Uji Heteroskedastisitas Uji Autokorelasi

4.3.3.3 Uji Heteroskedastisitas

Heteroskedastisitas merupakan suatu kondisi dimana masing-masing kesalahan pengganggu mempunyai varians yang tidak sama. Heteroskedastisitas akan mengakibatkan penafsiran koefisien-koefisien regresi menjadi tidak efisien dan hasil penaksiran akan menjadi kurang dari semestinya. Cara mendeteksi heteroskedastisitas dapat menggunakan metode grafik dengan melihat penyebaran titik-titik data. Titik data harus tidak mencerminkan suatu pola yang tidak sistematis atau dapat dikatakan random. Gambar grafik untuk menguji heteroskedastisitas ditampilkan pada Gambar 4.1 berikut: Universitas Sumatera Utara Gambar 4.1 Scatterplot Dependent Variable Return on Investment Sumber : Hasil Penelitian, 2011 Data Diolah Gambar 4.1 menunjukkan bahwa penyebaran residual cenderung tidak teratur. Terdapat beberapa plot yang berpencar dan tidak membentuk pola tertentu. Maka data penelitian tidak terdapat gejala heteroskedastisitas dalam model regresi ini.

4.3.3.4 Uji Autokorelasi

Uji Autokorelasi bertujuan untuk menguji apakah pada model regresi terdapat korelasi kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode periode t-1 sebelumnya. Jika terjadi korelasi maka Universitas Sumatera Utara dinamakan ada masalah autokorelasi Ghozali, 2001 : 95. Dalam penelitian ini. gejala autokorelasi dideteksi dengan menggunakan Run Test. Run Test digunakan untuk menguji apakah antar residual terdapat korelasi yang tinggi. Jika antar residual tidak terdapat hubungan korelasi maka dikatakan bahwa residual adalah acak atau random. Bila hasil sig lebih dari 0,05 sig 5 , berarti data tidak terkena autokorelasi. Tabel 4.12 Hasil Uji Autokorelasi Runs Test Unstandardized Residual Test Value a .31377 Cases Test Value 18 Cases = Test Value 18 Total Cases 36 Number of Runs 16 Z -.845 Asymp. Sig. 2-tailed .398 a. Median Sumber : Hasil Penelitian,2011 Data Diolah Tabel 4.12 pada uji Run Test, nilai Asymp. Sig 2-tailed lebih besar dari 0,05  = 5, tingkat signifikan. Pada Tabel tersebut, memperlihatkan bahwa nilai Asymp. Sig 2-tailed bernilai 0,398 yang lebih besar dibandingkan dengan taraf nyata  yaitu 0,05. Hal ini berarti model regresi tidak terkena autokorelasi positif maupun negatif. Untuk mendeteksi program SPSS dapat dilakukan dengan membandingkan hasil DW hitung yang ditampilkan pada tabel berikut: Universitas Sumatera Utara Tabel 4.13 Hasil Uji Autokorelasi Sumber : Hasil Penelitian, 2011 Data Diolah Dari tabel output diatas dapat dilihat bahwa nilai DW sebesar 1,939. Hal ini berarti bahwa persamaan model summary diatas tidak mengandung autokorelasi positif atau negatif.

4.3.4. Koefisien Regresi