HASIL PENELITIAN DAN PEMBAHASAN
5.1. Hasil Penelitian
5.1.2. Uji Asumsi Klasik
Model regresi yang baik dan layak di uji adalah model regresi yang bebas dari masalah asumsi klasik. Untuk menghasilkan suatu model regresi yang baik, analisis regresi harus melakukan pengujian asumsi klasik dan apabila terjadi penyimpangan dalam pengujian asumsi klasik perlu dilakukan perbaikan terlebih dahulu.
5.1.2.1. Uji normalitas
Uji normalitas berguna untuk mengetahui apakah variabel dependen dan variabel independen yang digunakan dalam penelitian mempunyai distribusi normal atau tidak. Model regresi yang baik dan layak digunakan dalam penelitian adalah model yang memiliki distribusi normal atau mendekati normal. Hasil uji normalitas data dengan grafik normal Probability plot dalam penelitian ini dapat ditunjukkan pada gambar 5.1 berikut ini:
Observed Cum Prob 1.0 0.8 0.6 0.4 0.2 0.0 Expected Cum Prob 1.0 0.8 0.6 0.4 0.2 0.0
Normal P-P Plot of Regression Standardized Residual
Dependent Variable: RS
Gambar 5.1 Hasil Uji Normalitas Sebelum Dilakukan Transformasi
Dari Gambar 5.1 terlihat bahwa titik-titik menyebar jauh dari garis diagonal dan tidak mengikuti arah garis diagonal maka model regresi tidak memenuhi asumsi normalitas. Selain itu uji normalitas data dapat dilakukan dengan menggunakan uji statistik non parametrik Kolmogorov-Smirnov (K-S), pengujian ini adalah pengujian paling valid atas asumsi normalitas. Untuk mengetahui hasil uji normalitas dari masing-masing variabel dengan uji Kolmogorov-Smirnov dapat dilihat pada Tabel 5.2 berikut:
Tabel 5.2 Uji Kolmogorov-Smirnov Sebelum Transformasi
CR ROA NPM EPS LR TATO PER PBV BV RS
N 162 162 162 162 162 162 162 162 162 162 Normal Parameters(a,b) Mean 2.679 .125 .115 993.319 .428 1.36 14.609 2.920 4358.296 .765 Std. Deviation 2.184 .115 .172 2009.733 .192 .729 21.367 4.246 7651.276 .860 Most Extreme Differences Absolute .186 .185 .253 .312 .068 .173 .263 .262 .295 .196 Positive .186 .185 .210 .312 .068 .173 .231 .221 .295 .196 Negative -.171 -.138 -.253 -.311 -.041 -.105 -.263 -.262 -.289 -.189 Kolmogorov-Smirnov Z 2.371 2.360 3.223 3.970 .868 2.199 3.349 3.340 3.751 2.496 Asymp. Sig. (2-tailed) .000 .000 .000 .000 .439 .000 .000 .000 .000 .000 Sumber: Hasil Penelitian, 2010 (Data Diolah)
Dari hasil uji normalitas pada Tabel 5.2 dapat dilihat hanya variabel LR yang berdistribusi normal karena nilai signifikansinya sebesar 0.439 > 0.05, sedangkan variabel CR, ROA, NPM, EPS, LR, TATO, PER, PBV, BV dan RS tidak berdistribusi normal karena nilai signifikansi dari masing-masing variabel sebesar 0.000 < 0.05. Untuk mengubah nilai residual agar berdistribusi normal peneliti melakukan transformasi data dengan Logaritma natural (Ln) dengan menggunakan SPSS. Caranya adalah dengan melakukan logaritma natural terhadap semua variabel yang tidak berdistribusi normal. Setelah itu, data diuji ulang berdasarkan asumsi normalitas. Hasil uji normalitas setelah melakukan transformasi data yang tidak normal tersebut dapat dilihat dari grafik normal Probability Plot pada Gambar 5.2 berikut ini:
Observed Cum Prob
1.0 0.8 0.6 0.4 0.2 0.0 Ex pe ct ed Cu m Pr ob 1.0 0.8 0.6 0.4 0.2 0.0
Normal P-P Plot of Regression Standardized Residual
Dependent Variable: Ln_RS
Sumber: Hasil Penelitian, 2010 (Data Diolah)
Dari grafik normal Probability Plot pada gambar 5.2 terlihat bahwa setelah dilakukan transformasi data menggunakan logaritma natural, grafik P-P Plot memperlihatkan titik-titik menyebar disekitar garis diagonal dan mengikuti arah garis diagonal yang menunjukkan pola distribusi normal. Untuk meyakinkan bahwa data penelitian ini benar-benar normal, maka akan dilakukan pengujian uji statistik non parametrik dengan menggunakan Kolmogorov-Smirnov seperti yang terdapat dalam Tabel 5.3 berikut :
Tabel 5.3 Uji Kolmogorov-Smirnov Setelah Transformasi
Sumber: Hasil Penelitian, 2010 (Data Diolah)
Dari hasil uji Kolmogorov-Smirnov pada Tabel 5.3 dapat dilihat bahwa setelah dilakukan transformasi data dengan logaritma natural, maka semua data variabel yang diuji menjadi normal dengan nilai signifikansi dari masing-masing variabel lebih besar dari 0,05 dengan demikian dapat disimpulkan bahwa data telah berdistribusi normal.
5.1.2.2. Uji heteroskedastisitas
Uji heteroskedastisitas dalam penelitian ini dilakukan dengan melihat grafik Scatter-Plot antara nilai prediksi variabel terkait (ZPRED) dengan residualnya
Ln_CR Ln_ROA Ln_NPM Ln_EPS LR Ln_TATO Ln_PER Ln_PBV Ln_BV Ln_RS
N 162 158 159 162 162 162 162 162 162 162 Normal Parameters(a,b) Mean .756 -2.400 -2.614 5.225 .428 .202 2.306 .512 7.225 -.8514 Std. Deviation .649 .873 .953 2.155 .192 .452 .835 1.001 1.531 1.256 Most Extreme Differences .077 .076 .072 .054 .068 .075 .067 .082 .077 .093 Positive .077 .048 .071 .037 .068 .075 .037 .082 .077 .050 Negative -.041 -.076 -.072 -.054 -.041 -.049 -.067 -.040 -.059 -.093 Kolmogorov-Smirnov Z .975 .960 .904 .691 .868 .957 .858 1.042 .975 1.178 Asymp. Sig. (2-tailed) .297 .315 .387 .725 .439 .319 .453 .228 .297 .125
(SRESID). Jika ada pola tertentu seperti titik-titik yang ada membentuk pola tertentu yang teratur maka mengindikasikan telah terjadi heteroskedastisitas dan jika tidak ada pola yang jelas serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y maka tidak terjadi heteroskedastisitas. Dimana Y adalah nilai residual dan X adalah nilai yang telah diprediksi. Hasil uji heteroskedastisitas dapat dilihat pada grafik Scatter-Plot berikut ini:
Regression Standardized Predicted Value
4 2 0 -2 Re gressi on S tude nti zed R esid ual 2 0 -2 -4 Scatterplot Dependent Variable: Ln_RS
Gambar 5.3 Uji Heteroskedastisitas
Dari grafik Scatter-Plot pada gambar 5.3 dapat dilihat bahwa tidak ada pola yang jelas serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y. Hal ini menyimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi sehingga model regresi layak dipakai.
5.1.2.3. Uji autokorelasi
Uji autokorelasi digunakan untuk mengetahui ada tidaknya korelasi antara kesalahan pengganggu pada periode tertentu dengan kesalahan pengganggu periode sebelumnya. Model regresi yang baik adalah regresi yang bebas dari autokorelasi. Uji autokorelasi dapat dilakukan dengan pengujian Durbin-Watson (DW). Hasil uji autokorelasi dapat dilihat pada Tabel 5.4 berikut ini:
Tabel 5.4 Uji Autokorelasi
Sumber: Hasil Penelitian, 2010 (Data Diolah)
Dari Tabel 5.4 dapat dilihat bahwa nilai Durbin-Watson dalam penelitian ini sebesar 1.701, yang menunjukkan bahwa nilai D-W tersebut berada di antara -2 sampai +2 berarti tidak terjadi autokorelasi pada model regresi yang digunakan.
5.1.2.4. Uji multikolinieritas
Uji Multikolinieritas digunakan untuk menguji apakah dalam model regresi ditemukan korelasi antar variabel bebas (independen), model regresi yang baik seharusnya tidak terjadi korelasi antar variabel bebas. Untuk mendeteksi ada tidaknya multikolinieritas yaitu dengan melihat Tolerance Value dan Variance Inflation Factor (VIF). Multikolinieritas terjadi jika nilai tolerance < 0,10 dan VIF > 10 atau jika antar variabel independen ada korelasi yang cukup tinggi umumnya di atas 0,9. Hasil uji multikolinieritas dapat dilihat pada Tabel 5.5 beikut:
Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .350(a) .122 .069 1.17760 1.701
Tabel 5.5 Uji Multikolinieritas Model
Unstandardized Coefficients
Standardized
Coefficients Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) .850 .837 Ln_CR -.139 .220 -.074 .440 2.274 Ln_ROA -.466 .279 -.328 .155 6.462 Ln_NPM .352 .203 .269 .249 4.012 Ln_EPS -.017 .074 -.030 .367 2.723 LR -.874 .881 -.135 .324 3.091 Ln_TATO .188 .300 .069 .483 2.070 Ln_PER -.723 .211 -.467 .322 3.106 Ln_PBV .366 .183 .302 .261 3.825 Ln_BV .010 .099 .012 .388 2.580
Sumber: Hasil Penelitian, 2010 (Data Diolah)
Berdasarkan hasil pengujian multikolinieritas pada tabel 5.5 dapat dilihat bahwa nilai tolerance pada variabel Ln_CR, Ln_ROA, Ln_NPM, Ln_EPS, LR, Ln_TATO, Ln_TATO, Ln_PER, Ln_PBV, dan Ln_BV > 0,10 dan VIF-nya < 10. Hal ini menunjukkan bahwa tidak terjadi korelasi antar variabel independen artinya tidak terjadi multikolinieritas.
