62
Sumber: Hasil penelitian, 2014 Data diolah
Gambar 4.2 Normal P-Plot
Berdasarkan gambar 4.2 normal probability plot dapat disimpulkan bahwa model regresi memenuhi asumsi normalitas karena data menyebar di sekitar garis
diagonal dan penyebaran data searah mengikuti garis diagonal.
4.2.2.2. Uji multikolineritas
Masalah-masalah yang mungkin akan timbul pada penggunaan persamaan regresi berganda adalah multikolineritas yaitu suatu keadaan dimana antara
variabel bebas terdapat korelasi atau suatu variabel bebas merupakan fungsi linear dari variabel bebas lainnya. Adanya Multikolineritas dapat dilihat dari tolerance
value atau nilai variance inflation factor VIF. Berdasarkan aturan variance inflation factor VIF dan tolerance, maka apabila VIF melebihi angka 10 atau
tolerance kurang dari 0,10 maka dinyatakan terjadi gejala multikolineritas.
Universitas Sumatera Utara
63
Sebaliknya apabila nilai VIF kurang dari 10 atau tolerance lebih dari 0,10 maka dinyatakan tidak terjadi gejala multikolineritas Ghozali, 2011
Tabel 4.3 Uji Multikolineritas
Coefficients
a
Model Collinearity Statistics
Tolerance VIF
1 Constant
Structure_activa ,916
1,092 Size
,627 1,595
Growth ,902
1,109 CR
,664 1,506
ROA ,678
1,475 a. Dependent Variable: financial_leverage
Sumber: Hasil penelitian, 2014 data diolah Berdasarkan tabel 4.3 nilai tolerance dan VIF dari variabel structure activa
adalah sebesar 0,916 dan 1,092. Untuk variabel Size adalah sebesar 0,627 dan 1,595. Untuk growth adalah sebesar 0,902 dan 1,109. Untuk variabel Likuiditas
CR adalah sebesar 0,664 dan 1,506. Untuk varibel ROA adalah sebesar 0,678 dan 1,475. Oleh karena itu, dapat disimpulkan dalam model ini tidak terdapat
masalah multikolineritas antara variabel bebas karena nilai tolerance berada dibawah 1 dan nilai VIF jauh di bawah angka 10.
Universitas Sumatera Utara
64
4.2.2.3. Uji heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke
pengamatan yang lain. Model regresi yang baik adalah yang tidak terjadi heteroskedastisitas dapat dilakukan dengan melihat scatter plot antara lain
prediksi variabel terikat ZPRED dengan residual SRESID. Jika titik-titik scatter plot tersebut membentuk pola tertentu yang teratur Misalnya
bergelombang, menyebar kemudian menyempit, maka dapat diindifikasikan telah terjadi heteroskedastisitas yang dilakukan pada penelitian ini dapat dilihat
pada gambar berikut:
Sumber: Hasil penelitian, 2014 Data diolah
Gambar 4.3 Scatter plot
Universitas Sumatera Utara
65
Berdasarkan scatter plot terlihat bahwa titik-titik menyebar secara acak serta tersebar di atas maupun di bawah angka 0 pada sumbu Y. Maka dapat
disimpulkan bahwa dalam model regresi ini tidak terjadi heteroskedastisitas. Adapun pengujian untuk melihat ada atau tidaknya heteroskedastisitas dapat
dilihat dengan uji Glejser antara lain prediksi variabel dependen menjadi absUt. Hal ini terlihat dari probabilitas signifikannya di atas tingkat kepercayaan 0.05
jadi disimpulkan model regresi ini tidak terjadi heteroskedastisitas. Hasil pengujian heteroskedastisitas dengan uji Glejser dapat dilihat pada tabel 4.4
sebagai berikut:
Tabel 4.4 Uji Glejser
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients T
Sig. B
Std. Error Beta 1 Constant
-,028 ,225
-,124 ,902
Structure_activa -,056 ,067
-,084 -,840
,405 Size
,043 ,015
,357 2,964
,005 Growth
,101 ,071
,143 1,424
,161 CR
-,030 ,017
-,207 -1,767
,083 ROA
-1,343 ,236
-,660 -5,696
,000 a. Dependent Variable: financial_leverage
Sumber: Hasil penelitian, 2014 Data diolah
Universitas Sumatera Utara
66
Berdasarkan Tabel 4.4 terlihat bahwa signifikansinya di atas tingkat kepercayaan 0,05 maka dapat disimpulkan bahwa dalam pengujian ini tidak
terjadi heteroskedastisitas.
4.2.2.4 Uji autokorelasi
