Dari hasil perhitungan didapat nilai signifikan uji normalitas residual
sebesar 0.001 dan 0.003, dimana nilai tersebut lebih kecil dari 0.05, sehingga ketentuan H
ditolak, dan disimpulkan bahwa asumsi normalitas tidak terpenuhi. Setelah dibuang outlier yang terdapat dalam data penelitian tersebut yaitu data
penelitian pada nomor 26 dan 27, maka pengujian normalitas menjadi: Tabel 4.3. Hasil Uji Normalitas
Kolmogorov Smirnov Statistik N Signifikansi
Unstandardized Residual regresi 1
1.295 28
0.070 Unstandardized Residua
regresi 2 1.082
28 0.192
Sumber: Lampiran 4
Dari hasil perhitungan didapat nilai signifikan uji normalitas residual
sebesar 0.070 dan 0.192, dimana nilai tersebut lebih besar dari 0.05, sehingga ketentuan H
diterima, dan disimpulkan bahwa asumsi normalitas telah terpenuhi.
4.4. Pengujian Asumsi Klasik Regresi Linier Berganda
Tujuan dari pengujian asumsi klasik analisis regresi adalah untuk mengetahui secara pasti apakah model regresi linier berganda menghasilkan
keputusan yang BLUE Best Linear Unbiased Estimator, dalam arti pengambilan keputusan melalui uji F dan uji t tidak bias, hal tersebut perlu diuji dengan
menggunakan asumsi dasar berikut ini :
4.4.1. Uji Autokorelasi
Uji autokorelasi digunakan untuk mengetahui bahwa antar observasi dalam setiap variabel bebas tidak terjadi suatu korelasi atau hubungan. Uji ini dapat
dilakukan dengan menggunakan uji Durbin Watson DW-test. Suatu observasi dikatakan tidak terjadi autokorelasi jika nilai Durbin Watson berada antara dU
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
hingga 4-dU Gujarati, 1999 : 201. Dari tabel Durbin Watson untuk n = 28 dan k = 2 adalah banyaknya variabel independen diketahui nilai dL sebesar 1.26,
nilai dU sebesar 1.56 dan 4-dU sebesar 2.44. Dari hasil perhitungan regresi diperoleh nilai uji Durbin Watson sebesar 1.983 dan 1.794 Lampiran 5, yang
terletak di antara dU dan 4-dU atau terletak di daerah tidak ada autokorelasi. Sehingga dapat disimpulkan bahwa asumsi non autokorelasi dipenuhi. Untuk
lebih jelasnya dapat dilihat Gambar 1 dan 2 di bawah ini:
Gambar 4.1. Distribusi Daerah Keputusan Uji Durbin Watson regresi 1
Gambar 4.2. Distribusi Daerah Keputusan Uji Durbin Watson regresi 2
Ada autokorelasi
positif Daerah
keragu-raguan Ada
autokorelasi positif
Tidak ada autokorelasi
positif negatif Daerah
keragu-raguan
dl = 1.26 4
du= 1.56 4 - du = 2.44
4 - dl = 2.74 dw = 1.983
Ada autokorelasi
positif Daerah
keragu-raguan Ada
autokorelasi positif
Tidak ada autokorelasi
positif negatif Daerah
keragu-raguan
dl = 1.26 4
du= 1.56 4 - du = 2.44
4 - dl = 2.74 dw = 1.794
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
4.4.2. Uji Multikolinieritas
Untuk mendeteksi ada tidaknya multikolinieritas digunakan Variance Inflation Factor
VIF. Apabila VIF 10, maka persamaan regresi linier berganda tersebut tidak terkena multikolinieritas Gujarati,1995:157. Dari hasil
pengujian hipotesis diperoleh hasil seperti pada tabel di bawah ini: Tabel 4.4. Hasil Uji Non Multikolinieritas
Regresi Variabel VIF
Laba X1 2.017
1 Arus Kas X2
2.017 Laba X1
2.017 2
Arus Kas X2 2.017
Sumber: Lampiran 5 Berdasarkan tabel di atas, dapat dilihat bahwa nilai VIF dari laba dan arus
kas pada dua regresi tersebut semuanya sudah menunjukkan angka kurang dari 10. Dengan demikian dapat disimpulkan bahwa model regresi tersebut tidak
mengindikasikan adanya multikolinieritas atau asumsi non multikolinieritas terpenuhi.
4.4.2. Uji Heteroskedastisitas