Uji Multokolinearitas Uji Autokorelasi

melakukan tranformasi variabel dependen dan independen menjadi bentuk logaritma natural. Tabel hasil uji Kolmogrov-Smirnov adalah sebagai berikut: Tabel 4.3 Uji Normalitas One-Sample Kolmogorov-Smirnov Test Un N 86 Normal Parameters a,b Mean 2.7171 Std. Deviation 1.19481 Most Extreme Differences Absolute .123 Positive .088 Negative -.123 Kolmogorov-Smirnov Z 1.141 Asymp. Sig. 2-tailed .148 a. Test distribution is Normal. b. Calculated from data. Berdasarkan Tabel 4.3 dapat diketahui bahwa nilai Kolmogorov-Smirnov sebesar 1,141 dengan nilai signifikansi Asymp.Sig 2-tailed di atas 0,05 yaitu sebesar 0,148. Hal ini menunjukkan bahwa data terdistribusi normal.

b. Uji Multokolinearitas

Pengujian ini berguna untuk mengetahui apakah model regresi ditemukanadanya korelasi antara variabel bebas independen Ghozali, 2011. Modelregresi yang baik seharusnya tidak terjadi kolerasi diantara variabel bebasindependent.Untuk mendeteksi ada tidaknya multikolinieritas dalam suatu model regresi dapatdilihat dari tolerance value atau Variance Inflation Factor VIF.Pedoman suatu model regresi yang bebas dari multikolinieritas adalah mempunyai nilai VIF kurang dari 10 dan mempunyai nilai Tolerance lebih besar dari 0,10. Uji multikolineritas pada penelitian ini adalah sebagai berikut Tabel 4.4 Uji Multikolinearitas Coefficients a Model Collinearity Statistics Tolerance VIF 1 Constant Ud .913 1.095 Ad .811 1.234 Ag .921 1.086 Sz .736 1.359 Roa .917 1.091 Sk .955 1.048 a. Dependent Variabel: Un Keterangan: Ud: Reputasi Underwriter, Ad: Reputasi Auditor, Ag: Umur Perusahaan, Sz: Ukuran Perusahaan, Roa: Return On Asset, Sk: Struktur Kepemilikan Institusional Tabel 4.4 menunjukkan nilai masing-masing Tolerance variabel independen lebih besar dari 0,1 dan masing-masing nilai VIF kurang dari 10. Hal ini menunjukkan tidak terjadi gejala multikolinearitas.

c. Uji Autokorelasi

Uji Autokorelasi bertujuan untuk menguji apakah dalam model regresi linier ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan periode t-1 sebelumnya. Jika terjadi korelasi, maka dinamakan ada problem autokorelasi. Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lainnya. Masalah yang timbul karena residual kesalahan pengganggu tidak bebas dari satu observasi ke observasi lainnya. Hal ini sering ditemukan pada data runtut waktu time series. Model regresi yang baik adalah yang bebas dari autokorelassi Ghozali, 2011. Uji autokorelasi menggunakan Run Test. Run Test digunakan untuk menguji apakah antar residual terdapat korelasi yang tinggi. Jika antar residual tidak terdapat hubungankorelasi maka dikatakan bahwa residual adalah acak. Run Test digunakan untuk menguji apakah data residual terjadi secara random atau acak Ghozali, 2011. Tabel 4.5 Uji Autokorelasi Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .538 a .289 .234 1.05105 1.847 a. Predictors: Constant, Sk, Ud, Ad, Roa, AG, Sz b. Dependent Variabel: Un Keterangan: Ud: Reputasi Underwriter, Ad: Reputasi Auditor, Ag: Umur Perusahaan, Sz: Ukuran Perusahaan, Roa: Return On Asset, Sk: Struktur Kepemilikan Institusional Tampilan output spss menunjukkan besarnya nilai Durbin-Watson sebesar 1,847. Nilai D-W menurut tabel dengan n = 86 dan k = 6 didapatkan angka dl = 1,500 dan du = 1,801. Oleh karena D-W hitung lebih besar dari pada du, maka dapat disimpulkan tidak terdapat autokorelasi antar residual.

d. Uji Heteroskedastisitas