BAB IV HASIL PENELITIAN DAN PEMBAHASAN
B. Hasil Penelitian
2. Uji Asumsi Klasik
Uji ini bertujuan untuk mengetahui apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal. Pengujian normalitas dalam penelitian ini menggunakan dua cara yaitu analisis grafik yang terdiri dari histogram
dan normal probability plot dan analisis statistik yang terdiri dari uji skewness/ kurtosi dan uji nonparametrik Kolmogorov Smirnov.
Hasil uji normalitas melalui grafik histogram dan normal probablility plot untuk ketiga variabel penelitian menunjukkan distribusi data yang tidak normal. Hal tersebut dapat dilihat dari hasil uji normalitas yang tertera pada Lampiran IV, yaitu bentuk grafik histogram yang menceng ke kiri, selain itu pada normal probability plot titik-titik menyebar jauh dari diagonal dan tidak mengikuti garis diagonal. Uji normalitas bertujuan untuk menguji apakah dalam model model regresi, variabel pengganggu atau residual memiliki distribusi normal (Ghozali, 2005 : 110). Berdasarkan grafik histogram dan normal probability plot menunjukkan residual tidak berdistribusi normal.
Uji normalitas dengan grafik dapat menyesatkan, kalau tidak hati-hati secara visual kelihatan normal, padahal secara statistik bisa sebaliknya. Oleh sebab itu dianjurkan disamping uji grafik dilengkapi dengan uji statistik. Uji statistik sederhana dapat dilakukan dengan melihat nilai kurtosis dan skewness (Ghozali, 2005 : 112).
Pedoman bahwa data tersebut normal tidaknya dilihat dari nilai Z Skewness dan Z Kurtosis, dimana jika nilai Z hitung > Z tabel, maka distribusi tidak normal. Nilai Z tabel pada tingkat signifikansi 0,05 adalah 1,96 dan pada tingkat signifikansi 0,01 adalah 2,58. Nilai signifikansi yang dipakai di sisn adalah 0,05 sehingga distribusi dikatakan normal jika nilai Z Skewness dan Z Kurtosis lebih kecil dari 1,96.
Tabel 4.5
Hasil Uji Normalitas dengan Skewness dan Kurtosis
N
Skewness Kurtosis
DPR 93 1.491 .250 2.861 .495
ROE 93 1.987 .250 4.553 .495
DER 93 1.616 .250 2.226 .495
Unstandardized Residual 93 1.597 .250 2.246 .495
Valid N (listwise) 93
Sumber : Diolah dari SPSS, 2008
Tabel 4.6
Nilai Z Skewness dan Z Kurtosis
Z Skewness Z Kurtosis
DPR 5,870 5,632
ROE 7,823 8,963
DER 6,362 4,380
Unstandardized Residual 6,287 4,421
Sumber : Diolah dari SPSS, 2008
Hasil uji normalitas memperlihatkan nilai Skewness dan Kurtosis untuk variabel
Dividend Pay Out Ratio (DPR) adalah sebesar 1,491 dan 2,861, variabel Return On Equity (ROE) sebesar 1,987 dan 4,553, Debt to Equity Ratio (DER) sebesar 1,616 dan 2,226, dan Residual sebesar 1,597 dan 2,246. Dari masing-masing nilai Skewness dan Kurtosis tersebut dapat dihitung nilai Z Skewness dan Z Kurtosis. Berdasarkan hasil perhitungan, DPR memiliki Z Skewness maupun Z Kurtosis lebih besar dari Z tabel (5,870 > 1,96 dan 5,632 > 1,96), ROE juga memiliki Z Skewness maupun Z Kurtosis lebih besar dari Z tabel (7,823 > 1,96 dan 8,963 > 1,96), DER memiliki Z Skewness dan Z Kurtosis lebih besar dari Z tabel (6,362 > 1,96 dan 4,38 > 1,96), Residual ( variabel pengganggu) juga memiliki Z Skewness dan Z Kurtosis lebih besar dari Z tabel (6,287 > 1,96 dan 4,421 > 1,96). Dengan demikian dapat disimpulkan bahwa data tidak terdistribusi secara normal, artinya asumsi normalitas tidak terpenuhi.
Uji statistik lain yang dapat digunakan untuk menguji normalitas data variabel penelitian dan residual adalah uji statistik non-parametrik Kolmogorov-Smirnov (K-S). Uji K-S dilakukan dengan membuat hipotesis (Ghozali, 2005 : 30) :
HO : data terdistribusi secara normal (sig. > 0,05) HA : data tidak terdistribusi secara normal (sig. < 0,05)
Tabel 4.7
Hasil Uji Normalitas dengan Kolmogorov Smirnov One-Sample Kolmogorov-Smirnov Test
DPR ROE DER
Unstandardize d Residual
N 93 93 93 93
Normal Parameters(a,b) Mean 33.05 18.6630 30.9828 .0000000
Std. Deviation 24.303 14.50125 33.53966 33.37350860 Most Extreme Differences Absolute .143 .173 .222 .190 Positive .143 .173 .222 .190 Negative -.087 -.121 -.191 -.171 Kolmogorov-Smirnov Z 1.380 1.666 2.139 1.837
Asymp. Sig. (2-tailed) .044 .008 .000 .002
a Test distribution is Normal.
b Calculated from data.
Dari hasil uji normalitas tersebut diperoleh bahwa variabel DPR, ROE, DER dan data Residual memiliki nilai signifikansi yang lebih kecil dari 0,05 (5%), yakni masing-masing sebesar 0,044; 0,008; 0,000; 0,002. Dengan demikian HO ditolak (HA diterima) atau data tidak terdistribusi secara normal. Sehingga tidak dapat dilakukan pengujian lebih lanjut. Untuk itu perlu dilakukan tindakan perbaikan (treatment) agar model regresi memenuhi asumsi normalitas.
Tindakan perbaikan yang dilakukan dalam penelitian ini menggunakan salah satu dari tiga cara yang telah dikemukakan pada bab sebelumnya yaitu dengan menggunakan transformasi seluruh variabel penelitian dalam bentuk fungsi logaritma natural (Ln). Sehingga dari DER = f (DPR, ROE) menjadi Ln_DER = f (Ln_DPR, Ln_ROE). Kemudian data diuji berdasarkan asumsi normalitas.
Dari grafik histogram dan pola distribusi normal pada grafik normal probability plot yang tertera pada Lampiran IV terlihat bahwa hanya data variabel DPR yang tidak
terdistribusi secara normal. Hal ini terlihat jelas dari titik-titik yang menyebar jauh dari diagonal dan tidak mengikuti garis diagonal normal probability plot. Hasil perhitungan terhadap Z Skewness dan Z Kurtosis variabel DPR menunjukkan bahwa data tidak normal, dimana Z Skewness < Z tabel (-11,248 < 1,96) tetapi Z Kurtosis > Z tabel (20,352 > 1,96). Hasil uji statistik non-parametrik juga mendukung hasil uji lainnya dimana nilai signifikansi DPR sebesar 0,001 (< 0,05), sehingga Ho ditolak (Ha diterima) atau data variabel DPR tidak terdistribusi secara normal.
Tabel 4.8
Hasil uji Normalitas dengan Skewness dan Kurtosis
N Skewness Kurtosis
Statistic Statistic Std. Error Statistic Std. Error
LnDPR 93 -2.857 .250 10.339 .495
LnROE 93 -.444 .250 .713 .495
LnDER 93 -.014 .250 -.965 .495
Valid N (listwise) 93
Tabel 4.9
Nilai Skewness dan Kurtosis
Z Skewness Z Kurtosis
LnDPR -11,248 20,352
LnROE -1,748 1,40
LnDER -0,055 -1,899
Dari hasil perhitungan dapat disimpulkan bahwa data dalam model regresi untuk variabel ROE, DER dan Residual telah terdistribusi secara normal, dimana Z hitung < Z tabel. Hanya variabel DPR yang Z hitungnya > Z tabel.
Tabel 4.10
Hasil uji Normalitas dengan Kolmogorov Smirnov One-Sample Kolmogorov-Smirnov Test
LnDPR LnROE LnDER
Unstandardized Residual
N 93 93 93 93
Normal Parameters(a,b) Mean 3.0850 2.6628 2.8424 .0000000
Std. Deviation 1.30995 .76245 1.14870 1.14417853 Most Extreme Differences Absolute .209 .076 .082 .077 Positive .131 .047 .062 .065 Negative -.209 -.076 -.082 -.077 Kolmogorov-Smirnov Z 2.014 .733 .794 .739
Asymp. Sig. (2-tailed) .001 .655 .553 .646
a Test distribution is Normal. b Calculated from data.
Hasil uji K-S juga menunjukkan bahwa variabel ROE, DER dan Residual terdistribusi secara normal, dimana nilai signifikansi > 0,05. Hanya variabel DPR yang signifikansinya < 0,05. Namun, ketidaknormalan ini diabaikan karena data variabel DPR tetap belum normal walaupun sudah dilakukan tindakan perbaikan (treatment).
b. Uji Multikolinearitas
Uji ini bertujuan untuk menguji apakah pada model regresi ditemukan adanya korelasi antarvariabel bebas (independen). Untuk mengetahui ada tidaknya multikolinearitas dapat dilihat dari nilai Variance Inflation Factor (VIF) dan nilai
multikolinearitas dan apabila VIF < 10 dan Tolerance > 0,1 maka tidak terjadi multikolinearitas.
Hasil dari uji Multikolinearitas dapat dilihat pada tabel berikut ini : Tabel 4.11 Coefficients(a) Model Collinearity Statistics Tolerance VIF 1 (Constant) LNDPR ,997 1,003 LNROE ,997 1,003
a Dependent Variable: LNDER
Dari hasil pengujian di atas dapat dilihat bahwa angka Tolerance DPR (LN_DPR) dan ROE (LN_ROE) > 0,10, dan VIF-nya < 10, maka tidak ada multikolinearitas antar variabel independen tersebut. Hal ini ditegaskan kembali dari hasil korelasi antar variabel independen tidak ada korelasi yang cukup serius. Tingkat korelasi antara LN_DPR dan LN_ROE hanya sebesar 0,054 atau sekitar 5,4 %. Oleh karena angka ini masih di bawah 95 %, maka dapat dikatakan tidak terjadi multikolinearitas yang cukup serius.
c. Uji Autokorelasi
Untuk mengetahui apakah data yang kita miliki terjadi autokorelasi atau tidak, kita menggunakan uji Durbin-Watson (DW test). Ghozali (2005:96) memberikan pedoman dalam pengambilan keputusan ada tidaknya autokorelasi sebagai berikut :
a. Bila nilai DW (Durbin-Watson) terletak antara batas atas (DU) dan 4-DU, maka koefisien autokorelasi sama dengan nol artinya tidak terjadi autokorelasi.
c. Bila nilai DW>4-DL, maka koefisien autokorelasi lebih kecil dari nol artinya ada autokorelasi negatif.
d. Bila nilai DW terletak antara DU dengan DL atau DW terletak di antara 4-DU dan 4-DL, maka hasilnya tidak dapat diputuskan ada autokorelasi atau tidak.
Hasil uji autokorelasi dapat kita lihat pada tabel di bawah ini : Tabel 4.12 Model Summary(b) Model R R Square Adjusted R Square Std. Error of
the Estimate Durbin-Watson
1 ,089(a) ,008 -,014 1,15682 2,070
a Predictors: (Constant), LNROE, LNDPR b Dependent Variable: LNDER
Berdasarkan tabel 4.12 di atas, diketahui bahwa nilai DW sebesar 2,070. Nilai ini dibandingkan dengan nilai tabel dengan jumlah observasi sebanyak 93 (N = 93) dan variabel independen (k) sebanyak 2, maka dari tabel statistik DW didapatkan nilai DL (batas bawah) sebesar 1,618 dan nilai DU (batas atas) sebesar 1,706. Nilai DW berada diantara DU dan 4-DU (1,706 < DW < 2,070), berarti tidak ada autokorelasi.
d. Uji Heterokedastisitas
Untuk mendeteksi ada tidaknya heterokedastisitas menurut (Ghozali, 2005:105) dapat dilihat dari grafik Scatterplot antara nilai prediksi variabel dependen yaitu ZPRED dengan residualnya SRESID. Jika ada pola tertentu seperti titik-titik yang ada membentuk pola tertentu yang teratur, maka telah terjadi heterokedastisitas. Sebaliknya jika tidak ada pola yang jelas serta titik-titik yang menyebar maka tidak terjadi heterokedastisitas.
Hasil dari uji Heterokedastisitas dapat ditunjukkan dalam grafik Scatterplot antara ZPRED dan SRESID sebagai berikut :
Gambar 4.17 3 2 1 0 -1 -2 -3
Regression Standardized Predicted Value
2 1 0 -1 -2 -3 R e
gression Studentized Residual
Dependent Variable: LnDER Scatterplot
Dari grafik Scatterplot tersebut dapat dilihat bahwa penyebaran residual adalah tidak teratur. Hal tersebut dapat dilihat pada titik-titik atau plot yang menyebar di atas dan di bawah angka nol pada sumbu Y dan tidak membentuk suatu pola tertentu. Dengan demikian, kesimpulan yang bisa diambil adalah bahwa tidak terjadi heterokedastisitas atau persamaan regresi memenuhi asumsi heterokedastisitas.