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