Gambar 4.4 Grafik P-P Plot setelah data ditransformasi
Sumber: Data diolah peneliti, 2011
Hasil dari transformasi di atas menunjukkan bahwa variabel-variabel yang tidak normal dapat dinormalkan dengan cara meng-ln-kan data.
Setelah data sudah menunjukkan data yang memenuhi asumsi normalitas maka pengujian dapat dilanjutkan dengan pengujian parametrik.
b. Uji multikolinearitas
Untuk mendeteksi ada tidaknya gejala multikolinearitas adalah dengan melihat nilai tolerance dan variance inflation factor VIF serta
menganalisis matrik korelasi variabel-variabel independen. Besarnya tingkat kolinearitas yang masih dapat ditolerir, yaitu: Tolerance 0.10,
Universitas Sumatera Utara
dan Variance Inflation Factor VIF 10. Berikut disajikan tabel hasil pengujian:
Tabel 4.5 Uji Multikolinieritas
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity Statistics
B Std. Error
Beta Tolerance
VIF 1 Constant
2.562 .572
4.483 .000
LN_CR .053
.164 .015
.322 .748
.607 1.648
LN_DER .102
.111 .051
.915 .363
.459 2.177
LN_TATO -.020
.094 -.008
-.209 .835
.929 1.076
LN_ROE -.145
.144 -.075 -1.008
.317 .255
3.920 LN_EPS
.924 .065
1.007 14.292 .000
.283 3.531
a. Dependent Variable: LN_HS
Sumber : Data diolah penulis, 2011 Tabel tersebut menunjukkan bahwa nilai Tolerance untuk setiap
variabel independen lebih besar dari 0.10 dan nilai VIF dari setiap variabel independen lebih kecil dari 10. Dengan demikian, dapat
disimpulkan bahwa tidak terjadi gejala multikolinieritas antar variabel independen dalam model regresi.
c. Uji heteroskedastisitas
Dalam penelitian ini, untuk mendeteksi ada tidaknya gejala heteroskedastisitas adalah dengan melihat plot grafik yang dihasilkan
dari pengolahan data dengan menggunakan program SPSS. Dasar
pengambilan keputusannya adalah:
Universitas Sumatera Utara
1 Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola
tertentu yang teratur bergelombang, melebar kemudian menyempit, maka mengindikasikan telah terjadi
heteroskedastisitas. 2
Jika tidak ada pola yang jelas, seperti titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi
heteroskedastisitas atau terjadi homoskedastisitas. Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah
terjadi heteroskedastisitas atau terjadi homokedastisitas dengan mengamati penyebaran titik-titik pada gambar.
Gambar 4.5 Scatterplot
Sumber: Data diolah peneliti, 2011
Universitas Sumatera Utara
Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y,
sehingga dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi. Adanya titik-titik yang menyebar menjauh dari titik-titik
yang lain dikarenakan adanya data observasi yang sangat berbeda dengan data observasi yang lain. Hasil tampilan output SPSS ini dengan jelas
menunjukkan tidak ada indikasi terjadi heteroskedastisitas.
d. Uji autokorelasi