Gambar 4.4 Hasil Uji Normalitas dengan P-Plot
Setelah Transformasi Data
Sumber: Output SPSS, diolah Penulis, 2012 Berdasarkan Grafik Normal P-Plot diatas, dapat dilihat
bahwa titik-titik menyebar digaris diagonal tidak berpencar jauh dari garis diagonal maka grafik Normal P-Plot ini dinyatakan
berdistribusi normal sehingga memenuhi asumsi normalitas.
4.2.2.2 Uji Multikolienaritas
Uji Multikolinearitas digunakan untuk menguji apakah secara variabel bebas memiliki hubungan yang sempurna atau
Universitas Sumatera Utara
tidak. Syarat diterimanya model regresi berganda apabila antara variabel bebas tidak mengandung korelasi yang sempurna.
Pengujian multikolinearitas dapat dilihat dari nilai variance inflation factor VIF berdasarkan hasil output SPSS, apabila nilai
VIF 10 dan nilai tolerance lebih besar dari 0.10 dapat disimpulkan bahwa tidak adanya multikolinearitas.
Tabel 4.4 Hasil Uji Multikolinearitas
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients T
Sig. Collinearity
Statistics B
Std. Error Beta
Tolerance VIF
1 Constant
5.535 .477
11.609 .000
LN DER -.227
.173 -.221
-1.314 .195
.381 2.623
LN DAR .248
.235 .187
1.054 .297
.343 2.912
LN LDER -.231
.105 -.304
-2.204 .032
.567 1.762
LN ROE .361
.130 .402
2.776 .008
.515 1.941
LN GR .083
.089 .111
.932 .356
.766 1.305
LN PER -.204
.095 -.299
-2.158 .036
.564 1.772
LN EPS -.056
.051 -.139
-1.106 .274
.687 1.455
LN DPS .075
.050 .194
1.481 .145
.629 1.589
a. Dependent Variable: LN HARGA SAHAM
Sumber: Output SPSS, diolah Penulis, 2012 Berdasarkan tabel diatas dapat disimpulkan bahwa
penelitian ini bebas dari adanya multikolinearitas. Hal tersebut dapat dilihat dengan membandingkan dengan nilai Tolerance lebih
besar dari 0.10 dan nilai VIF dari setiap variabel independen lebih
Universitas Sumatera Utara
kecil dari 10. Dengan demikian, dapat disimpulkan bahwa tidak terjadi gejala multikolinearitas antar variabel independen dalam
model regresi.
4.2.2.3. Uji Autokorelasi
Uji Autokorelasi bertujuan untuk menguji apakah dalam model regresi ada korelasi antara kesalahan pengganggu pada
periode t dengan kesalahan pengganggu pada periode t-1 sebelumnya. Jika terjadi korelasi, maka dinamakan ada problem
autokorelasi. Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lain. Adapun
kriteria untuk mengetahui terjadi atau tidaknya autokorelasi adalah sebagai berikut :
1. Jika nilai D-W dibawah -2 maka terjadi autokorelasi positif. 2. Jika nilai D-W diantara -2 sampai +2 maka tidak terjadi
autokorelasi. 3. Jika nilai D-W diatas +2 maka terjadi autokorelasi negatif
Sunyoto, 2005:91. Hasil uji autokorelasi dilihat pada tabel dibawah ini.
Universitas Sumatera Utara
Tabel 4.5 Hasil Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson
1 .694
a
.481 .395
.74759 1.578
a. Predictors: Constant, LN DPS, LN LDER, LN ROE, LN GR, LN EPS, LN PER, LN DER, LN DAR
b. Dependent Variable: LN HARGA SAHAM
Sumber: Output SPSS, diolah Penulis, 2012
Berdasarkan tabel diatas pada kolom Durbin Watson, dapat dilihat bahwa nilai Durbin Watson sebesar 1.578 yang
menunjukkan tidak ada autokorelasi karena nilainya berada diantara -2 dan 2, yang mengartikan bahwa angka Durbin Watson
lebih besar dari -2 dan lebih kecil dari 2. Jadi dapat disimpulkan bahwa tidak ada autokorelasi positif maupun negatif.
4.2.2.4 Uji Heteroskedastisitas
