Dari tabel 4.9 dapat dilihat bahwa nilai Asymp. Sig 2-tailed adalah sebesar 0,250 lebih besar dari taraf nyata α = 0,05. Dengan demikian dapat
disimpulkan bahwa data residual berdistribusi normal.
2. Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terdapat ketidaksamaan varians residual satu pengamatan ke pengamatan
lainnya. Model regresi yang baik adalah yang tidak terjadi heteroskedastisitas. Heteroskedastisitas dapat dideteksi denga melihat penyebaran plot melalui gambar
scatterplot sebagai berikut :
Gambar 4.3
Sumber : Hasil olahan data SPSS 16.00 for windows 16 Februari 2011, diolah
Pada gambar 4.3 terlihat bahwa titik-titik yang menyebar secara acak tidak membentuk suatu pola tertentu yang jelas serta tersebar baik di atas maupun di
bawah angka nol pada sumbu Y. Hal ini memenuhi salah satu asumsi bahwa tidak
terjadi heteroskedastisitas pada model regresi. Tabel 4.10 menampilkan hasil pengujian heteroskedastisitas dengan uji glejser.
Tabel 4.9 Uji Glejser
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. B
Std. Error Beta
1 Constant .747
.295 2.532
.013 LN_FATO .041
.057 .124
.731 .467
LN_ITO -.024
.043 -.069
-.558 .578
LN_RTO -.061
.063 -.136
-.966 .337
LN_TATO -.108 .107
-.205 -1.006
.317 LN_WCTO .089
.072 .206
1.233 .221
a. Dependent Variable: ABSUT
Berdasarkan Tabel 4.10 variabel independen tidak ada yang signifikan secara statisitik mempengaruhi variabel dependen absolut Ut
absut. Hal ini terlihat dari probabilitas signifikansinya di atas tingkat kepercayaan 5, maka dapat disimpulkan model regresi tidak mengarah
adanya heteroskedastisitas.
3. Autokorelasi
Uji Autokorelasi bertujuan untuk melihat apakah dalam suatum model regresi linier ada korelasi antara kesalahan penggangu pada periode
t dengan kesalahan pada periode t-1. Autokorelasi muncul karena observasi yang berurutan sepanjang tahun yang berkaitan satu dengan
yang lainnya. Hal ini sering ditemukan pada time series. Cara yang dapat digunakan untuk mendeteksi masalah autokorelasi adalah dengan
menggunakan nilai Durbin Watson DW dengan ketentuan sebagai berikut :
Hipotesis Nol Keputusan
Jika Tidak ada autokorelasi positif
Tolak 0 DW dl
Tidak ada autokorelasi positif No decision dl
≤ DW ≥ du Tidak ada autokorelasi negatif
Tolak 4 - dl DW 4
Tidak ada autokorelasi negatif No decision 4 - du
≤ DW ≤ 4 - dl Tidak ada autokorelasi positif
dan negatif Tidak
ditolak du DW 4 - dl
Sumber : Situmorang, dkk 2010:120 Keterangan :
du = batas atas dl = batas bawah
Hasil pengujian autokorelasi yang dilakukan dengan SPSS 16.0 for windows ditampilkan pada tabel sebagai berikut :
Tabel 4.10 Model Summary
b
Model R R Square
Adjusted R Square
Std. Error of the Estimate
Durbin- Watson
1 .365
a
.133 .085
1.177790 1.800
a. Predictors: Constant, LN_WCTO, LN_FATO, LN_ITO, LN_RTO, LN_TATO
b. Dependent Variable: LN_ROI
Tabel 4.11 tersebut memperlihatkan bahwa nilai Durbin-Watson adalah sebesar 1,800. Sedangkan hasil pengujian menurut tabel adalah
sebagai berikut : n = jumlah sampel = 95
k = jumlah variabel bebas = 5
pada tingkat signifikansi α = 0,05 diperoleh dl = 1,557 dan du =1,778 du DW 4-du = 1,778 1,800 2,200
Dengan demikian dapat disimpulkan bahwa tidak terjadi masalah autokorelasi pasitif atau negatif pada model regresi penelitian ini
4. Multikolinearitas