Pada Gambar 4.6 di atas terlihat penyebaran residual cenderung tidak teratur, terdapat beberapa plot yang berpencar dan tidak membentuk pola tertentu.
Sehingga dapat disimpulkan tidak terdapat gejala heteroskedastisitas pada model regresi dalam penelitian ini. Untuk memperoleh tingkat uji heteroskedastisitas
yang lebih signifikan, maka dalam penelitian ini juga dilakukan uji glejser Apabila signifikansi dari variabel bebas lebih besar dari taraf nyata, maka
dianggap tidak terjadi masalah heteroskedastisitas, dan begitu juga sebaliknya.
Tabel 4.8
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
T Sig.
B Std. Error
Beta 1
Constant 9.372
5.448 1.720
.092 SqrtDPS
-.369 .312
-.200 -1.185
.242 SqrtROI
40.766 39.904
.173 1.022
.312 a. Dependent Variable: absut
Sumber: Hasil olahan SPSS 18.00, 2013
Berdasarkan Tabel 4.8 berikut ini diperoleh nilai signifikansi variabel dividend per share dan return on investment lebih besar
dari taraf nyata α = 5 . Dengan demikian dapat disimpulkan tidak terjadi gejala heteroskedastisitas dalam
model regresi ini.
c. Uji Autokolerasi
Gejala Autokorelasi dideteksi dengan menggunakan The Breusch-Godfrey BG Test. Untuk mendeteksi ada tidaknya autokorelasi maka dilakukan pengujian
the Breusch-Godfrey BG test dengan ketentuan bila variabel auto lag menunjukkan probabilitas signifikan di atas 005 berarti data tidak terkena
autokorelasi.
Universitas Sumatera Utara
Sumber: Hasil olahan SPSS 18.00, 2013
Berdasarkan hasil pengolahan SPSS, diperoleh koefisien parameter untuk variable Auto Lag menunjukkan probabilitas signifikan 0,693 diatas 0,05
berarti data tidak terkena autokorelasi.
d Uji Multikolinieritas
Uji ini digunakan untuk menguji apakah dalam sebuah model regresi ditemukan adanya korelasi antara veriabel independen. Jika terjadi korelasi, maka
dikatakan terdapat masalah multikolinieritas. Tabel 4.10 berikut menunjukkan semua variabel independen memiliki angka VIF lebih kecil dari 5, sedangkan nilai
tolerance lebih besar dari 0,1. Hal ini menunjukkan tidak ada masalah multikolinieritas dalam model regresi. Hal ini berarti bahwa semua variabel bebas
tersebut layak digunakan sebagai prediktor.
Tabel 4.9
Model Summary
b
Model Unstandardized
Coefficients Standardized
Coefficients T
Sig. Collinearity Statistics
B Std. Error
Beta Tolerance
VIF 1 Constant
-1.091 5.710
-.191 .849
Sqrtdps -.109
.347 -.058 -.314
.755 .660
1.514 Sqrtroi
11.191 42.651
.048 .262
.794 .662
1.510 Auto
.030 .075
.060 .397
.693 .995
1.005 a. Dependent Variable: Unstandardized Residual
Universitas Sumatera Utara
Tabel 4.10
Sumber : Hasil olahan SPSS 18.00, 2013 4.2.2.2 Analisis Regresi Linier Berganda
Tabel 4.11 berikut ini menunjukkan hasil estimasi regresi melalui pengolahan data dengan SPSS 18.0 for windows.
Tabel 4.11
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
T Sig.
B Std. Error
Beta 1
Constant 13.647
11.061 1.234
.223 Sqrtdps
3.868 .646
.684 5.985
.000 Sqrtroi
82.175 81.120
.116 1.013
.316 a. Dependent Variable: Sqrthrgshm
Sumber : Hasil pengolahan data SPSS Versi 18.00, 2013
Pengolahan data tersebut menghasilkan suatu persamaan regresi linier berganda sebagai berikut:
Y= 13.647 + 0,375 X
1
+ 82.175X
2
Dimana:
+ e
Y = Harga Saham a
= Konstanta X
1
X = Dividend Per Share
2
Coefficients
= Return On Investment
a
Model Unstandardized
Coefficients Standardized
Coefficients T
Sig. Collinearity
Statistics B
Std. Error Beta
Tolerance VIF
1 Constant 13.849
10.940 1.266
.212 Sqrtdps
3.913 .626
.696 6.252
.000 .705
1.418 Sqrtroi
80.178 80.127
.111 1.001
.322 .705
1.418 a. Dependent Variable: sqrthrgshm
Universitas Sumatera Utara
e = Standard error
Interpretasi:
a. Konstanta sebesar 13,647 menunjukkan bahwa apabila tidak ada variabel