Negative -,151
Kolmogorov-Smirnov Z ,969
Asymp. Sig. 2-tailed ,305
a. Test distribution is Normal. b. Calculated from data.
Sumber: Hasil pengolahan data sekunder menggunakan SPSS 19.0
Tabel 4.3 menunjukkan bahwa besarnya nilai Asymp.Sig 2-tailed adalah 0,305 dan lebih besar dari 0,05. Selain itu, nilai Kolmogorov-Smirnov sebesar
0,969 dan tidak signifikan pada 0,05 maka dapat disimpulkan bahwa uji Kolmogorov-Smirnov
memperkuat hasil uji grafik sebelumnya yang menyatakan bahwa data terdistribusi secara normal.
4.1.3.2 Uji Multikolinearitas
Uji multikolinearitas dilakukan bertujuan untuk mengetahui adanya korelasi antara variabel independen dalam suatu model regresi. Regresi berganda
tidak efektif
digunakan apabila
antar variabel
bebas mengandung
multikolinearitas. Uji multikolinearitas dalam penelitian ini digunakan untuk mengetahui apakah ada hubungan sempurna antara variabel good corporate
governance GCG, ukuran perusahaan, dan debt to equity ratio DER.
Pengukuran multikolinearitas dilakukan dengan melihat nilai tolerance ≤ 0,10
atau sa ma dengan nilai VIF ≥ 10. Hasil uji multikolinearitas dapat dilihat pada
Tabel 4.4 berikut ini:
Tabel 4.4 Uji Multikolinearitas
Model Collinearity Statistics
Tolera nce
VIF Cons
tant GCG
,660 1,516
Size ,766
1,305 DER
,795 1,257
a. Dependent Variable: YTM
Sumber: Hasil pengolahan data sekunder menggunakan SPSS 19.0
Tabel 4.4 menunjukkan bahwa tidak ada satupun variabel independen yang memiliki nilai Tolerance kurang dari 0,10 yang berarti tidak ada korelasi
antar variabel independen yang nilainya lebih dari 95. Hasil perhitungan nilai VIF Variance Inflation Factor juga menunjukkan hal yang sama yaitu tidak ada
satu variabel independen yang memiliki nilai VIF lebih dari 10. Jadi dapat disimpulkan bahwa tidak terjadi multikolonieritas antar variabel independen good
corporate governance GCG, ukuran perusahaan, dan debt to equity ratio DER
dalam model regresi linear berganda.
4.1.3.3 Uji Autokorelasi
Pengujian ini dilakukan dengan tujuan untuk menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan
kesalahan pengganggu pada periode t-1 sebelumnya Ghozali, 2006. Autokorelasi timbul karena residual kesalahan pengganggu tidak bebas dari satu
observasi ke observasi lainnya. Untuk mendeteksi ada tidaknya autokorelasi dapat dilakukan dengan menggunakan uji Durbin-Watson DW-Test. Jika, du d 4
– du maka model regresi terbebas dari autokorelasi. Adapun nilai du untuk jumlah
variabel independen 3 dengan jumlah sampel 41 pada taraf signifikansi 0,05
adalah sebesar 1,660. Hasil perhitungan uji autokorelasi dapat dilihat pada Tabel 4.5 berikut ini:
Tabel 4.5 Hasil Uji Autokorelasi
M odel
R R
Square Adjus
ted R Square Std.
Error of the Estimate
Durbi n-Watson
1 ,
500
a
,2 50
,190 1,075
47 1,936
a. Predictors: Constant, DER, LnSize, CGPI b. Dependent Variable: YTM
Sumber: Hasil pengolahan data sekunder menggunakan SPSS 19.0
Nilai Durbin-Watson sebesar 1,936, nilai ini akan dibandingkan dengan nilai tabel dengan menggunakan nilai signifikansi 5, jumlah sampel 41 n dan
jumlah variabel independen 3 k=3 di dapatkan nilai dl batas luar = 1,348 ; du batas dalam = 1,660. Oleh karena nilai DW 1,936 lebih besar dari batas dalam
du 1,660 dan kurang dari 1,936 4-du, yaitu 1,6601,9362,064 maka dapat disimpulkan bahwa tidak terdapat autokorelasi dan tidak terdapat kesalahan data
pada periode lalu yang mempengaruhi kesalahan data pada periode sekarang.
4.1.3.4 Uji Heteroskedastisitas