a. Heteroskedastisitas
Uji Heterokedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan varians dari residual satu pengamatan ke pengamatan
yang lain. Jika varians dari residual satu pengamatan ke pengamatan yang lain tetap, maka disebut Homoskedastisitas dan jika berbeda disebut
heterokedastisitas. Model regresi yang baik adalah yang homoskedastisitas atau tidak terjadi heterokedastisitas.
5
Cara untuk mendeteksi ada atau tidaknya heterokedastisitas yaitu dengan melihat Grafik Plot dengan melihat
ada tidaknya pola tertentu pada grafik scatterplot. Jika ada pola tertentu , seperti titik-titik yang ada membentuk pola tertentu yang teratur
bergelombang, melebar kemudian menyempit, maka mengindikasikan telah terjadi heterokedastisitas. Jika tidak ada pola yang jelas, serta titik-titik
menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heterokedastisitas.
6
5
Tony Wijaya, Analisis Data Penelitian Menggunakan SPSS, Yogyakarta: Universitas Atma Jaya, 2009, h. 124.
6
Imam Ghozali, Aplikasi Analisis Multivariate Dengan Program SPSS Semarang: Badan Penerbit Universitas Diponegoro, 2006, h. 125-126.
Gambar 4.5 Grafik Scatterplot
Regression Standardized Predicted Value
2 1
-1 -2
Regression St udent
ized Residual
3 2
1 -1
-2 -3
Scatterplot Dependent Variable: ROA
Sumber : Data diolah Berdasarkan hasil print out di atas, ternyata dari gambar scatter plot,
plotnya titik-titiknya tidak membentuk pola, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y. Dengan demikian, data di atas tidak
terdapat masalah heteroskedastisitas.
b. Autokorelasi
Uji Autokorelasi bertujuan menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan
pengganggu pada periode t-1 sebelumnya.
7
Jika terjadi korelasi, maka dinamakan ada problem autokorelasi. Cara yang dapat digunakan untuk
mendeteksi ada tidaknya autokorelasi diantaranya adalah dengan Uji Durbin-
7
Imam Ghozali, Aplikasi Analisis Multivariate dengan Program SPSS, h. 95.
Watson. Dengan berdasarkan ketentuan sebagai berikut : jika -2 DW +2 maka tidak ada autokorelasi. Sedangkan jika nilai angka berada pada DW -2
maka terjadi autokorelasi positif, sebaliknya jika nilai angka berada pada DW +2 maka terjadi autokorelasi negatif.
8
Tabel 4.9 Hasil Uji Autokorelasi
Model Summaryb
Model R
R Square Adjusted R
Square Std. Error of
the Estimate Durbin-Watson
1 .808a
.653 .621
.11915 .506
a Predictors: Constant, Total Asset, FDR, Bagi Hasil b Dependent Variable: ROA
Sumber : Data diolah Berdasarkan tabel di atas, nilai Durbin Watson yang diperoleh dari
hasil analisis regresi sebesar 0.506. Hal ini menunjukkan bahwa angka DW terdapat diantara -2 DW +2. Dengan demikian, model regresi tidak
terdapat masalah autokorelasi dan model ini layak untuk digunakan.
c. Multikolinearitas
Uji Multikolinieritas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas independen. Model yang
baik seharusnya tidak terjadi korelasi diantara variabel independen. Jika variabel independen saling berkorelasi, maka variabel-variabel ini tidak
ortogonal. Variabel ortogonal adalah variabel independen yang nilai korelasi
8
Singgih Santoso, Latihan SPSS Statistik Parametrik, Jakarta: PT. Elex Media Komputindo, 2000, h. 218.
antar sesama variabel independen sama dengan nol.
9
Untuk mendeteksi ada tidaknya multikolinearitas di dalam model regresi antara lain dapat dilihat dari
VIF Variance Inflation Factor. Ukuran ini menunjukkan setiap variabel dependen manakah yang dijelaskan oleh variabel independen lainnya. Dalam
pengertian sederhana setiap variabel independen menjadi variabel dependen terikat dan diregresi terhadap variabel independen lainnya. Nilai yang umum
dipakai untuk menunjukkan adanya multikolinearitas adalah nilai VIF ≥ 10.
Tabel 4.10 Hasil Uji Multikolinearitas
Coefficientsa
Model Unstandardized
Coefficients Standar
dized Coeffici
ents t
Sig. 95 Confidence
Interval for B Correlations
Collinearity Statistics
B Std.
Error Beta
Lower Bound
Upper Bound
Zero- order
Partia l
Part Toler
ance VIF
1 Constant
.989 .692
1.428 .163
-.422 2.399
FDR -.006
.005 -.163
-1.270 .213
-.015 .004
-.326 -.219
-.132 .656
1.524 Bagi Hasil
.094 .033
.757 2.888
.007 .028
.161 .793
.455 .301
.158 6.337
Total Asset .006
.001 .001
.004 .997
-.001 .001
.648 .001
.000 .164
6.083 a Dependent Variable: ROA
Sumber : Data diolah
Berdasarkan tabel di atas, nilai VIF untuk FDR = 1.524, Bagi Hasil = 6.337 dan Total Asset = 6.083. Dengan demikian, tiga variabel di atas bebas
dari masalah multikolinearitas dikarenakan nilai VIF pada ketiga variabel tersebut kurang dari 10 dalam model regresi tidak ditemukan adanya korelasi
antar variabel bebas.
9
Tony Wijaya, Analisis Data Penelitian Menggunakan SPSS, h. 119.
d. Uji Normalitas
Uji Normalitas bertujuan untuk menguji apakah dalam model regresi variabel dependen, variabel independen atau keduanya mempunyai distribusi
normal atau tidak, serta untuk mengetahui normal tidaknya suatu data sampel. Pada prinsipnya normalitas dapat dideteksi dengan melihat penyebaran data
titik pada sumbu diagonal dari grafik.
10
Gambar 4.6 Hasil Uji Normalitas
Observed Cum Prob
1.0 0.8
0.6 0.4
0.2 0.0
Expected Cum Prob
1.0 0.8
0.6 0.4
0.2 0.0
Normal P-P Plot of Regression Standardized Residual Dependent Variable: ROA
Sumber : Data diolah Berdasarkan hasil print out di atas, data menyebar disekitar garis
diagonal dan mengikuti arah garis diagonal, maka model regresi tidak terdapat masalah normalitas dalam model regresi variabel dependen, variabel
independen atau keduanya mempunyai distribusi normal, dan data sampelnya pun normal.
10
Tony Wijaya, Analisis Data Penelitian Menggunakan SPSS, h. 126.
D. Pengujian Hipotesis a.
Analisis Pengaruh FDR, Pendapatan Bagi Hasil dan Total asset terhadap Profitabilitas secara Simultan Uji F
Uji F bertujuan untuk menguji semua variabel-variabel secara bersama-sama terhadap variabel tak bebas dependent variable.
Tabel 4.11 Hasil Uji secara Simultan
ANOVAb
Model Sum of
Squares df
Mean Square F
Sig. 1
Regression .857
3 .286
20.113 .000a
Residual .454
32 .014
Total 1.311
35 a Predictors: Constant, Total Asset, FDR, Bagi Hasil
b Dependent Variable: ROA
Sumber : Data diolah Dari hasil perhitungan SPSS, tingkat signifikansi pada tabel Anova
diatas adalah 0,000. Jadi probabilitas 0,000 0,05 , maka H ditolak dan Ha
diterima, dapat disimpulkan bahwa masing-masing variabel FDR X
1
, Pendapatan Bagi Hasil X
2
, dan Total Asset X
3
secara bersama-sama simultan berpengaruh secara signifikan terhadap ROA Y.
b. Analisis Pengaruh FDR, Pendapatan Bagi Hasil dan Total asset terhadap
Profitabilitas Parsial Uji t
Uji t bertujuan untuk menguji pengaruh masing-masing variabel bebas FDR, pendapatan bagi hasil, total asset terhadap variabel tak bebas ROA.
Tabel 4.12 Hasil Uji secara Parsial
Coefficientsa
Model Unstandardized
Coefficients Standar
dized Coeffici
ents t
Sig. 95 Confidence
Interval for B Correlations
Collinearity Statistics
B Std.
Error Beta
Lower Bound
Upper Bound
Zero- order
Partia l
Part Toler
ance VIF
1 Constant
.989 .692
1.428 .163
-.422 2.399
FDR -.006
.005 -.163
-1.270 .213
-.015 .004
-.326 -.219
-.132 .656
1.524 Bagi Hasil
.094 .033
.757 2.888
.007 .028
.161 .793
.455 .301
.158 6.337
Total Asset .006
.001 .001
.004 .997
-.001 .001
.648 .001
.000 .164
6.083 a Dependent Variable: ROA
Sumber : Data diolah Dari hasil perhitungan SPSS, nilai probabilitas pada variabel FDR
adalah 0.213 dari nilai α 0.05, artinya H
diterima dan Ha ditolak. Dengan demikian, tidak terdapat pengaruh antara variabel FDR terhadap
profitabilitas ROA secara parsial atau data tidak mendukung hipotesa yang menyatakan bahwa X
1
FDR mempunyai pengaruh terhadap Y ROA. Jika melihat hasil perhitungan SPSS, nilai probabilitas pada variabel
bagi hasil adalah 0.007 dari nilai α 0.05, artinya H
ditolak dan Ha diterima. Dengan demikian, terdapat pengaruh antara variabel bagi hasil
terhadap profitabilitas ROA secara parsial atau data mendukung hipotesa yang menyatakan bahwa X
2
pendapatan bagi hasil mempunyai pengaruh terhadap Y ROA.
Kemudian dari hasil perhitungan SPSS, nilai probabilitas pada