Hasil Uji Autokorelasi Durbin Watson terlihat seperti pada tabel dibawah ini:
Tabel 4.4 Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of
the Estimate Durbin-
Watson 1
.526
a
.277 .205
1.64195 1.630
a. Predictors: Constant, Ln_Return_On_Asset, Ln_Total_Aktiva,
Ln_Operating_Profit_Margin, Ln_Net_Profit_Margin
b. Dependent Variable: Ln_Manajemen_Laba
Berdasarkan tabel 4.4 diatas dapat dilihat bahwa nilai DW adalah 1.630. Kriteria yang menunjukkan tidak terjadi autokorelasi adalah sebagai berikut:
jumlah sampel N 45 dengan jumlah variabel bebas K 4 pada tingkat signifikansi 5 diperoleh du 1,7200 sehingga disimpulkan bahwa nilai DW
sebesar 1.630 lebih besar dari batas atas du 1,7200 dan kurang dari 4 – 1,7200 4 – du, maka dengan demikian tidak terjadi autokorelasi.
4.2.2.3 Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah terjadi ketidaksamaan variance dari residual suatu pengamatan ke pengamatan
yang lain dalam model regresi . Model regresi yang baik adalah jika
variance dari residual satu pengamatan ke pengamatan lain berbeda heteroskedastisitas. Heteroskedastisitas dapat dilihat melalui grafik plot
Scatterplot antara nilai prediksi variabel terikat dengan residualnya. Apabila pola pada grafik ditunjukkan dengan titik-titik menyebar secara
acak tanpa pola yang jelas serta tersebar di atas maupun dibawah angka 0 pada sumbu Y, maka dapat disimpulkan bahwa tidak terjadi
heteroskedastisitas pada model regresi. Selain menggunakan grafik scatterplots, uji heteroskedastisitas juga
dapat dilakukan dengan menggunakan Uji Glejser. Jika probabilitas signifikan 0.05, maka model regresi tidak mengandung
heteroskedastisitas.
4.2.2.3.1 Grafik Scatterplot
Heteroskedastisitas melalui grafik plot Scatterplot antara nilai prediksi variabel terikat dengan residualnya. Apabila pola pada grafik
ditunjukkan dengan titik-titik menyebar secara acak tanpa pola yang jelas serta tersebar di atas maupun dibawah angka 0 pada sumbu Y, maka dapat
disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi.