Demikian pula dengan hasil uji normalitas dengan menggunakan grafik plot. Pada grafik normal plot, terlihat titik-titik menyebar disekitar
garis diagonal serta penyebarannya agak mendekati dengan garis diagonal sehingga dapat disimpulkan bahwa data dalam model regresi terdistribusi
secara normal.
4.2.2.2 Hasil Uji Heterokedastisitas
Pengujian gejala heterokedastisitas bertujuan untuk melihat apakah dalam model regresi terjadi ketidaksamaan variabel dari residual satu
pengamatan ke pengamatan yang lain. Cara mendeteksi ada atau tidaknya heterokedastisitas adalah dengan melihat grafik scatterplot antara nilai
prediksi variabel dependen. Model regresi yang baik adalah homokedastisitas atau tidak terjadi heterokedastisitas.
Ada beberapa pengujian yang dapat digunakan untuk mendeteksi masalah heterokedasitas diantaranya adalah:
1. Dengan melihat grafik nilai-nilai residu. Salah satu cara untuk melihat ada tidaknya gejala heterokedastisitas adalah dengan melihat gambar scarter
diagram nilai residu terhadap waktu atau terhadap satu dari lebih variabel- variabel bebas yang diduga sebagai penyebab heterokedastitas. Suatu
model mengandung heterokedastisitas apabila nilai-nilai residunya membentuk pola sebaran yang meningkat, yaitu secara terus-menerus
bergerak menjauhi garis nol.
2. Jika tidak ada pola yang jelas, serta titik-titik menyebar diatas dan bawah
angka 0 pada sumbu Y, maka tidak terjadi heterokedasitas.
Universitas Sumatera Utara
Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi heteroskedastisitas atau terjadi homoskedastisitas dengan
mengamati penyebaran titik-titik pada gambar
.
Gambar 4.3 Hasil Uji Heterokedastisitas
Scatterplot
Sumber: Data yang diolah penulis 2013 Dari hasil uji heterokedastisitas Scatterplot pada gambar 4.3 diatas,
terlihat bahwa titik-titik menyebar secara acak dan tidak membentuk suatu pola tertentu serta tersebar baik diatas maupun dibawah angka 0 pada
sumbu Y. Dari gambar diatas dapat disimpulkan bahwa pada model regresi tidak terjadi heterokedastisitas sehingga model regresi layak
digunakan untuk melihat pengaruh jumlah modal kerja, perputaran modal kerja, perputaran kas, rasio lancar dalam memprediksi profitabilitas pada
perusahaan sektor automotive and component yang terdaftar di BEI.
4.2.2.3 Uji Autokorelasi
Uji ini bertujuan untuk melihat apakah dalam suatu model regresi linear ada korelasi antar kesalahan pengganggu pada periode t dengan
Universitas Sumatera Utara
kesalahan pada periode t-1 sebelumnya. Jika terjadi korelasi, maka dinamakan ada problem autokorelasi. Autokorelasi muncul karena
observasi yang berurutan sepanjang tahun yang berkaitan satu dengan yang lainnya, hal ini sering ditemukan pada data time series. Cara yang
dapat digunakan untuk mendeteksi masalah autokorelasi adalah dengan menggunakan nilai uji Durbin Watson. Untuk uji Durbin Watson memiliki
ketentuan 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 diatas +2 berarti ada autokorelasi negatif.
Tabel 4.4 Hasil Uji Autokorelasi
Model R
R Square Adjusted
R Square Std. Error of the
Estimate Durbin-Watson
1 .360
a
.129 .017
5.52199 2.057
a. Predictors: Constant, RasioLancar, PerputrnModalKerja, Jlh.ModalKerja, PerputrnKas
b. Dependent Variable: ROI
Sumber: Data yang diolah penulis 2013 Dari tabel 4.5 diatas menunjukkan bahwa nilai Durbin watson adalah
sebesar 2,057 angka ini terletak diatas +2 maka dapat disimpulkan bahwa ada autokorelasi negatif.
4.2.2.4 Uji Multikolinearitas
