lxxviii
Tabel 4.10 Hasil Uji Kolmogorov Smirnov Setelah Tindakan Perbaikan
Atas Terjadinya Multikolinearitas
Unstandardized Residual
N 54
Normal Parametersa,b Mean .0000000
Std. Deviation 1.65822291
Most Extreme Differences
Absolute .109
Positive .109
Negative -.100
Kolmogorov-Smirnov Z .799
Asymp. Sig. 2-tailed .546
Sumber: Data diolah penulis, 2008
Dari hasil pengolahan data pada tabel 4.10 diperoleh besarnya nilai Kolmogorov-Smirnov adalah 0.799 dan signifikan pada 0.546. Nilai signifikansi
lebih besar dari 0.05 yang berarti data residual berdistribusi normal. Setelah data berdistribusi normal dapat dilanjutkan dengan uji asumsi klasik lainnya.
3. Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan lain dalam model regresi.
Model regresi yang baik adalah tidak terjadi heteroskedastisitas atau terjadi homoskedastisitas. Dalam model regresi dinyatakan telah terjadi
heteroskedastisitas apabila titik-titik yang ada membentuk pola tertentu yang teratur. Dalam model regresi tidak terjadi heteroskedastisitas apabila titik-titik
yang ada tidak membentuk pola tertentu yang teratur dan titik-titik menyebar di atas dan di bawah angka nol pada sumbu Y.
Universitas Sumatera Utara
lxxix Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi
heteroskedastisitas dengan mengamati penyebaran titik-titik pada gambar.
Regression Studentized Residual
4 2
-2
R egressi
on S
tandardi zed
P redi
ct ed
V a
lu e
3 2
1
-1 -2
Scatterplot Dependent Variable: Ln_Perubahan_Laba
Gambar 4.3 Hasil Uji Heteroskedastisitas Scatterplot
Sumber: Data diolah penulis, 2008
Dari garfik scatterplots terlihat bahwa titik-titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y. Hal ini dapat
disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi sehingga model regresi layak dipakai untuk memprediksi perubahan laba perusahaan
manufaktur sektor industri barang konsumen yang terdaftar di BEI berdasarkan masukan variabel independen CR, DR, TATO, ROE, dan GPM.
Universitas Sumatera Utara
lxxx
4. Uji Autokorelasi
Pengujian autokorelasi bertujuan untuk menguji apakah terdapat korelasi antara kesalahan pengganggu pada suatu periode dengan kesalahan pengganggu
periode sebelumnya dalam model regresi. Autokorelasi menunjukkan adanya korelasi antara kesalahan pengganggu pada data yang tersusun, baik berupa data
cross sectional dan atau time series. Jika terjadi autokorelasi dalam model regresi berarti koefisien korelasi yang diperoleh menjadi tidak akurat, sehingga model
regresi yang baik adalah model regresi yang bebas dari autokorelasi. Cara yang dapat dilakukan untuk mendeteksi ada tidaknya autokorelasi adalah
dengan melakukan pengujian Durbin Watson DW. Dalam model regresi tidak terjadi autokorelasi apabila nilai du dw 4 – du.
Tabel 4.12 menyajikan hasil uji Durbin Watson dengan menggunakan program SPSS versi 15.
Tabel 4.11 Hasil Uji Autokorelasi
Model R
R Square Adjusted R
Square Std. Error of
the Estimate Durbin-Watson
1 .473a
.224 .143
1.7424496 2.221
Sumber: Data diolah penulis, 2008 Hasil uji autokorelasi di atas menunjukkan nilai statistik Durbin Watson dw
sebesar 2.221, nilai ini akan kita bandingkan dengan nilai tabel dengan menggunakan signifikansi 5, jumlah pengamatan 54 n, dan jumlah variabel
independen 5 k=5, maka berdasarkan tabel Durbin Watson didapat nilai batas atas du sebesar 1. 7698 dan nilai batas bawah dl sebesar 1.3506. Oleh karena
Universitas Sumatera Utara
lxxxi itu, nilai dw lebih besar dari 1.7698 dan lebih kecil dari 4 – 1.7698 atau dapat
dinyatakan bahwa 1.7698 2.221 4 - 1.7698 du dw 4 – du. Dengan demikian dapat disimpulkan tidak terdapat autokorelasi baik positif maupun
negatif.
D. Analisis Regresi
