Tabel 4.6
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 35
Normal Parameters
a
Mean .0000000
Std. Deviation .84368304
Most Extreme Differences Absolute
.101 Positive
.100 Negative
-.101 Kolmogorov-Smirnov Z
.597 Asymp. Sig. 2-tailed
.868 a. Test distribution is Normal.
Dari grafik normal P-Plot di atas dapat dilihat bahwa data mengikuti arah garis diagonal, dan dari hasil uji kolmogorv-smirnov diperoleh nilai Asymp. Sig. 2-
tailed adalah 0,868 dan diatas nilai signifikansi 0,05 sehingga dapat disimpulkan bahwa data berdistribusi normal.
b. Uji Heteroskedastisitas
Uji heteoskedatisitas bertujuan untuk menguji apakah dalam model regresi terdapat ketidaksamaan varians dari residual satu pengamatan ke pengamatan
lainnya. Model regresi yang baik adalah tidak terjadi heteroskedastisitas. Heteroskedastisitas dapat dideteksi dengan melihat penyebaran plot melalui
gambar scatterplot berikut ini :
Gambar 4.3 Grafik Scatterplot
Sumber : Hasil Penelitian SPSS, 2010
Dari grafik Scatterplot diatas terlihat titik-titik menyebar secara acak tidak membentuk sebuah pola tertentu yang jelas serta tersebar baik di atas maupun di
bawah angka nol pada sumbu Y. hal ini berarti tidak terjadi heteroskedastisitas pada model regresi ini. Selanjutnya untuk lebih memastikan apakah tidak terjadi
heteroskedastisitas pada model regresi maka dilakukan uji Glejser. Hasil uji Glejser dapat dilihat pada tabel di berikut ini :
Tabel 4.7
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error
Beta 1
Constant .454
.278 1.630
.113 LNROA
-.031 .135
-.067 -.230
.820 LNNPM
-.035 .103
-.098 -.337
.738 a. Dependent Variable: ABSUT
Sumber : Hasil pengolahan SPSS, 2010
Dari hasil pengolahan SPSS seperti yang terlihat dalam tabel 4.6 di atas terlihat dari probabilitas signifikansinya di atas tingkat kepercayaan 5, yaitu
0,820 ; dan 0,738. Jadi dapat disimpulkan model regresi tidak mengarah adanya heteroskedastisitas.
c. Uji Autokorelasi
Uji autokorelasi dilakukan untuk menguji apakah dalam model regresi terdapat korelasi kesalahan antara kesalahan penganggu pada periode ke-t dengan
kesalahan pengganggu pada periode sebelumnya period ke t-1. Gejala autokorelasi dapat dideteksi dengan menggunak Runs-Test. Hasil pengolahan
SPSS dengan menggunakan uji Run Test dapat dilihat pada tabel berikut ini :
Tabel 4.8
Runs Test
Unstandardized Residual
Test Value
a
-.15383 Cases Test Value
17 Cases = Test Value
18 Total Cases
35 Number of Runs
13 Z
-1.712 Asymp. Sig. 2-tailed
.087 a. Median
Sumber : hasil Pengolahan SPSS, 2010
Dari tabel diatas terlihat bahwa nilai Asymp. Sig. 2-tailed adalah sebesar 0,087 nilai signifikansi 0,05 5, sehingga dapat disimpulkan bahwa tidak
terjadi autokorelasi antar nilai residual. d.
Uji Multikorelasi
Uji multikolinearitas dilakukan untuk mengetahui apakah terdapat hubungan linear antara variabel bebas. Untuk mengetahui ada tidaknya gejala
multikolinearitas dapat dilihat dari besarnya nilai tolerance dan VIF Variance Inflation Factor.
Tabel 4.9
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity Statistics
B Std. Error
Beta Tolerance
VIF 1
Constant 7.010
.490 14.308
.000 LNROA
.595 .238
.661 2.498
.018 .358
2.797 LNNPM
-.506 .181
-.739 -2.794
.009 .358
2.797 a. Dependent Variable: LNHARGA
Sumber : Hasil Pengolahan SPSS, 2010
Dari hasil output seperti terlihat dalam tabel 4.8 diatas terlihat bahwa nilai Variance Inflaction Factor VIF 5 dan nilai tolerance 0,1
sehingga dapat disimpulkan bahwa semua data tidak terkena multikolinearitas.
1. Analisis Regresi Linear Berganda
