribusi normal.
Cara untuk mendeteksi apakah residual berdistribusi normal atau tidak ada dua, yaitu analisis grafik dan analisis statistik. Normalitas dapat dideteksi dengan melihat penyebaran data (titik) pada sumbu diagonal dan grafik atau dengan melihat histogram dari residualnya. Dasar pengambilan keputusannya adalah:
1. jika data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal atau grafik histogramnya menunjukkan pola berdistribusi normal, maka model regresi memenuhi asumsi normalitas.
2. jika data menyebar jauh dari diagonal dan tidak mengikuti arah garis diagonal atau grafik histogram tidak menunjukkan data berdistribusi normal, maka model regresi tidak memenuhi asumsi normalitas.
Hasil uji normalitas data dalam penelitian ini menunjukkan bahwa variabel independendan variabel dependen berdistribusi normal. Hal ini dapat dilihat dari grafik histogram dan normal probability plot yang ditunjukkan pada gambar 4.1 dan 4.2 berikut.
Gambar 4.1 Grafik Histogram
Sumber : diolah dengan SPSS, 2010
Grafik histogram di atas menunjukkan bahwa data telah terdistribusi secara normal. Hal ini dapat dilihat dari grafik histogram yang menunjukkan distribusi data mengikuti garis diagonal yang tidak menceng
(skewness) kiri maupun menceng ke kanan. Hal ini juga didukung dengan hasil uji normalitas dengan menggunakan grafik plot sebagai berikut:
Gambar 4. 2 Normal Probability Plot
Sumber : diolah dengan SPSS, 2010
Dari grafik normal probability plot menggambarkan titik-titik yang menyebar mendekati garis diagonal, sehingga data dikatakan normal. Pada grafik PP Plots di atas terlihat titik-titik menyebar di sekitar/mengikuti garis diagonal, yang menunjukkan bahwa data berdistribusi normal. Kedua grafik ini menunjukkan bahwa model regresi layak digunakan karena memenuhi uji normalitas data.
Uji statistik yang dapat digunakan untuk menguji apakah residual berdistribusi normal adalah uji statistik non parametrik Kolmogorov–
Smirnov. Jika nilai signifikansi lebih besar dari 0.05, maka data residual
maka data residual tidak berdistribusi normal. Berikut ini uji Kologorov Smirnov dapat dilihat pada tabel 4.2.
Tabel 4.2
Uji Kolmogorov Smirnov
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual N 30 Normal Parametersa Mean .0000000 Std. Deviation 1.81784640 Most Extreme Differences Absolute .187 Positive .187 Negative -.089 Kolmogorov-Smirnov Z 1.023
Asymp. Sig. (2-tailed) .246
a. Test distribution is Normal.
Sumber : diolah dengan SPSS, 2010
Dari hasil uji Kolmogorov Smirnov, dapat dilihat bahwa p-value pada kolom Asimp. Sig(2-tailed) memiliki nilai 0,246 nilai ini > 0,05 (level of
significant). Hal ini menunjukkan bahwa residual terdistribusi normal.
b. Uji Multikolineritas
Uji multikolineritas bertujuan untuk menguji apakah dalam suatu model regresi terdapat korelasi antar variabel independen. Pengujian multikolinearitas dilakukan dengan melihat VIF antar variabel independen. Jika VIF menunjukkan angka >10 menandakan terdapat gejala multikolinearitas. Berikut adalah hasil uji multikolinearitas variabel yang digunakan dalam penelitian
Tabel 4.3 Uji Multikolineritas Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 2.083 1.413 1.475 .153
Current Ratio .084 .266 .070 .316 .755 .683 1.463
Quick Ratio -.027 .348 -.017 -.077 .939 .645 1.551
Total Asset Turn
Over -.119 .227 -.105 -.527 .603 .847 1.181
Debt To Total
Asset Ratio 4.403 4.810 .177 .915 .369 .892 1.121
Net Profit Margin 6.926 3.392 .398 2.078 .042 .880 1.137
a. Dependent Variable: Rata-rata KMK
Sumber : diolah dengan SPSS, 2010
Tabel 4.3 diatas memperlihatkan bahwa variabel CR memiliki nilai
VIF 1,463 (<10) dan nilai Tolerance 0.683 (>0,1). Variable QR memiliki
nilai VIF 1,551 (<10) dan nilai Tolerance 0,645 (>0,1). Variable TATO memiliki nilai VIF 1,181 (<10) dan nilai Tolerance 0,847 (>0,1). Variabel DTAR memiliki nilai VIF 1,121 (<10) dan nilai Tolerance 0,892 (>0,1). Variable NPM memiliki nilai VIF 1,137 (<10) dan nilai Tolerance 0,880 (>0,1). Hasil tersebut menunjukkan bahwa seluruh variabel terbebas dari multikolineritas dan dapat digunakan dalam penelitian.
c. Uji Heterokedastisitas
Tujuan dilakukannya uji heteroskedastisitas adalah untuk menguji apakah dalam suatu model regresi terdapat ketidaksamaan pengganggu antara satu pengamatan ke pengamatan yang lain. Berikut disajikan hasil
dari uji heteroskedastisitas yang ditunjukkan dalam grafik scatterplot pada gambar 4.3.
Gambar 4. 3 Grafik Scatterplot
Hasil uji grafik Scatterplot menunjukkan tidak terjadinya heteroskedastisitas pada model regresi. Hal ini terlihat dari titik-titik yang menyebar secara acak yang terdapat diatas maupun dibawah angka 0 pada sumbu Y, titik-titik data tidak mengumpul hanya di atas atau di bawah saja, dan penyebaran titik-titik data tidak berpola.
d. Uji Autokorelasi
Uji autokorelasi bertujuan untuk mengetahui ada tidaknya korelasi antara variabel pengganggu pada periode t dengan kesalahan pada periode t-1. Salah satu cara yang dapat digunakan untuk mendeteksi ada tidaknya autokorelasi dalam suatu model regresi adalah dengan melakukan uji
apabila nilai du < dw < 4 – du. Berikut ini disajikan hasil uji
Durbin-Watson untuk penelitian ini dengan menggunakan SPSS 16.0.
Tabel 4.4 Uji Autokorelasi
Model Summaryb
Model R R Square Adjusted R Square
Std. Error of the
Estimate Durbin-Watson
1 .446a .198 .031 1.9982534 2.207
a. Predictors: (Constant), Net Profit Margin, Total Asset Turn Over, Debt To Total Asset Ratio, Current Ratio, Quick Ratio
b. Dependent Variable: Rata-rata KMK
Dari tabel 4.4 di atas dapat diketahui bahwa nilai DW adalah sebesar 2.207. Nilai ini akan dibandingkan dengan nilai tabel dengan menggunakan nilai signifikansi 5%, jumlah sampel 30 (n) dan jumlah variabel independen 5 (k=5). Maka didapatkan nilai batas atas (du) sebesar 1.833 dan nilai batas bawah (dl) sebesar 1.071. Oleh karena itu, nilai (dw) lebih besar dari 1.833 dan lebih kecil dari 4 – 1.833 atau dapat dinyatakan bahwa 1.833 < 2.207 < 4 - 1.833 (du < dw < 4 – du).