variabel bebas yang signifikan mempengaruhi variabel terikat melalui uji t. Cara lainnya untuk mendeteksi multikolinieritas adalah kolerasi parsial
menggunakan pairwaise correlation matrix. Sebagai rule of thumb, jika koefisien korelasi cukup tinggi di atas 0,8 maka diduga ada
multikolinieritas di dalam model Gujarati, 2003. Pada penelitian ini, koefisien korelasi ada yang cukup tinggi namun masih di bawah dari 0,8
sehingga penelitian ini tidak ada multikolinieritas.
c. Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan
kesalahan pengganggu pada periode t – 1 sebelumnya. Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu
sama lain. Untuk mendeteksi ada tidaknya autokorelasi dilakukan dengan menggunakan uji Durbin-Watson DW-Test. Hasil pengolahan data adalah
sebagai berikut:
Tabel 4.6 Hasil Uji Durbin-Watson
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .342
a
.117 .032
1.34998 1.959
a. Predictors: Constant, Kepemilikan Konsentrasi, Ukuran perusahaan, Kepemilikan Manajerial, Komposisi dewan komisaris, Kepemilikan Institusional, Ukuran dewan komisaris
b. Dependent Variable: LN_Manajemen Laba
Universitas Sumatera Utara
Hasil pengujian di atas menunjukkan bahwa nilai Durbin-Watson adalah 1.959. Nilai ini akan kemudian diuji berdasarkan ketentuan ada
tidaknya gejala autokorelasi, yakni jika nilai Durbin-Watson D-W ada pada batas du atas dan 4-du du D-W 4-du, model regresi tidak
mengalami gejala autokorelasi. Nilai signifikansi yang digunakan adalah 5 dengan jumlah sampel 82 n=82 dan jumlah variabel independen sebanyak
enam k=6, maka dari tabel data statistik Durbin-Watson diperoleh nilai batas bawah dl sebesar 1.433 dan nilai batas atas du sebesar 1.802. Nilai
D-W 1.959 berada di antara du 1.802 dan 4-du 2.198 atau 1.802 1.959 2.198. Dengan demikian dapat disimpulkan bahwa model regresi
tidak mengalami gejala autokorelasi, sehingga pengujian dapat dilanjutkan.
d. Uji Heterokedastisitas
Uji heteroskedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke
pengamatan yang lain. Model regresi yang baik adalah yang tidak terjadi heterokedastisitas. Pengujian heterokedastisitas dilakukan
dengan menggunakan grafik scatterplot antara nilai prediksi variabel terikat, dalam hal ini adalah manajemen laba ML, yaitu ZPRED
dengan residualnya SRESID.
Universitas Sumatera Utara
Gambar 4.5 Grafik Plot Uji Heteroskedastisitas
Grafik di atas menunjukkan bahwa dalam model regresi tidak terdapat gejala heteroskedastisitas. Hal ini dapat dilihat dari persebaran
titik-titik yang terjadi secara tidak teratur dan tidak membentuk pola tertentu, serta titik-titik tersebut menyebar di atas dan di bawah angka
nol sumbu Y. Dari pengamatan tersebut dapat disimpulkan bahwa tidak terjadi gejala heteroskedastisitas dan pengujian dapat dilanjutkan.
Universitas Sumatera Utara
3. Analisis regresi
