Angka signifikansi Kolmogorov-Smirnov tetap lebih besar dari 0,05. Hal ini menunjukan bahwa data yang baru tetap berdistribusi normal. Grafik
histogram juga menunjukan hal yang sama dilihat dari grafik yang menyerupai lonceng simetris di tengah. Begitu pula dengan grafik normal p-plot yang tetap
menunjukan bahwa data berdistribusi normal, dilihat dari data yang berjalan semakin mendekat garis diagonal.
4.2.2. Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah terdapat korelasi antar variabel independen dalam model regresi. Jika pada model regresi terjadi
multikolinearitas, maka koefisien regresi tidak dapat ditaksir dan nilai standard error menjadi tidak terhingga. Cara yang digunakan untuk mendeteksi ada
tidaknya multikolinearitas adalah dengan melihat nilai tolerance dan VIF. Pada suatu model regresi dinyatakan terjadi multikolinearitas apabila nilai tolerance
0.10 dan VIF 10 Ghozali, 2005 : 92.
Tabel 4.4 Hasil Uji Multikolinearitas
Model Collinearity Statistics
Tolerance VIF
1 FREE CASH FLOW
,993 1,007
MANAGERIAL OWNERSHIP
,003 394,604
INSTITUTIONAL OWNERSHIP
,003 394,563
Sumber: Data diolah, 2015 Dari data pada tabel 4.4, dapat disimpulkan bahwa berdasarkan nilai
Tolerance variabel FCF menunjukkan nilai yang lebih dari 0.1 dan berdasarkan
Universitas Sumatera Utara
nilai VIFnya kurang dari 10. Dengan demikian variabel FCF bebas dari pengujian asumsi
klasik yang kedua yaitu multikolinearitas. Untuk variabel MOWNS dan INST nilai Tolerance di bawah 0.01 dan nilai VIFnya diatas 10. Hal ini
menunjukan bahwa
variabel MOWNS
dan INST
memiliki gejala
multikolinearitas. Akibat adanya gejala multikolinearitas antara variabel MOWNS dan
INST, penulis menghitung logaritma natural dari MOWNS dan INST. Berikut hasil uji multikolinearitas dengan data yang baru.
Tabel 4.5 Hasil Uji Multikolinearitas Setelah Transformasi
Model Collinearity Statistics
Tolerance VIF
1 FREE CASH FLOW
,999 1,001
LN_MOW ,188
5,317 LN_INST
,188 5,317
Sumber: Data diolah, 2015 Dari tabel 4.5 dapat dilihat bawah semua variabel memiliki angka
Tolerance diatas 0.01 dan VIF di bawah 10. Hal ini menandakan bahwa data baru tidak memiliki gejala multikolinearitas, sehingga semua variabel indipenden lolos
uji asumsi klasik kedua.
4.2.3. Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan lain dalam
model regresi. Model regresi yang baik adalah tidak terjadi heteroskedastisitas atau terjadi homoskedastisitas. Dalam model regresi dinyatakan telah terjadi
Universitas Sumatera Utara
heteroskedastisitas apabila titik-titik yang ada membentuk pola tertentu yang teratur. Dalam model regresi tidak terjadi heteroskedastisitas apabila titik-titik
yang ada tidak membentuk pola tertentu yang teratur dan titik-titik menyebar di atas dan di bawah angka nol pada sumbu Y.
Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi heteroskedastisitas dengan mengamati penyebaran titik-titik pada gambar.
Sumber: Data diolah, 2015
Gambar 4.5 Hasil Uji Heteroskedastisitas Scatterplot
Dari grafik scatterplots terlihat bahwa titik-titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y. Hal ini dapat
disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi sehingga model regresi layak dipakai untuk memprediksi kebijakan hutang perusahaan
manufaktur yang terdaftar di BEI berdasarkan masukan variabel independen FCF, LN_MOWNS dan LN_INST.
Universitas Sumatera Utara
4.2.4. Uji Autokorelasi
