52
Tabel 4.9 Hasil Uji Multikolinearitas
Variabel Collinearity
Statistics Keputusan
Tolerance VIF
LNTS .934
1.071 Tidak terjadi Multikolinearitas CR
.468 2.135 Tidak terjadi Multikolinearitas
ITA .924
1.082 Tidak terjadi Multikolinearitas DAR
.479 2.086 Tidak terjadi Multikolinearitas
Sumber: Hasil Pengolahan Data SPSS Maret 2015 Berdasarkan aturan Variance Inflation Factor VIF dan Tolerance,
apabila VIF melebihi angka 10 atau Tolerance kurang dari 0.10 maka dinyatakan terjadi gejala multikolinearitas, sebaliknya apabila VIF kurang dari 10 atau
Tolerance lebih dari 0.10 maka dinyatakan tidak terjadi gejala multikolinearitas. Dalam penelitian ini data yang digunakan dalam uji multikolinearitas ini adalah
data dari variabel independen. Berdasarkan tabel 4.10 diatas diketahui masing- masing nilai VIF berada dibawah 10, dan nilai Tolerance diatas 0.1, maka dapat
dipastikan data dari variabel independen tidak terjadi multikolinearitas.
4.1.3.3. Uji Heteroskedastisitas
Uji ini bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain
Erlina, 2011:106. Jika variance dari residual satu pengamatan ke pengamatan lain tetap, maka disebut homoskedastisitas, dan jika variance dari residual satu
pengamatan ke pengamatan lain berbeda disebut heteroskedastisitas. Untuk mendeteksi ada atau tidaknya heteroskedastisitas dapat dilakukan dengan melihat
grafik scatterplot, dengan dasar analisis Ghozali, 2005:139.
Universitas Sumatera Utara
53
1. Jika pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur bergelombang, melebar kemudian menyempit, maka
mengindikasikan telah terjadi heteroskedastisitas. 2. Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di
bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas. Hasil uji heteroskedastisitas dengan menggunakan grafik scatterplot
ditunjukkan pada gambar 4.6 berikut:
Gambar 4.6 Grafik Scatterplot
Sumber: Hasil Pengolahan Data SPSS Maret 2015 Pada grafik scatterplot diatas, terlihat titik-titik menyebar secara acak,
serta tersebar baik diatas maupun dibawah angka 0 pada sumbu Y sehingga dapat diambil kesimpulan bahwa tidak terdapat gejala heteroskedastisitas pada model
regresi yang digunakan.
Universitas Sumatera Utara
54
4.1.3.4. Uji Autokorelasi
Uji autokorelasi dilakukan untuk menguji apakah sebuah model regresi terdapat korelasi antara kesalahan penganggu pada periode t dengan kesalahan
pengganggu pada periode t-1 atau sebelumnya Ghozali, 2005. Jika terjadi korelasi dinamakan ada masalah autokorelasi. Untuk mendeteksi ada atau
tidaknya autokorelasi, peneliti menggunakan Durbin-Watson DW test. Pengambilan keputusan pada asumsi ini memerlukan dua nilai bantu yang
diperoleh dari tabel Durbin Watson, yaitu nilai dl dan du untuk K = jumlah variabel bebas dan n = jumlah sampel. Jika nilai DW berada diantara nilai du
hingga 4-du, berarti asumsi tidak terjadi autokorelasi terpenuhi. Menurut Nawari 2010:225 adapun kriteria dalam penentuan autokorelasi adalah sebagai berikut :
1 Jika Dw Dl atau Dw 4-Dl maka terdapat autokorelasi. 2 Jika Dl Dw Du atau 4-Du Dw 4-Dl maka status
autokorelasi tidak dapat dijelaskan inconclusive. 3 Jika Du Dw 4-Du maka tidak terjadi autokorelasi Non
Autokorelasi. Tabel 4.10 digunakan untuk melihat nilai Durbin Watson yang didapat
dengan menggunakan bantuan SPSS Versi 20. Tabel DW menunjukkan bahwa dengan n = 87, K = 1, maka akan diperoleh nilai dl = 1.6258 dan du = 1.6728 dan
4-du = 4 – 1.6728 = 2.3272.
Tabel 4.10 Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R Square
Std. Error of the Estimate
Durbin- Watson
1 .655
a
.429 .401
.71450 2.270
a. Predictors: Constant, DAR, ITA, LNTS, CR b. Dependent Variable: ROA
Sumber: Hasil Pengolahan Data SPSS Maret 2015
Universitas Sumatera Utara
55
Berdasarkan hasil pengujian Durbin-Watson dengan menggunakan SPSS maka diperoleh nilai Durbin-Watson sebesar 1.6258 2.270 2.3272 yang berarti
berdasarkan kriteria Durbin-Watson hasil tersebut tidak terjadi autokorelasi.
4.1.3.5 Model Regresi Berganda
