HASIL DAN PEMBAHASAN
4.3 Uji Asumsi Klasik .1 Uji normalitas .1 Uji normalitas
4.3.3 Uji Heteroskedastisitas
Uji heteroskedasitas dilakukan untuk menguji apakah dalam model regresi
terjadi ketidaksamaan variance dari residual suatu pengamatan ke pengamatan
yang lain. Pengujian ini dapat dilakukan dengan berbagai uji yang dilakukan. Di
bawah ini merupakan hasil dari pengujian heteroskedasitas dengan melihat grafik
plot antara nilai prediksi variabel terikat (dependen) yaitu ZPRED dengan
residualnya SRESID. Deteksi ada tidaknya pola tertentu pada grafik scatterplot
antara SRESID dan ZPRED dimana sumbu Y adalah Y yang telah diprediksi, dan
sumbu Xadalah residual (Y predksi – Y sesungguhnya) yang telah di –
studentized. Cara mendeteksi ada tidaknya heteroskedasitas adalah dengan
melihat grafik scatterplot yang dihasilkan dari pengolahan data dengan SPSS.
Pengambilan keputusan adalah dengan melihat pola tertentu, seperti titik-titik
yang membentuk pola tertentu yang teratur (bergelombang, melebar kemudian
menyempit), maka mengindikasikan telah terjadi heteroskedasitas dan jika tidak
ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada
sumbu Y, maka tidak terjadi heteroskedasitas.
Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah
terjadi gejala heteroskedasitas atau tidak dengan cara mengamati penyebaran
68 Gambar 4.3
Hasil Uji Heteroskedasitas dengan Scatter Plot Sebelum Moderasi
Berdasarkan gambar 4.3 terlihat bahwa titik-titik menyebar secara acak serta
tersebar baik di atas maupun di bawah angka nol pada sumbu Y, maka dapat
disimpulkan bahwa tidak terjadi heteroskedasitas.
Gambar 4.4 Uji Heteroskedastisitas
Setelah Moderasi
Dari grafik Scatterplot setelah moderasi yang tersaji pada gambar 4.4
dapat dilihat bahwa titik-titik menyebar secara acak dn tidak membentuk suatu
pola tertentu serta terebar baik di atas maupun di bawah angka 0 pada sumbu Y,
jadi dapat disimpulkan model regresi tidak mengandung adanya
70 4.3.4 Uji autokorelasi
Uji ini bertujuan untuk melihat apakah dalam suatu model linear ada
korelasi antar kesalahan pengganggu pada periode t dengan kesalahan pada
periode t-1 (sebelumnya). Ada beberapa cara yang dapat digunakan untuk
mendeteksi masalah dalam autokorelasi diantaranya masalah dalam autokorelasi
diantaranya dengan menggunkan uji Durbin-Watson.
Tabel 4.6
Hasil Uji Durbin-Watson Sebelum Moderasi
Model Summaryb
Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson
1 .741a .549 .516 244253521.62730 1.497
a. Predictors: (Constant), X2, X1
b. Dependent Variable: Y
Berdasarkan tabel 4.5 hasil pengujian Durbin-Watson diperoleh bahwa tidak
terjadi autokorelasi antar kesalahan pengganggu antar periode. Hal ini dilihat dari
nilai Durbin-Watson (D-W) sebesar 1.497. Angka tersebut berada diantara -2 dan
+2, artinya bahwa angka DW lebih besar dari -2 dan lebih kecil dari +2 (-2 <
1,497 > +2). Jadi dapat disimpulkan bahwa tidak ada autokorelasi positif maupun
negative.
Tabel 4.7
Hasil Uji Durbin-Watson Setelah Moderasi
Model Summaryb
Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson
1 .823a .678 .641 210333788.97888 1.676
a. Predictors: (Constant), Z, X2, X1
b. Dependent Variable: Y
Setelah dimasukkan variabel moderasi berdasarkan tabel 4.6 hasil pengujian
Durbin-Watson diperoleh bahwa tidak terjadi autokorelasi antar kesalahan
pengganggu antar periode. Hal ini dilihat dari nilai Durbin-Watson (D-W) sebesar
1.676. Angka tersebut berada diantara -2 dan +2, artinya bahwa angka DW lebih
besar dari -2 dan lebih kecil dari +2 (-2 < 1.676 > +2). Jadi dapat disimpulkan
bahwa tidak ada autokorelasi positif maupun negative.
4.4 Analisis Regresi Berganda
Analisis regresi berganda digunakan untuk memprediksi seberapa jauh
perubahan nilai variabel dependen, bila nilai variabel independen dimanipulasi
(Sugiyono, 2011:260). Dalam penelitian ini terdapat dua model regresi yang akan
72
moderasi. Variabel yang dipakai adalah laba sebagai variabel dependen dan
anggaran pelatihan dan anggaran pengembangan sebagai variabel independen
serta kinerja sebagai variabel moderasi. Hasil dari analisis regresi dapat dilihat
pada tabel dibawah ini:
Tabel 4.8 Uji Regresi Berganda
Coefficientsa
Model Unstandardized Coefficients Standardized Coefficients t Sig.
B Std. Error Beta 1 (Constant) -96000966.435 124357960.115 -.772 .447 X1 -22.009 14.837 -.415 -1.483 .150 X2 59.239 15.282 1.083 3.876 .001 a. Dependent Variable: Y
Pada tabel di atas dapat dilihat nilai konstanta sebesar -96000966.435. Nilai
koefisien variabel X1 (anggaran pelatihan) adalah -22.009 dan variabel X2
(anggaran pengembangan) adalah 59.239. Berdasarkan hasil uji regresi linear
berganda di atas diperoleh persamaan regresi : Y = -96000966.435+ -22.009X1 +
59.239X2 + e
Tabel 4.9 Uji Regresi Moderasi
Coefficientsa
Model Unstandardized Coefficients Standardized Coefficients t Sig.
B Std. Error Beta 1 (Constant) -50927080.455 107995581.053 -.472 .641 X1 -34.895 13.386 -.657 -2.607 .015 X2 49.603 13.494 .907 3.676 .001 Z .013 .004 .543 3.227 .003 a. Dependent Variable: Y
Pada tabel di atas dapat dilihat nilai konstanta sebesar -50927080.455. nilai koefisien untuk variabel X1 adalah sebesar -34.895. nilai koefisien untuk X2 49.603. nilai koefisien untuk variabel moderasi adalah sebesar 0.013. berdasarkan hasil uji regresi maka diperoleh persamaan regresi :
Y = 50927080.455 + -34.895X1 + 49.603X2 + 0.013 X1X3 + e
4.5 Uji hipotesis
4.5.1 Uji R2 atau Koefisien Determinasi
Dari hasil pengujian asumsi klasik dapat disimpulkan bahwa model regresi
yang dipakai dalam penelitian ini telah memenuhi model estimasi Best Linear
Unbiased Estimated (BLUE) sehingga layak dilakukan analisis regresi, untuk
mengetahui seberapa baik model regresi yang digunakan dalam penelitian, dapat
dilihaat melalui tabel Goodness of Fit. Koefisien korelasi (R Square)
menunjukkan seberapa besar korelasi atau hubungan antara variabel-variabel
74
1. Semakin tinggi nilai R Square maka akan semakin baik model regresi. Nilai R
Square yang kecil menunjukkan kemampuan variabel independen menerangkan
variasi variabel dependen sangat terbatas atau sebaliknya. Namun, R Square
memiliki kelemahan mendasar apabila setiap penambahan variabel independen ke
dalam model, maka R Square pasti meningkat tidak peduli apakah variabel
tersebut berpengaruh secara signifikan atau tidak terhadap variabel dependen
(Ghozali,2013). Sedangkan angka koefisien korelasi (Adjusted R Square)
menunjukkan seberapa besar variasi variabel dependen dapat dijelaskan oleh
variasi yang terjadi pada variabel independen. Tidak seperti nilai R Square, nilai
Adjusted R Square dapat turun maupun naik meskipun ada penambahan variabel.
Standar Error of Estimate, apabila semakin kecil maka akan membuat model
regresi semakin tepat dalam memprediksi variabel dependen. Berikut ini disajikan
tabel Goodness of Fit.
Tabel 4.10 Sebelum Moderasi
Goodness of Fit
Model Summaryb
Model R R Square Adjusted R Square Std. Error of the Estimate
1 .741a
.549 .516 244253521.62730
a. Predictors: (Constant), X2, X1
b. Dependent Variable: Y
Pada tabel 4.6 nilai R Square adalah sebesar 0.741 yang berarti bahwa
74,1% variabel dependen (laba perusahaan yang diproksi ke Tobins Q) dapat
dijelaskan oleh anggaran pelatihan dan anggaran pengembangan, sedangkan
sebesar 25,9% sisanya dapat dijelaskan oleh variabel-variabel lain yang tidak
diteliti dalam penelitian ini.
Tabel 4.11 Setelah Moderasi
Goodness of Fit
Model Summaryb
Model R R Square Adjusted R Square Std. Error of the Estimate
1 .823a
.678 .641 210333788.97888
a. Predictors: (Constant), Z, X2, X1
b. Dependent Variable: Y
Setelah dimasukan variabel moderasi yaitu kinerja, R Square meningkat
menjadi 0.678 yang berarti 67.8% laba dapat dijelaskan dari kedua variabel
tersebut. Begitu juga dengan Adjusted R Square pada persamaan 2 adalah sebesar
0.641 yang berarti 64.1% variasi variabel dependen (laba) dapat dijelaskan oleh
anggaran pelatihan dan anggaran pengembangan. Nilai Standar Error of Estimate
persamaan 1 sebesar 244253521.62730, kemudian menjadi turun pada persamaan
76
menunjukkan model regresi berarti semakin baik.