BAB IV. ANALISIS DATA DAN PEMBAHASAN
B. Uji Normalitas Data dan Uji Asumsi Klasik
Pengolahan data dalam penelitian ini menggunakan bantuan SPSS versi 15.00 for Windows. Sebelum melakukan regresi untuk pengujian hipotesis, terlebih dahulu dilakukan pengujian normalitas data dan pengujian asumsi klasik yang merupakan persyaratan untuk melakukan regresi.
1. Uji Normalitas Data
Uji normalitas data bertujuan untuk menguji dalam model regresi, variabel dependen dan variabel independen keduanya mempunyai distribusi normal atau tidak. Pengujian normalitas data dilakukan dengan menggunakan model kolmogorov-smirnov. Uji ini dilakukan dengan membandingkan nilai signifikansi yang diperoleh dengan taraf signifikansi yang sudah ditentukan yaitu 0,05. Apabila nilai signifikansi (p-value) lebih besar dari taraf signifikansi yaitu 0,05, maka data berdistribusi normal.
Hasil pengujian dengan menggunakan Uji Kolmogrov-Smirnov dapat ditunjukan pada tabel dibawah ini.
commit to user a. Uji Normalitas Model Pertama
Dalam uji normalitas sebelumnya, diketahui nilai signifikansi lebih kecil dari taraf signifikansi yaitu 0,05, sehingga data tidak berdistribusi normal. Untuk menormalkan data, maka dilakukan transformasi data dalam bentuk logaritma natural. Hasil pengujian normalitas data setelah dilakukan transformasi data dapat ditunjukkan pada tabel berikut ini:
Tabel IV.2
Hasil Uji Kolmogorov – Smirnov
Unstandardized Residual
N 83
Normal Parametera,b Mean 0,0000000
Std. Deviation 1,19989598
Most Extreme Absolute 0,090
Differences Positive 0,090
Negative -0,080
Kolmogorov-Smirnov Z 0,824
Asym. Sig. (2-tailed) 0,505
a. Test distribution is Normal.
Sumber : Hasil olahan data (lampiran 2)
Dari tabel IV.2 tersebut terlihat besarnya nilai Kolmogorov-Smirnov sebesar 0,824 dan signifikan pada 0,505. Hal ini berarti Ho diterima yang berarti data residual berdistribusi normal.
b. Uji Normalitas Model Kedua
Dalam uji normalitas sebelumnya, diketahui nilai signifikansi lebih kecil dari taraf signifikansi yaitu 0,05, sehingga data tidak berdistribusi normal. Untuk menormalkan data, maka dilakukan transformasi data dalam bentuk logaritma natural. Hasil pengujian normalitas data setelah dilakukan transformasi data dapat ditunjukkan pada tabel berikut ini:
commit to user Tabel IV.3
Hasil Uji Kolmogorov – Smirnov
Unstandardized Residual
N 83
Normal Parametera,b Mean 0,0000000
Std. Deviation 1,01371749
Most Extreme Absolute 0,080
Differences Positive 0,080
Negative -0,036
Kolmogorov-Smirnov Z 0,726
Asym. Sig. (2-tailed) 0,667
a. Test distribution is Normal. Sumber : Hasil olahan data (lampiran 2)
Dari tabel IV.3 tersebut terlihat besarnya nilai Kolmogorov-Smirnov sebesar 0,726 dan signifikan pada 0,667. Hal ini berarti Ho diterima yang berarti data residual berdistribusi normal.
c. Uji Normalitas Model Ketiga
Dalam uji normalitas sebelumnya, diketahui nilai signifikansi lebih kecil dari taraf signifikansi yaitu 0,05, sehingga data tidak berdistribusi normal. Untuk menormalkan data, maka dilakukan transformasi data dalam bentuk logaritma natural. Hasil pengujian normalitas data setelah dilakukan transformasi data dapat ditunjukkan pada tabel berikut ini:
Tabel IV.4
Hasil Uji Kolmogorov – Smirnov
Unstandardized Residual
N 83
Normal Parametera,b Mean 0,0000000
Std. Deviation 1,01163913
Most Extreme Absolute 0,079
Differences Positive 0,079
Negative -0,058
Kolmogorov-Smirnov Z 0,721
Asym. Sig. (2-tailed) 0,676
a. Test distribution is Normal. Sumber : Hasil olahan data (lampiran 2)
commit to user
Dari tabel IV.4 tersebut terlihat besarnya nilai Kolmogorov-Smirnov sebesar 0,721 dan signifikan pada 0,676. Hal ini bererti Ho diterima yang berarti data residual berdistribusi normal.
2. Pengujian Asumsi Klasik a. Uji Multikolinearitas
Uji multikolinearitas digunakan untuk menguji ada hubungan yang sempurna atau hubungan yang hampir sempurna diantara variabel bebas pada model regresi. Cara yang digunakan untuk mendeteksi gejala ada tidaknya multikolinearitas adalah dengan melihat nilai tolerance dan Variance Inflation Factor (VIF). Untuk mengetahui ada tidakanya multikolinearitas dengan mendasarkan pada nilai tolerance dan VIF. Apabila nilai tolerance lebih besar dari 0,1 dan nilai VIF kurang dari 10 maka tidak terdapat multikolinearitas dalam penelitian ini. Sebaliknya apabila nilai tolerance kurang dari 0,1 dan nilai VIF lebih besar dari 10 maka terdapat multikolinearitas.
Model persamaan regresi digunakan untuk menguji pengaruh variabel independen yaitu SKM dan SKE terhadap variabel dependen yaitu ROE. Pada model persamaan ini diperoleh nilai tolerance dan Variance Inflation Factor (VIF) sebagai berikut.
commit to user 1) Uji Multikolinearitas Model Pertama
Tabel IV.5
Hasil Statistik Uji Multikolinearitas
Variabel Tolerance VIF Kesimpulan
SKM 0,217 4,618 Tidak terjadi multikolinearitas SKE 0,217 4,618 Tidak terjadi multikolinearitas Sumber : Hasil olahan data (lampiran 3)
Dari tabel IV.5 tersebut terlihat bahwa nilai tolerance untuk semua variabel independen bernilai lebih besar dari 0,1 dan nilai VIF bernilai kurang dari 10, maka dapat disimpulkan bahwa dalam model regresi tidak terdapat gejala multikolinearitas.
2) Uji Multikolinearitas Model Kedua Tabel IV.6
Hasil Statistik Uji Multikolinearitas
Variabel Tolerance VIF Kesimpulan
SKM 0,985 1,015 Tidak terjadi multikolinearitas LNSM 0,748 1,337 Tidak terjadi multikolinearitas MODERAT 0,747 1,339 Tidak terjadi multikolinearitas Sumber : Hasil olahan data (lampiran 4)
Dari tabel IV.6 tersebut dapat dilihat nilai tolerance untuk semua variabel independen bernilai lebih besar dari 0,1 dan nilai VIF bernilai kurang dari 10, maka dapat disimpulkan bahwa dalam model regresi tidak terdapat gejala multikolinearitas.
commit to user 3) Uji Multikolinearitas Model Ketiga
Tabel IV.7
Hasil Statistik Uji Multikolinearitas Variabel Tolerance VIF Kesimpulan
SKE 0,987 1,013 Tidak terjadi multikolinearitas LNSM 0,684 1,462 Tidak terjadi multikolinearitas MODERAT 0,689 1,452 Tidak terjadi multikolinearitas Sumber : Hasil olahan data (lampiran 5)
Dari tabel IV.7 tersebut dapat dilihat nilai tolerance untuk semua variabel independen bernilai lebih besar dari 0,1 dan nilai VIF bernilai kurang dari 10, maka dapat disimpulkan bahwa dalam model regresi tidak terdapat gejala multikolinearitas.
b. Uji Autokorelasi.
Untuk mendeteksi ada tidakanya autokorelasi dapat dilihat dari nilai Durbin Watson. Jika hasil penelitian menunjukan angka D-W berada di antara -2 sampai +2 berarti tidak ada autokorelasi (Santosa, 2001) dalam Erwestri (2007).
1) Uji Autokorelasi Model Pertama
Berdasarkan perhitungan SPSS (lampiran 3) diperoleh nilai D-W (Durbin Watson) sebesar 1,549. Maka dapat disimpulkan dalam regresi tidak terdapat adanya autokorelasi, karena nilai D-W berada diantara -2 sampai +2.
commit to user 2) Uji Autokorelasi Model Kedua
Berdasarkan perhitungan SPSS (lampiran 4) diperoleh nilai D-W (Durbin Watson) sebesar 1,493. Maka dapat disimpulkan dalam regresi tidak terdapat adanya autokorelasi, karena nilai D-W berada diantara -2 sampai +2.
3) Uji Autokorelasi Model Ketiga
Berdasarkan perhitungan SPSS (lampiran 5) diperoleh nilai D-W (Durbin Watson) sebesar 1,507. Maka dapat disimpulkan dalam regresi tidak terdapat adanya autokorelasi, karena nilai D-W berada diantara -2 sampai +2.
c. Uji Heterokedastisitas
Asumsi ini adalah varian residual yang bersifat homokedastis atau bersifat konstan (disebut heteros) dan apabila model yang mengandung heterosdiestimasi, varian estimasi tidak lagi minimum, kendatipun estimator itu sendiri tidak bias. Ghozali (2005) dalam Permadi (2007) menerangkan cara mendeteksi gangguan heteroskedastisitas adalah dengan melihat pola diagram pencar residual. Ada dua keputusan: Pertama, jika diagram pancar yang ada membentuk pola-pola tertentu yang teratur, maka regresi mengalami gangguan heteroskedastisitas. Kedua, jika diagram pencar tidak membentuk pola-pola atau acak serta titik-titik menyebar diatas dan dibawah angka 0 pada sumbu Y, maka dapat dikatakan regresi tidak mengalami gangguan heteroskedastisitas.
commit to user 1) Uji Heterokedastisitas Model Pertama
Regression Standardized Predicted Value
2 1 0 -1 -2 -3 R e g re s s io n S tu d e n ti z e d R e s id u a l 4 2 0 -2
Dependent Variable: LNROE
Sumber : Hasil olahan data (lampiran 3) Gambar IV.1
Hasil Statistik Uji Heterokedastisitas
Dari gambar IV. 1 dapat dilihat bahwa tidak terdapat pola yang jelas dan titik-titik menyebar diatas maupun dibawah angka 0 pada sumbu Y. Hal ini menunjukkan bahwa pada model regresi tidak terjadi heteroskedastisitas.
2) Uji Heterokedastisitas Model Kedua
Sumber : Hasil olahan data (lampiran 4) Gambar IV.2
commit to user
Dari gambar IV. 2 dapat dilihat bahwa tidak terdapat pola yang jelas dan titik-titik menyebar diatas maupun dibawah angka 0 pada sumbu Y. Hal ini menunjukkan bahwa pada model regresi tidak terjadi heteroskedastisitas.
3) Uji Heterokedastisitas Model Ketiga
Sumber : Hasil olahan data (lampiran 5)
Gambar IV.3
Hasil Statistik Uji Heterokedastisitas
Dari gambar IV. 3 dapat dilihat bahwa tidak terdapat pola yang jelas dan titik-titik menyebar di atas maupun dibawah angka 0 pada sumbu Y. Hal ini menunjukkan bahwa pada model regresi tidak terjadi heteroskedastisitas.