4. ANALISIS DAN PEMBAHASAN
4.2. Uji Asumsi Klasik
Berdasarkan hasil pengujian uji normalitas dengan menggunakan uji Kolmogorov-Smirnov diperoleh nilai signifikansi untuk residual pada regresi.
Berdasarkan kriteria pengujian hipotesis diketahui bahwa Ho diterima apabila nilai signifikansi lebih besar dari taraf signifikansi yang digunakan dalam penelitian ini yaitu sebesar 5% artinya data berdistribusi normal. Hasil pengujian normalitas data dengan menggunakan uji Kolmogorov Smirnov disajikan pada tabel 3.
Hasil uji normalitas untuk residual (galat) pada persamaan regresi menunjukkan perolehan nilai signifikansi (p-value) sebesar 0,678. Hasil tersebut menunjukkan nilai yang lebih besar bila dibandingkan dengan taraf signifikansinya (0,678 > 0,05) sehingga residual (galat) pada persamaan regresi memiliki distribusi normal.
23 Tabel 3. Uji Normalitas Galat pada Persamaan Regresi
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 132
Normal Parametersa,b Mean .0000000
Std. Deviation 2.19832817
Most Extreme Differences Absolute .063
Positive .063
Negative -.049
Kolmogorov-Smirnov Z .720
Asymp. Sig. (2-tailed) .678
a. Test distribution is Normal.
b. Calculated from data.
Sumber: data diolah output SPSS, 2017
b. Uji Linearitas
Persamaan regresi dapat digunakan apabila asumsi linearitas terpenuhi. Apabila asumsi ini tidak terpenuhi, maka kita tidak dapat menggunakan analisis regresi linear, akan tetapi kita bisa menggunakan analisis regresi nonlinear. Untuk mengetahui apakah persamaan regresi dalam model yang diteliti linear atau tidak maka dilakukan uji linearitas. Pertama, uji linearitas antara variabel size (X1) terhadap struktur modal (Y) menunjukkan bahwa persamaan regresinya linear. Hal ini ditunjukkan dengan nilai signifikansi pada deviation from linearity sebesar 0,151 (seperti terlihat pada tabel 4);
yang artinya Ho diterima bahwa persamaan regresi memenuhi persyaratan linearitas.
24 Tabel 4. Uji Linearitas Regresi antara Size dengan Struktur Modal
ANOVA Table Sum of Squares df
Mean
Square F Sig.
strukturmodal * size
Between Groups (Combined) 704.017 120 5.867 1.919 .114 Linearity 67.609 1 67.609 22.118 .001 Deviation from
Linearity
636.408 119 5.348 1.750 .151
Within Groups 33.623 11 3.057
Total 737.640 131
Sumber: data diolah output SPSS, 2017
Tabel 5 menyajikan hasil uji linearitas regresi antara variabel assets growth (X2) terhadap struktur modal (Y) dimana besarnya nilai signifikansi pada deviation from linearity adalah 0,019. Hal ini menunjukkan penerimaan terhadap H0 pada taraf signifikansi 1% (lazimnya menggunakan taraf signifikansi 5%) sehingga dapat diartikan bahwa regresi linear.
Tabel 5. Uji Linearitas Regresi antara Assets Growth dengan Struktur Modal
ANOVA Table Sum of Squares df
Mean
Square F Sig.
strukturmodal
* assetgrowth
Between Groups (Combined) 400.256 53 7.552 1.746 .012 Linearity 23.118 1 23.118 5.345 .023 Deviation
from Linearity
377.138 52 7.253 1.677 .019
Within Groups 337.385 78 4.325
Total 737.640 131
Sumber: data diolah output SPSS, 2017
25 Uji linearitas yang dilakukan untuk variabel ROA (X3) terhadap struktur modal (Y) menunjukkan bahwa persamaan regresi linear. Hal ini diketahui dari nilai signifikansi pada deviation from linearity sebesar 0,343 (lihat tabel 6). Karena nilai signifikansi (p-value) lebih besar dari 0,05 maka hipotesis nol diterima, berarti persamaan regresi linear. Dari ketiga hasil pengujian linearitas diatas maka asumsi linearitas pada persamaan regresi terpenuhi.
Tabel 6.Uji Linearitas Regresi antara ROA dengan Struktur Modal
ANOVA Table Sum of Squares df
Mean
Square F Sig.
strukturmodal
* roa
Between Groups
(Combined) 574.794 99 5.806 1.141 .344
Linearity 5.240 1 5.240 1.030 .318
Deviation from Linearity
569.555 98 5.812 1.142 .343
Within Groups 162.846 32 5.089
Total 737.640 131
Sumber: data diolah output SPSS, 2017
Untuk pengujian linearitas regresi antara tangibility (X4) terhadap struktur modal, hasil pengujian antara variabel tangibility (X4) terhadap struktur modal (Y) dimana besarnya nilai signifikansi pada deviation from linearity adalah 0,885. Hal ini menunjukkan penerimaan terhadap H0 pada taraf signifikansi 5% dan dapat diartikan bahwa regresi linear.
26 Tabel 7.Uji Linearitas Regresi antara Tangibility dengan Struktur Modal
ANOVA Table Sum of Squares df
Mean
Square F Sig.
strukturmodal * tangibility
Between Groups
(Combined) 51.895 11 4.718 .826 .615 Linearity 23.121 1 23.121 4.046 .047 Deviation
from Linearity
28.774 10 2.877 .504 .885
Within Groups 685.745 120 5.715
Total 737.640 131
Sumber: data diolah output SPSS, 2017
c. Uji Multikolinearitas
Multikolinearitas berarti adanya hubungan linier yang “sempurna” atau pasti diantara beberapa atau semua variabel yang menjelaskan dari regresi. Uji multikolinieritas dilakukan untuk menguji apakah pada model regresi ditemukan adanya korelasi antar variabel independen. Jika terjadi kolerasi diatas 0,5 maka dinamakan terdapat masalah multikolinieritas. Untuk mengetahui ada atau tidaknya multikolinearitas dapat dilakukan dengan menghitung nilai VIF (Variance Inflation Factor) dan nilai tolerance-nya. Apabila nilai VIF berada dibawah 10 dan nilai tolerance mendekati 1, maka diambil kesimpulan bahwa model regresi tersebut tidak terdapat problem multikolineritas (Imam Gozali, 2001). Tabel 8 berikut ini menunjukkan hasil perolehan nilai VIF dan nilai tolerance untuk masing-masing variabel independen. Berdasarkan hasil pengujian multikolinearitas dengan
27 menggunakan SPSS dapat diketahui bahwa persyaratan asumsi klasik tidak ada multikolinearitas telah terpenuhi.
Tabel 8. Uji Multikollinearitas
Coefficientsa
Model
Unstandardized Coefficients
Standardized Coefficients
t Sig.
Collinearity Statistics
B
Std.
Error Beta Tolerance VIF
1 (Constant) 11.722 1.115 10.508 .000
Size -.196 .059 -.288 -3.336 .001 .905 1.105
assetgrowth .522 .245 .175 2.127 .035 .997 1.003
Roa .005 .176 .002 .029 .977 .919 1.088
tangibility -5.248 3.256 -.134 -1.612 .109 .981 1.019
a. Dependent Variable: strukturmodal
Sumber: data diolah output SPSS, 2017
d. Uji Heteroskedastisitas
Uji heteroskedastisitas dilakukan dengan menggunakan uji Glejser. Uji ini digunakan untuk melihat hubungan antara variabel independen dengan residualnya. Dengan melihat ouput yang disajikan pada tabel diketahui bahwa besarnya hubungan antara variabel size dengan residualnya memperoleh nilai signifikansi (p-value) sebesar 0,319; lebih besar dibandingkan taraf signifikansi 5%. Hal ini menunjukkan bahwa Ho diterima, yang artinya tidak terjadi heteroskedastisitas pada variabel size (X1).
28 Tabel 9. Uji Heteroskedastisitas
Model
Unstandardized Coefficients
Standardized Coefficients
T Sig.
B Std. Error Beta
1 (Constant) 2.408 .692 3.480 .001
Size -.036 .036 -.092 -1.001 .319
assetgrowth -.096 .152 -.055 -.633 .528
Roa .052 .109 .044 .480 .632
tangibility -2.751 2.019 -.120 -1.363 .175
Sumber: data diolah output SPSS, 2017
Hubungan antara variabel assets growth (X2) dengan residualnya menghasilkan nilai signifikansi (p-value) sebesar 0,528; lebih besar dibandingkan taraf signifikansi 5%. Hal ini dapat diartikan bahwa hubungan antara assets growth (X2) dengan residualnya tidak signifikan sehingga Ho diterima, yang artinya tidak terjadi heteroskedastisitas pada variabel assets growth (X2).
Pengujian varians residual untuk variabel ROA (X3) menghasilkan nilai signifikansi 0,632. Karena nilai signifikansi (p-value) lebih besar dari taraf signifikansi 5% maka hal ini menunjukkan bahwa hipotesis nol yang menyatakan tidak terjadi heteroskedastisitas dapat diterima artinya asumsi homoskedastisitas terpenuhi.
Hubungan antara variabel tangibility (X4) dengan residualnya menghasilkan nilai signifikansi (p-value) sebesar 0,175; lebih besar dibandingkan taraf signifikansi 5%. Hal ini dapat diartikan bahwa hubungan antara tangibility (X4) dengan residualnya tidak signifikan sehingga Ho diterima, yang artinya tidak terjadi heteroskedastisitas pada variabel tangibility (X4).
29 e. Uji Autokorelasi
Perhitungan SPSS menghasilkan nilai Durbin Watson sebesar 0.847 (lihat table 10). Untuk mengetahui ada tidaknya otokorelasi maka harus dicari nilai batas atas dan batas bawah pada table Durbin Watson dengan k = 4 dan n = 132.
Tabel 10 Uji Autokorelasi
Model Summaryb
Model R R Square
Adjusted R Square
Std. Error of the
Estimate Durbin-Watson
1 .377a .142 .115 2.23268 .847
a. Predictors: (Constant), tangibility, roa, assetgrowth, size b. Dependent Variable: strukturmodal
Sumber: data diolah output SPSS, 2017
Berdasarkan tabel DW maka diperoleh nilai du sebesar 1.7786 dan dl sebesar 1.6539.
Dengan du dan dl tersebut maka diperoleh nilai 4 – du sebesar 2.2214 dan nilai 4 – dl sebesar 2.3461. Apabila dilihat pada kriteria keputusan dalam grafik pada gambar 4.3, maka nilai perolehan Durbin Watson masuk dalam terima Ho atau dapat disimpulkan bahwa tidak terdapat otokorelasi. Dalam analisis regresi, apabila asumsi ini tidak terpenuhi maka analisis regresi masih tetap bisa dilakukan.