45
Kolmogorov Sminornov, yang hasilnya ditunjukan pada tabel 4.3 sebagai
berikut :
Tabel 4.6 Hasil Uji Kolmogorov-Smirnov
Setelah Logaritma natural Ln
Pada tabel 4.3 menunjukan nilai signifikansinya 0,641 yang berarti data residula terdistribusi secara normal karena nilai signifikansinya sebesar
0,641 0,05. Maka dapat disimpulkan bahwa model regresi telah memenuhi regresi telah memenuhi asumsi normalitas.
4.3.2 Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke
pengamatan lainnya. Untuk menguji adanya heterokedastisitas dapat
One-Sample Kolmogorov-Smirnov Test
Unstandardize d Residual
N 64
Normal Parameters
a,b
Mean .0000000
Std. Deviation 1.32638080
Most Extreme Differences Absolute
.093 Positive
.081 Negative
-.093 Kolmogorov-Smirnov Z
.742 Asymp. Sig. 2-tailed
.641 a. Test distribution is Normal.
b. Calculated from data.
Sumber : Data diolah oleh penulis 2012
Universitas Sumatera Utara
46
dilakukan dengan mengamati grafik scatterplot yang disajikan pada gambar 4.5 sebagai berikut :
Gambar 4.5 Grafik Plot Uji Heteroskedastisitas
Sumber : Data diolah oleh penulis 2012
Uji heterokedastisitas dapat juga dilakukan dengan mengunakan uji glejser
dilakukan dengan meregres nilai absolut residual terhadap variabel independen. Dalam pengambilan keputusan dapat dilihat dari koefisien
parameter, jika nilai probabilitas signifikansinya di atas 0,05 maka dapat disimpulkan tidak terjadi heteroskedastisitas. Namun sebaliknya, jika nilai
probabilitas signifikansinya di bawah 0,05 maka dapat dikatakan telah terjadi
Universitas Sumatera Utara
47
heteroskedastisitas. Berikut hasil pengujian heteroskedasitas pada tabel 4.4 sebagai berikut :
Tabel 4.7 Hasil Uji Glejser
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. B
Std. Error Beta
Constant 1.658
1.176 1.410
.163 Ln_EVA
-.023 .048
-.061 -.483
.631 a. Dependent Variable: AbsUt
Sumber : Data diolah oleh penulis 2012 Pada tabel 4.5 menunjukkan bahwa nilai probabilitas signifikansinya
di atas 0,05 maka dapat disimpulkan tidak terjadi heterokedastistas. Dari grafik scatterplot dan uji Glejser menunjukan bahwa model regresi
dinyatakan bebas dari gejala heteroskedastisitas.
4.3.3 Uji Autokorelasi
Dalam uji autokorelasi ini kita dapat menguji apakah dalam model regresi linier ada korelasi antara kesalahan penganggu pada periode t dengan
kesalahan-kesalahan penganggu pada periode sebelumnya. 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 autokeralasi. Cara yang dapat dilakukan untuk mendeteksi
ada tidaknya autokorelasi adalah dengan melakukan uji Durbin Watson
Universitas Sumatera Utara
48
DW. Hasil uji autokorelasi dengan mengunakan pengujianan DW ditunjukan pada tabel berikut :
Tabel 4.5 Uji Autokorelasi
Pada tabel 4.5 menunjukan hasil uji autokorelasi , dimana nilai statistik Durbin Watson DW sebesar 1.713. Nilai ini akan di bandingkan
dengan nilai tabel Durbin Watson dengan mengunakan signifikansi 5, jumlah pengamatan N sebanyak 64, dan jumlah variabel independen
sebanyak 1 k=1. Maka berdasarkan tabel durbin watson didapat nilai batas atas du sebesar 1,6268 dan nilai batas bawah dl sebesar 1,5635. Oleh
karena itu, nilai DW lebih besar dari 1,6268 dan nilai DW lebih kecil dari 4 - 1,6268 atau dapat dinyatakan bahwa 1,6268 1,713 2,373 du DW 4 –
du. Sehingga dapat disimpulkan bahwa tidak terdapat autokorelasi positif maupun negatif.
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .689
a
.474 .466
1.33703 1.713
a. Predictors: Constant, Ln_EVA b. Dependent Variable: Ln_MVA
Sumber : Data diolah oleh penulis 2012
Universitas Sumatera Utara
49
4.4 Pengujian Hipotesis Penelitian