BAB IV HASIL PENELITIAN DAN PEMBAHASAN
B. Hasil Proses Statistik
4.2 Uji Asumsi Klasik
Hasil dari uji normalitas dengan grafik histogram, normal probability plot, serta
Kolmogorov-Smirnov Test. Pengujian normalitas data Kolmogorov-Smirnov (K-S) dengan
membuat hipotesis apabila nilai signifikansinya lebih besar dari 0,05 maka H0 diterima,
sedangkan jika nilai signifikansinya lebih kecil dari 0,05 maka H0 ditolak.
Tabel 4.2
Uji Normalitas Sebelum Data Ditransformasi One-Sample Kolmogorov-Smirnov Test
LA AKO AKI AKP HS
N 60 60 60 60 60
Normal Parametersa,,b Mean 224.5312 -135.4120 167.2273 31.5485 1390.85 Std. Deviation 507.19036 1,465.35709 613.66793 433.96851 1580.008
Most Extreme Differences Absolute .330 .291 .221 .280 .272
Positive .313 .238 .221 .280 .272
Negative -.330 -.291 -.178 -.238 -.189
Kolmogorov-Smirnov Z 2.555 2.254 1.711 2.169 2.107
Asymp. Sig. (2-tailed) .000 .000 .006 .000 .000
a. Test distribution is Normal. b. Calculated from data.
Sumber: Data diolah penulis, 2011
Dari hasil uji normalitas pada tabel 4.2, besarnya nilai Kolmogorov-Smirnov adalah 2,555
dan signifikansi pada 0,000 untuk laba akuntansi, 2,254 dan signifikansi pada 0,000 untuk arus
maka dapat disimpulkan data tidak terdistribusi secara normal karena semua p < 0,05. Data yang
tidak terdistribusi secara normal tersebut juga dapat dilihat melalui grafik histogram dan grafik
normal plot data.
Sumber:
Data yang diolah penulis, 2011
Gambar 4.1
Histogram (sebelum data ditransformasi)
Gambar 4.2
Grafik Normal P-P Plot (sebelum data ditransformasi)
Hasil uji normalitas dengan menggunakan histogram (gambar 4.1) terlihat normal, namun
tidak demikian dengan hasil uji normalitas dengan menggunakan grafik plot. Pada grafik normal
plot (gambar 4.2), terlihat titik-titik menyebar disekitar garis diagonal serta penyebarannya agak
menjauh dari garis diagonal sehingga dapat disimpulkan bahwa data dalam model regresi
terdistribusi secara tidak normal. Ada beberapa cara mengubah model regresi menjadi normal
menurut Jogiyanto (2004:172) yaitu:
1) lakukan transformasi data ke bentuk lainnya,
2) lakukan trimming, yaitu membuang data outlier,
3) lakukan winsorizing, yaitu mengubah nilai data yang outlier ke suatu nilai tertentu.
Pengubahan nilai residual agar berdistribusi normal dapat dilakukan dengan transformasi
data ke model logaritma natural (Ln) yaitu dari persamaan Harga Saham = f(HS) menjadi
LN_Harga_Saham = f(LN_HS). Setelah itu, data diuji ulang berdasarkan asumsi normalitas.
Oleh karena itu, dilakukan transformasi data yang tidak terdistribusi secara normal tersebut
untuk menormalkannya. Caranya adalah dengan melakukan LN terhadap semua variabel yang
tidak terdistribusi secara normal tersebut. Data yang ditransformasi ke model logaritma natural
disajikan pada lampiran 9, 10, dan 11. Hasil uji normalitas setelah dilakukan transformasi data
yang tidak normal tersebut dapat dilihat pada grafik histogram, normal probability plot, dan tabel
Kolmogorov-Smirnov Test pada tabel 4.3, gambar 4.3 dan gambar 4.4.
Tabel 4.3
Uji Normalitas Setelah Data Ditansformasi One-Sample Kolmogorov-Smirnov Test
Normal Parametersa,,b Mean 4.0658 5.2233 5.0580 3.9205 6.4572 Std. Deviation 1.69650 1.57038 1.79733 1.77961 1.68470
Most Extreme Differences Absolute .060 .136 .126 .102 .146
Positive .052 .136 .058 .090 .097
Negative -.060 -.076 -.126 -.102 -.146
Kolmogorov-Smirnov Z .466 .653 .734 .560 1.122
Asymp. Sig. (2-tailed) .982 .788 .654 .912 .161
a. Test distribution is Normal. b. Calculated from data.
Sumber: Data yang diolah penulis, 2011
Bila nilai signifikan < 0.05 berarti distribusi data tidak normal. Sebaliknya bila nilai
signifikan > 0.05 berarti distribusi data normal. Dapat dilihat dari tabel 4.3 di atas bahwa setelah
dilakukan transformasi data dengan LN, semua data variabel yang diuji menjadi normal karena
nilai signifikan (Asymp. Sig) untuk semua variabel > 0,05. Dilanjutkan dengan membuat grafik
histogram dan plot data pada gambar 4.3 dan 4.4.
Sumber: Data yang diolah penulis, 2011.
Gambar 4.3
Gambar 4.4
Grafik Normal P-P Plot (setelah data ditransformasi)
Grafik histogram dan normal probability plot pada gambar 4.3 dan gambar 4.4 di atas
menunjukkan bahwa setelah dilakukan transformasi data menggunakan LN, grafik histogram
memperlihatkan pola distribusi yang normal data menyebar di sekitar garis diagonal atau
mengikuti arah garis diagonal, atau grafik histogramnya menunjukkan pola distribusi normal,
maka model regresi memenuhi asumsi normalitas. Grafik P-P Plot memperlihatkan titik-titik
menyebar di sekitar/mengikuti arah garis diagonal yang menunjukkan pola distribusi normal.
4.2.2 Uji Multikolinearitas Tabel 4.4
Hasil Perhitungan VIF Coefficientsa Model Collinearity Statistics Tolerance VIF 1 (Constant) LN_LA .873 1.145
LN_AKI .819 1.220
LN_AKP .916 1.092
a. Dependent Variable: LN_HS
Sumber: Data yang diolah penulis, 2011.
Hasil dari uji multikolinieritas dapat dilihat pada tabel 4.4. Pengujian multikolinearitas
dilakukan dengan melihat (1) nilai tolerance dan lawannya (2) VIF(variance inflation factor).
Nilai cutoff yang umum dipakai untuk menunjukkan adanya multikolonieritas adalah nilai
tolerance < 0,10 atau sama dengan nilai VIF > 10. Hasil pengujian di atas, dapat dilihat bahwa
angka tolerance pada variabel LA (LN_LA), AKO (LN_AKO), AKI (LN_AKI) > 0,10 dan VIF-
nya < 10. Hal ini menujukkan bahwa tidak terjadi multikolinieritas di antara variabel penelitian.
4.2.3 Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah terjadi ketidaksamaan variabel dari
residual satu pengamatan ke pengamatan lain dalam model regresi. Model regresi yang baik
adalah tidak terjadi heteroskedastisitas atau terjadi homoskedastisitas. Untuk mendeteksi ada
tidaknya heteroskedasitas, 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
heteroskedasitas. Sebaliknya jika tidak ada pola yang jelas, serta titik-titik menyebar maka tidak
terjadi heteroskedasitas. Hasil dari uji heteroskedasitas dapat dilihat pada grafik scatterplot pada
Gambar 4.5 Grafik Scatterplot
Grafik scatterplot di atas, memperlihatkan titik-titik menyebar secara acak serta tidak
membentuk pola tertentu atau tidak teratur. Hal ini mengindikasikan tidak terjadi heterokedasitas
pada model regresi sehingga data layak dipakai dalam proses regresi berganda.
4.2.4 Uji Autokorelasi
Pengujian autokorelasi bertujuan untuk menguji apakah terdapat korelasi antara kesalahan
pengganggu pada suatu periode dengan kesalahan pengganggu periode sebelumnya dalam model
regresi. Autokorelasi menunjukkan adanya korelasi antara kesalahan pengganggu pada data yang
tersusun, baik berupa data cross sectional atau time series. Jika terjadi autokorelasi dalam model
regresi berarti koefisien korelasi yang diperoleh menjadi tidak akurat, sehingga model regresi
Cara yang dapat dilakukan untuk mendeteksi ada tidaknya autokorelasi adalah dengan
melakukan pengujian Durbin Watson (DW). Hasil dari uji autokorelasi dapat dilihat pada tabel
4.5.
Tabel 4.5
Hasil Uji Durbin Watson Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .695a .483 .445 1.39056 1.815
a. Predictors: (Constant), LN_AKP, LN_AKI, LN_LA, LN_AKO b. Dependent Variable: trans_HS
Sumber: Diolah dari SPSS
Hasil uji autokorelasi di atas menunjukkan nilai statistik Durbin Watson (Dw) sebesar
1,815, nilai ini kita bandingkan dengan nilai tabel dengan jumlah observasi sebanyak 60 (n=60)
dan variabel independen (k) sebanyak 4, maka berdasarkan tabel Durbin Watson didapat nilai
batas atas (du) sebesar 1,727 dan nilai batas bawah (dl) sebesar 1,444. Oleh karena itu, nilai
(Dw) lebih besar dari 1,727 dan lebih kecil dari 4 – 1,727 atau dapat dinyatakan bahwa 1,727 <
1,815 < 4 – 1,727 (du < d < 4 – du). Dengan demikian dapat disimpulkan tidak terdapat
autokorelasi baik positif maupun negatif.