62
Dari tabel 4.2 diatas, Kolmogorov-Smirnov senilai 0,582 dengan besarnya nilai significant yaitu 0,887. Hal ini menunjukkan bahwa nilai sig
0,05 atau 0,887 0,05. Dengan demikian, data sudah terdistribusi normal.
4.3.2 Uji Multikolienaritas
Untuk melihat ada tidaknya gejala multikolinearitas, peneliti melihat besaran korelasi antar variabel independen dan besarnya tingkat kolinearitas
yang masih dapat ditolerir yaitu : tolerance 0,10 dan VIF Variance Inflation Factor 10. Uji multikolinearitas dengan melihat nilai tolerance dan VIF
menunjukkan hasil seperti pada tabel 4.3 berikut:
Tabel 4.3 Hasil Uji Multikolienaritas
Coefficients
a
Model Unstandardized Coefficients
Collinearity Statistics B
Std. Error Tolerance
VIF Constant
13,658 1,528
Likuiditas ,050
,164 ,778
1,285 Leverage
-6,420 1,517
,639 1,566
Profitabilitas 1,460
2,654 ,417
2,400 Produktivitas
,250 ,540
,420 2,379
Umur Obligasi 3,583
,985 ,651
1,535 Reputasi Auditor
,180 ,526
,571 1,750
a. Dependent Variable: Peringkat Obligasi
Sumber: Diolah dengan SPSS, 2013. Tabel 4.3 menunjukkan bahwa penelitian ini bebas dari adanya gejala
multikolinearitas. Hal ini dapat dilihat dengan membandingkan nilai tolerance dan VIF. Masing-masing variabel independen yang digunakan dalam penelitian
ini memiliki nilai tolerance yang lebih besar dari 0,10. Untuk likuiditas
63
memiliki nilai tolerance 0,778; leverage memiliki nilai tolerance 0,639; profitabilitas memiliki nilai tolerance 0,417; produktivitas memiliki nilai
tolerance 0,420; umur obligasi memiliki nilai tolerance 0,651; dan reputasi aditor memiliki nilai tolerance 0,571. Jika dilihat dari VIF, masing-masing
variabel independen lebih kecil dari 10 yaitu likuiditas memiliki VIF 1,285; leverage memiliki VIF 1,566; profitabilitas memiliki VIF 2,400; produktivitas
memiliki VIF 2,379; umur obligasi memiliki VIF 1,535 dan reputasi auditor memiliki VIF 1,750. Kesimpulan yang diperoleh adalah tidak terjadi gejala
multikolinearitas dalam variabel independennya.
4.3.3 Uji Heteroskedastisitas
Uji Heteroskedastisitas bertujuan untuk melihat apakah didalam model regresi terjadi ketidaksamaan variabel dari residual satu pengamatan ke
pengamatan lain. Pengujian heteroskedastisitas pada penelitian ini menggunakan dasar analitis sebagai berikut :
1. Jika ada pola tertentu, seperti titik-titik yang ada akan membentuk pola tertentu yang teratur,
maka mengindikasikan telah terjadi heteroskedastisitas.
2. Jika tidak ada pola yang jelas, seperti titik-titik menyebar diatas dan dibawah angka 0 pada sumbu Y, maka mengindikasikan tidak terjadi
heteroskedastisitas. Hasil dari uji heteroskedastisitas dapat ditunjukan pada gambar 4.3 berikut
ini :
64
Gambar 4.3 Grafik
Scatterplot
Sumber: Diolah dengan SPSS, 2013. Dari grafik scatterplot diatas terlihat bahwa titik-titik menyebar secara
acak baik di atas maupun di bawah angka 0 pada sumbu Y tidak membentuk pola tertentu atau tidak teratur. Titik-titik yang menyebar menjauh dari titik-titik
yang lain mengindikasikan bahwa adanya data observasi yang sangat berbeda dengan data penelitian lainnya. Maka dapat di simpulkan bahwa tidak terjadi
heteroskedastisitas pada model regresi ini sehingga model ini layak untuk digunakan untuk melihat pengaruh rasio likuiditas, leverage, profitabilitas,
65
produktivitas, umur obligasi dan reputasi auditor terhadap peringkat obligasi perusahaan manufaktur yang terdaftar di BEI.
4.3.4 Uji Autokorelasi