UKURAN PERUSAHAAN
4.2.2 Uji Asumsi Klasik .1 Uji Normalitas
Uji normalitas adalah uji yang dilakukan untuk mengetahui apakah variabel pengganggu atau variabel residual terdistribusi normal. Cara yang digunakan untuk melihat apakah data normal atau tidak adalah dengan melakukan analisis grafik dengan melihat grafik histogram dan probability plot dan dengan melakukan analisis statistik yang dapat dilakukan dengan uji kolmogorov smirnov, dengan membuat hipotesis sebagai berikut:
Ho : data residual terdistribusi normal Ha : data residual tidak terdistribusi normal
Dengan ketentuan, apabila nilai signifikansinya >0,05 maka Ho diterima dan sebaliknya apabila nilai signifikansinya lebih kecil dari 0,05 maka Ho ditolak dan Ha diterima.
Analisis grafik dapat dilakukan dengan cara melihat grafik histogram dan probability plot. Suatu data dikatakan baik apabila data tersebut terdistribusi normal. Pada grafik histogram, data yang mengikuti atau mendekati distribusi normal adalah distribusi data dengan bentuk lonceng. Pada gambar 4.1 dalam lampiran viii kita dapat melihat bahwa gambar grafik histogram berbentuk lonceng, tetapi gambar dari grafik
tersebut tidak merata diantara sisi kiri dan sisi kanan yang menunjukkan bahwa data tidak terdistribusi secara normal.
Pada grafik P-P plot, data dikatakan terdistribusi secara normal apabila titik-titik datanya menyebar disekitar garis pola. Pada gambar 4.2 yang terdapat dalam lampiran ix, terlihat bahwa titik-titik data tidak menyebar dengan merata disekitar garis pola dimana ada beberapa titik yang menjauhi garis pola, sehingga ini menunjukkan bahwa data tidak terdisitribusi normal.
Pengujian normalitas data apakah terdistribusi normal atau tidak dengan melihat grafik histogram dan P-P plot saja tidak cukup, sehingga kita perlu melakukan uji normalitas data dengan analisis statistik agar lebih meyakinkan. Analisis statistik dilakukan dengan pengujian kolmogorov smirnov. Untuk melihat apakah data terdistribusi normal atau tidak dapat dilihat dari nilai signifikansinya. Jika nilai signifikansinya lebih besar dari 0,05 maka data terdistribusi normal. Apabila nilai signifikansinya lebih kecil dari 0,05 maka data tidak terdisitribusi normal. Pengujian tersebut dapat dilihat pada tabel berikut ini:
Tabel 4.2
Uji Normalitas Data Awal
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 72
Normal Parametersa,,b Mean .0000000
Std. Deviation .62575949 Most Extreme Differences Absolute .168 Positive .168 Negative -.104 Kolmogorov-Smirnov Z 1.421
Asymp. Sig. (2-tailed) .035
a. Test distribution is Normal. b. Calculated from data.
Hasil uji Kolomogrov Smirnov pada tabel diatas menunjukkan bahwa nilai struktur modalnya adalah 0,035. Maka dapat disimpulkan bahwa data tidak terdistribusi normal karena nilai signifikansinya lebih kecil dari 0,05 yaitu 0,035<0,05. Dengan demikian maka uji hipoteisis tidak dapat dilakukan.
Pengujian normalitas data yang dilakukan dengan uji grafik dan uji statistik menunjukkan bahwa data tidak terdistribusi normal sehingga uji hipotesis tidak dapat dilakukan. Untuk menormalkan data penelitian maka penulis menggunakan transformasi data. Salah satu transformasi data yang dapat dilakukan adalah dengan mentransformasikan data ke logaritma 10 atau LN.
Penulis melakukan pengujian ulang terhadap normalitas data untuk melihat apakah data terdistribusi normal atau tidak setelah
dilkakukan transformasi data. Hasil uji normalitas data setelah dilakukan transformasi data dapat dilihat sebagai berikut:
Tabel 4.3
Uji Normalitas (setelah transformasi)
Dengan melihat grafik histogram pada gambar 4.3 yang terdapat dalam lampiran xii dan grafik P-P Plpot pada gambar 4.4 yang ada pada lampiran xiii setelah ditransformasi terlihat perbedaan antara gambar sebelum di transformasi dengan sesudah di transformasi. Pada gambar grafik histogram setelah di transformasi terlihat grafik sudah berbentuk lonceng dengan sisi kiri dan sisi kanan telah merata. Sama halnya dengan gambar 4.4 grafik P-P Plot tersebut terlihat bahwa titik-titik menyebar di sepanjang garis diagonal dan tidak menjauhi garis diagonal. Hal ini berarti menunjukkan data terdistribusi normal dan tidak menyalahi aturan uji normalitas. Selain uji normalitas data dengan grafik
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 69
Normal Parametersa,,b Mean .0000000
Std. Deviation .46677082
Most Extreme Differences Absolute .093
Positive .054
Negative -.093
Kolmogorov-Smirnov Z .769
Asymp. Sig. (2-tailed) .595
a. Test distribution is Normal. b. Calculated from data.
dilakukan juga melalui statistik. Hasil uji kolmogorov-smirnov pada tabel 4.3 diatas menunjukkan nilai struktur modal = 0,595. Karena nilai signifikansinya 0,595 > 0,05 berarti data terdistribusi normal sehingga uji hipotesis dapat dilakukan.
4.2.2.2 Uji Heterokedastisitas
Uji heterokedastisitas adalah uji yang dilakukan untuk melihat apakah dalam model regresi terjadi perbedaan variabel residu dari satu pengamatan ke pengamatan yang lain. Cara untuk mendeteksi ada atau tidaknya heterokedastisitas yaitu dengan melihat gambar grafik scatterplott yang dhasilkan dari pengolahan data menggunakan program SPSS. Jika dari grafik scatterplott membentuk pola tertentu maka dapat disimpulkan bahwa telah terjadi heterokedastisitas. Apabila dari grafik scatterplott tidak membentuk suatu pola tertentu dimana titik-titik menyebar dibawah angka 0 dan y maka tidak terjadi heterokedastisitas.
Pada grafik scatterplott yang ada pada lampiran xv terlihat bahwa titik-titik menyebar secara acak dan tidak membentuk suatu pola tertentu serta tersebar baik diatas maupun dibawah angka nol dan sumbu y. Hal ini menunjukkan bahwa tidak terjadi heterokedastisitas pada model regresi. Penyebaran titik-titik ini dikarenakan adanya perbedaan data observasi yang satu dengan yang lain sehingga model regresi dapat digunkan untuk melihat pengaruh variabel independen terhadap variabel dependen.
4.2.2.3 Uji Autokorelasi
Uji autokorelasi adalah uji yang dilakukan untuk melihat apakah dalam suatu periode regresi linear ada korelasi antar kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1. Model regresi yang baik adalah regresi yang bebas dari autokorelasi. Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lain, oleh karena itu autokorelasi sering ditemukan pada data runtut waktu atau time series. Salah satu cara untuk mendeteksi autokorelasi di antaranya dengan uji Durbin Watson. Pengambilan keputusan ada tidaknya autokorelasi adalah sebagai berikut:
a) Jika angka D-W dibawah -2 berarti ada autokorelasi positif b) Jika angka D-W diantara -2 sampai +2 berarti tidak ada
autokorelasi
c) Jika angka D-W diatas -2 berarti ada autokorelai negatif Tabel 4.4
Hasil Uji Autokorelasi setelah Transformasi
D a Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .836a .700 .681 .48114 2.415
a. Predictors: (Constant), profitability, liquidity, firm size, assets structure value b. Dependent Variable: Struktur modal
Dari tabel 4.4 memperlihatkan nilai statistik D-W sebesar 2,415. Sesuai dengan ketentuan durbin Watson maka penelitian ini tidak terdapat autokorelasi. Karena nilai 2,415 berada diantara -2 sampai +2.
4.2.2.4 Uji Multikolinearitas
Uji multikolinearitas adalah uji yang dilakukan untuk melihat apakah pada model regresi terdapat adanya korelasi diantara variabel independen. Karena model yang baik seharusnya tidak terjadi multikolinearitas diantara variabel independen. Sebab jika terjadi multikolinearitas diantara sesama variabel independen konsekuensinya yaitu koefisien regresi menjadi tidak dapat ditaksir, varian dan standar error setiap koefisien regersi menjadi tidak terhingga.
Cara untuk mendeteksi terjadinya multikolinearitas yaitu dengan melihat nilai VIF (Variable Inflation Factor ) dan nilai tolerance. Jika nilai VIF < 10 dan nilai tolerance > 0,01 maka dapat disimpulkan tidak terjadi multikolinearitas.
Tabel 4.5
Uji Multikolinearitas Setelah Transformasi
Model Unstandardized Coefficients Standardized Coefficients T Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1(Constant) 7.358 1.372 5.361 .000
Ln_ROE .016 .061 .019 .260 .796 .858 1.165
Ln_CR -.878 .086 -.785 -10.244 .000 .799 1.251
Ln_Size -1.481 .514 -.206 -2.881 .005 .916 1.092
Dari tabel 4.5 menunjukkan bahwa nilai tolerance variabel independen lebih besar dari 0,01. Nilai tolerance ROE 0,858; CR 0,799; Size 0,916; ASV 0,805. Nilai VIF kelima variabel independen lebih kecil 0,10. Nilai VIF ROE 1,165; CR 1,252; Size 1,092 dan ASV 1,243. Dari nilai VIF dan Tolerance dimana nilai variabel independennya semua memenuhi asumsi uji multikolinearitas maka dapat disimpulkan bahwa tidak ada multikolinearitas antar variabel independen.