diagonal dan mengikuti arah garis diagonal. Hal ini menunjukkan bahwa data berdistribusi normal.
Berdasarkan uji Kolmogorov-Smirnov jika nilai Asymp.sig 2-tailed taraf nyata
α = 0,05 maka data residual berdistribusi normal. Sebaliknya, jika nilai Asymp.sig 2-tailed taraf nyata
α = 0,05 maka residual tidak berdistribusi normal. Pada Tabel 4.5 terlihat bahwa nilai Asymp.sig 2-tailed
adalah sebesar 0,390 lebih besar dari taraf nyata α = 0,05. Dengan demikian
dapat disimpulkan bahwa data telah berdistribusi normal.
2. Uji Asumsi Klasik
a. Uji Multikolinearitas Uji multikolinearitas bertujuan untuk menguji apakah di dalam model
regresi linier ditemukan adanya korelasi yang tinggi diantara variabel bebas Independent Variabel. Multikolinearitas dapat dilihat dari nilai
Variance Inflation Factor VIF.
Tabel 4.6 Multikolinearitas
Coeffi cients
a
9.214 2.018
4.567 .000
.064 .032
.276 2.020
.049 .996
1.004 -.087
.037 -.318
-2. 327 .025
.996 1.004
Const ant W CT
DA R Model
1 B
St d. E rror Unstandardized
Coeffic ients Beta
St andardiz ed Coeffic ients
t Sig.
Tolerance VIF
Collinearity Statistics
Dependent Variable: Rentabilitas_ek onomi a.
Sumber: Hasil olahan SPSS, 11 Februari 2010
Tabel 4.6 menunjukkan tidak adanya gejala multikolinearitas, dimana hasil uji VIF Variance Inlation Factor menentukan nilai kurang dari 10
VIF10. Hal ini dapat dilihat dari semua variabel bebas yang mempunyai nilai VIF 10.
Universitas Sumatera Utara
b. Uji Autokorelasi Uji autokorelasi dilakukan untuk menguji apakah pada model regresi
terdapat korelasi kesalahan pengganggu pada periode t dan kesalahan pengganggu pada periode sebelumnya t-1. Penelitian ini pada mulanya
menggunakan Durbin-Watson Test untuk mendeteksi gejala autokorelasi
.
Hasil pengujiannya dapat dilihat pada Tabel 4.7 dan kriteria pengambilan keputusanny dapat dilihat pada Tabel 4.8 berikut ini:
Tabel 4.7 Uji Durbin-Watson
Model Summary
b
.407
a
.165 .128
4.892754 1.041
Model 1
R R Square
Adjusted R Square
Std. Error of the Estimate
Durbin- Watson
Predictors: Constant, DAR, WCT a.
Dependent Variable: Rentabilitas _ekonomi b.
Sumber: Hasil olahan SPSS, 11 Februari 2010
Tabel 4.8 Kriteria Pengambilan Keputusan Uji Autokorelasi
Hipotesis Nol Keputusan
Jika
Tidak ada autokorelasi positif Tolak
0 d dl Tidak ada autokorelasi positif
No decision dl
≤ d ≤ du Tidak ada korelasi negatif
Tolak 4-dl d du
Tidak ada korelasi negatif No decision
4-du ≤ d ≤ 4-dl
Tidak ada autokorelasi positif atau negatif
Tidak ditolak du d 4-du
Sumber: Ghozali 2005: 96
Tabel 4.7 menunjukkan bahwa hasil Durbin-Watson DW adalah sebesar 1,041 dengan nilai dl=1.462 dan du=1,628. Nilai DW berada pada
daerah ditolak yaitu diantara nilai 0 dan dl yang artinya terjadi autokorelasi pada model regresi. Oleh karena itu, pada penelitian ini uji Durbin-Watson
tidak dapat digunakan dan akan digunakan uji autokorelasi yang lain.
Universitas Sumatera Utara
Menurut Ghozali 2005:96 terdapat beberapa cara untuk mendeteksi masalah autokorelasi, yaitu: DW Test, LM Test, uji Statistik Q: Box Pierce
dan Ljung Box, serta Run Test. Penelitian ini akhirnya menggunakan uji Statistik Q untuk menguji ada tidaknya autokolerasi. Kriteria pengambilan
keputusan dalam uji Statistik Q yaitu Situmorang, 2008:95: a
Jika jumlah lag yang signifikan lebih dari dua maka data tidak terkena autokorelasi.
b Jika jumlah lag yang signifikan kurang dari dua maka data terkena
autokorelasi. Dari Tabel 4.9 bagian Sig. terlihat bahwa nilai lag yang signifikan
sig0,05 lebih dari dua. Dengan demikian dapat disimpulkan bahwa data tidak terkena autokorelasi.
Tabel 4.9
Autocorre lations
Series : Unstandardized Residual
.369 .138
7.114 1
.008 .079
.137 7.444
2 .024
.062 .135
7.653 3
.054 .149
.134 8.893
4 .064
.073 .132
9.196 5
.102 -.053
.131 9.361
6 .154
-.052 .129
9.524 7
.217 -.111
.127 10.278
8 .246
-.024 .126
10.315 9
.326 .021
.124 10.343
10 .411
.021 .122
10.372 11
.497 -.222
.121 13.766
12 .316
-.126 .119
14.883 13
.315 -.065
.117 15.188
14 .365
-.114 .115
16.162 15
.371 -.092
.114 16.815
16 .398
Lag 1
2 3
4 5
6 7
8 9
10 11
12 13
14 15
16 Autocorrel
ation St d. E rror
a
Value df
Sig.
b
Box-Ljung Stat istic
The underlying proc ess ass umed is independence white noise.
a. Based on t he asymptotic c hi-square approx imation.
b.
Sumber : Hasil output SPSS, 11 Februari 2010
Universitas Sumatera Utara
c. Uji Heterokedastisitas Heterokedastisitas terjadi karena perubahan situasi yang tidak
tergambarkan dalam spesifikasi model regresi. Dengan kata lain, heterokedastisitas terjadi jika residual tidak memiliki varian yang konstan.
Pemeriksaan terhadap gejala Heterokedastisitas adalah dengan melihat pola diagram pencar Scatter Plot yaitu grafik yang merupakan diagram
pencar residual, yaitu selisih antara nilai Y prediksi dan Y observasi. 1
Model Grafik Hipotesis :
a Jika diagram pencar yang ada membentuk pola-pola tertentu yang
teratur maka regresi mengalami gangguan heterokedastisitas. b
Jika diagram pencar tidak membentuk pola tertentu atau acak maka regresi tidak mengalami gangguan heterokedastisitas.
Regression Standardized Predicted Value
4 3
2 1
-1 -2
R e
g r
e s
s io
n S
tu d
e n
ti z
e d
R e
s id
u a
l
3 2
1
-1 -2
-3
Scatterplot Dependent Variable: Rentabilitas_ekonomi
Gambar 4.5 : Scatterplot Sumber: Hasil olahan SPSS, 11 Februari 2010
Universitas Sumatera Utara
Berdasarkan Gambar 4.5 dapat dilihat bahwa titik-titik grafik Scatterplot tidak membentuk pola dan menyebar secara acak. Dengan
demikian dapat disimpulkan bahwa regresi tidak mengalami gangguan heterokedastisitas.
2 Model Glejser Menentukan kriteria keputusan :
a Jika nilai signifikansi 0,05 maka data tidak mengalami gangguan
heterokedastisitas. b
Jika nilai signifikansi 0,05 maka data mengalami gangguan heterokedastisitas.
Tabel 4.10 Uji Glejser
Coeffi cients
a
4.237 1.330
3.186 .003
-.007 .021
-.052 -.346
.731 -.012
.025 -.075
-.501 .619
Const ant W CT
DA R Model
1 B
St d. E rror Unstandardized
Coeffic ients Beta
St andardiz ed Coeffic ients
t Sig.
Dependent Variable: Absut a.
Sumber: Hasil olahan SPSS, 11 Februari 2010
Tabel 4.10 menunjukkan bahwa signifikansi setiap variabel bebas lebih besar dari 0,05. Maka dapat disimpulkan bahwa tidak terjadi gangguan
heterokedastisitas.
3. Analisis Regresi Linear Berganda
