maupaun untuk model 2 yaitu1,00 dan 4,016. Berdasarkan tabel diatas dapat disimpulkan bahwa tidak ada multikolonieritas antar variabel independen dalam
model 1dan model 2 ini.
c. Uji Heteroskedastisitas
Dalam penelitian ini, untuk mendeteksi ada tidaknya gejala heteroskedastisitas adalah dengan melihat plot grafik yang dihasilkan dari pengolahan data dengan
menggunakan program SPSS. Dasar pengambilan keputusannya adalah: 1
jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang terartur bergelombang, melebar kemudian menyempit, maka
mengindikasikan telah terjadi heteroskedastisitas, 2
jika tidak ada pola yang jelas, seperti titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas atau terjadi
homoskedastisitas. Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi
heteroskedastisitas atau terjadi homoskedastisitas dengan mengamati penyebaran titik-titik pada gambar untuk model 1 dan model 2.
Universitas Sumatera Utara
Gambar 4.5 Scaterplot Model 1
Dari grafik scatterplot model 1 terlihat bahwa titik-titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y, sehingga
dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi. Adanya titik-titik yang menyebar menjauh dari titik-titik yang lain dikarenakan
adanya data observasi yang sangat berbeda dengan data observasi yang lain
Universitas Sumatera Utara
Gambar 4.6 Scaterplot Model 2
Sumber: Data diolah oleh penulis
Dari grafik scatterplot model 2 terlihat bahwa titik-titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y, sehingga
dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi. Adanya titik-titik yang menyebar menjauh dari titik-titik yang lain dikarenakan
adanya data observasi yang sangat berbeda dengan data observasi yang lain.
d. Uji Autokorelasi
Uji ini bertujuan untuk melihat apakah dalam suatu model regresi linear ada korelasi antar kesalahan pengganggu pada periode t dengan kesalahan pada
periode t-1. Autokorelasi muncul karena observasi yang berurutan sepanjang tahun yang berkaitan satu dengan yang lainnya. Hal ini sering ditemukan pada
time series. Cara yang dapat digunakan untuk mendeteksi masalah autokorelasi
Universitas Sumatera Utara
adalah dengan menggunakan nilai uji Durbin Watson dengan ketentuan sebagai berikut:
1 angka D-W dibawah -2 berarti ada autokorelasi positif,
2 angka D-W di antara -2 sampai +2, berarti tidak ada autokorelasi,
3 angka D-W di atas +2 berarti ada autokorelasi negatif..
Tabel 4.9 Hasil Uji Autokorelasi Untuk Model 1
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .558
a
.312 .304
.0172336 1.767
a. Predictors: Constant, LABA SEBELUM PAJAK SAAT INI b. Dependent Variable: LABA SEBELUM PAJAK YANG AKAN DATANG
Tabel 4.10 Hasil Uji Autokoelasi Model 2
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .695
a
.483 .453
.0152762 1.814
a. Predictors: Constant, LNBTDPTBI, LPBTDPTBI, PTBI, LNBTD, LPBTD b. Dependent Variable: LABA SEBELUM PAJAK YANG AKAN DATANG PTBI t+1
Sumber : Data diolah penulis, 2009 Tabel 4.9 dan Tabel 4.10 memperlihatkan nilai statistik D-W sebesar 1,767dan
1,814. Angka ini terletak diantara -2 dan +2, dari pengamatan ini dapat disimpulkan bahwa tidak terjadi autokorelasi positif maupun autokorelasi negatif
untuk model 1dan model 2.
Universitas Sumatera Utara
4. Analisis Regresi