berdistribusi normal atau tidak. Jika nilai signifikansinya lebih besar dari 0,05 maka data tersebut terdistribusi normal. Jika nilai signifikansinya lebih kecil dari
0,05 maka distribusi data adalah tidak normal. Hasil uji Kolmogorov-Smirnov
dapat dilihat pada tabel 4.1
Tabel 4.2 Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Predicted Value
N 60
Normal Parameters
a
Mean .0389533
Std. Deviation .02554039
Most Extreme Differences Absolute
.122 Positive
.122 Negative
-.108 Kolmogorov-Smirnov Z
.948 Asymp. Sig. 2-tailed
.330 a. Test distribution is Normal.
Sumber: Lampiran iv
Hasil uji Kolmogorov-Smirnov pada penelitian ini menujukkan probabilitas = 0.330. Dengan demikian, data pada penelitian ini berdistribusi normal dan dapat
digunakan untuk melakukan uji hipotesis karena 0.330 0,05.
2. Uji Heteroskedastisitas
Uji Heteroskesdastisitas bertujuan untuk menguji terjadinya perbedaan variance residual suatu periode pengamatan ke periode yang lain. Menurut
Ghozali 2005:105 “uji heterokedasitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke
pengamatan yang lain”. Model regresi yang baik adalah tidak terjadi
Universitas Sumatera Utara
heterokedasitas. Cara mendeteksi ada tidaknya gejala heterokedasitas adalah dengan melihat grafik scatterplott yang dihasilkan dari pengolahan data
menggunakan program SPSS 16. Dasar pengambilan keputusannya menurut Ghozali 2005:105 adalah sebagai berikut:
a Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu
yang teratur maka mengindikasikan telah terjadi heterokedasitas. b
Jika tidak ada pola yang jelas, serta titik menyebar dibawah angka o dan y, maka tidak heterokedasitas
Uji ini dilakukan dengan mengamati pola tertentu pada grafik scatterplot, dimana bila ada titik – titik yang menyebar di atas dan dibawah angka 0 pada
sumbu Y serta tidak membentuk pola maka tidak terjadi heteroskesdastisitas.
Gambar 4.5 Uji Heteroskedastisitas scatterplot
Sumber: Lampiran v
Pada gambar 4.5 tentang grafik scatterplot diatas terlihat titik-titik menyebar secara acak tidak membentuk sebuh pola tertentu yang jelas serta tersebar baik
Universitas Sumatera Utara
diatas maupun dibawah angka nol pada sumbu y. Hal ini berarti tidak terjadi heteroskedastisitas pada model regresi sehingga model regresi layak dipakai untuk
melihat pengaruh variabel independen terhadap variabel dependen.
3. Uji Autokorelasi
Uji ini bertujuan untuk melihat apakah dalam suatu model linear ada korelasi antar kesalahan pengganggu pada periode t dengan kesalahan periode t-1
sebelumnya. Model regresi yang baik adalah yang bebas dari autokorelasi. Masalah autokorelasi umumnya terjadi pada regresi yang datanya time series.
Untuk mendeteksi masalah autokorelasi dapat dilakukan dengan menggunakan uji Durbin Watson. Pengambilan keputusan ada tidaknya autokorelasi adalah sebagai
berikut: 1
angka D-W dibawah -2 berarti ada autokorelasi positif,, 2
angka D-W diantara -2 sampai +2 berarti tidak ada autokorelasi, 3
angka D-W di atas +2 berarti ada autokorelasi negatif.
Tabel 4.3 Hasil Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .726
a
.526 .473
.02388 1.595
a. Predictors: Constant, DAR, ROE, ITO, WTO, RTO, DER b. Dependent Variable: ROA
Sumber: Lampiran vi
Universitas Sumatera Utara
Tabel 4.4 memperlihatkan nilai statistik D-W sebesar 1.595 Angka ini terletak di antara -2 sampai +2, dari pengamatan ini dapat disimpulkan bahwa
tidak terjadi autokorelasi dalam penelitian ini.
4. Uji Multikolinieritas
