mendekati 1, dapat disimpulkan bahwa asumsi adanya multikolinearitas ditolak. Hasil analisis multikolinearitas selengkapnya dapat dilihat pada tabel berikut
ini.
Tabel 4.5 Hasil Uji Multikolinearitas
Coefficients
a
Model Collinearity Statistics
Tolerance VIF
1 LOG10_CATA
,974 1,027
LOG10_CLTA ,974
1,027 a. Dependent Variable: LOG10_ROA
Berdasarkan hasil penelitian diperoleh nilai VIF dan tolerance untuk variabel aggressive investing variable CATA dan aggressive financing
variable CLTA berada dibawah 10 dan nilai tolerance 0,10 yang berarti
tidak ada ditemukan gejala multikolinearitas antara variabel independen.
c. Uji
Heteroskedastisitas
Uji heterokedastisitas bertujuan untuk melihat apakah dalam model regresi terjadi ketidaksamaan variabel dari residual suatu pengamatan ke
pengamatan lain. Model regresi yang baik adalah tidak terjadi heterokedastisitas. Menurut Nugroho 2005:62 cara memprediksi ada tidaknya
Universitas Sumatera Utara
heteroskedastisitas pada suatu model dapat dilihat dari pola gambar grafik Scatterplot
yang menyatakan model regresi linear berganda tidak terdapat heterokedastisitas jika :
1. titik-titik data menyebar di atas dan di bawah atau di sekitar angka 0,
2. titik-titik data tidak mengumpul hanya di atas atau di bawah saja,
3. penyebaran titik-titik data tidak boleh membentuk pola bergelombang
melebar kemudian menyempit dan melebar kembali,
Gambar 4.3 Hasil Uji Heterokedastisitas
Universitas Sumatera Utara
Terlihat dari gambar 4.3 diatas, titik-titik tersebar secara tidak beraturan, sehingga dapat disimpulkan bahwa tidak ditemukan gejala heterokedastisitas.
d. Uji Autokolerasi
Uji ini bertujuan untuk melihat apakah dalam suatu model regresi linear ada kolerasi antara kesalahan penggangguan pada periode dengan kesalahan
pada periode t-1. Untuk mendeteksi maasalah autokolerasi adalah dengan menggunakan nilai uji Durbin Watson D-W.
Tabel 4.6 Hasil Uji Autokolerasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 ,330
a
,109 ,084
,54721 2,183
a. Predictors: Constant, CL TA, CA TA b. Dependent Variable: ROA
Tabel 4.6 dapat dilihat bahwa nilai DW sebesar 2,183 pada tingkat signifikansi 0,05 dengan jumlah sampel N 75, dan jumlah variabel
independen 2 k = 2, memberikan niali dU batas atas 1,6802 dan nilai dL batas bawah 1,5709. Nilai DW lebih besar dari pada nilai dU dan kurang dari
4- dU 4 – 1,68, maka dapat disimpulkan bahwa tidak terjadi autokolerasi.
Universitas Sumatera Utara
4.2.3 Model Analisis Regresi Berganda
Melalui hasil pengujian asumsi klasik dapat disimpulkan bahwa model regresi yang dipakai dalam penelitian telah memenuhi estimasi yang layak untuk
dilakukan analisis regresi.
a. Regresi
Linier Berganda
Dalam pengelolahan data dengan regresi linier berganda, dilakukan beberapa tahap untuk mencari hubungan antara variabel independen dengan
variabel dependen, melalui pengaruh Log10_X1 CATA dan Log10_X2 CLTA terhadap Log10_Y ROA. Hasil regresi linier berganda dapat dilihat
pada tabel 4.7 berikut ini :
Tabel 4.7 Hasil Analisis Regresi Berganda
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. B
Std. Error Beta
1 Constant
-1,120 ,165
-6,800 ,000
LOG10_CATA 1,105
,417 ,299
2,653 ,010
LOG10_CLTA -,400
,231 -,196
-1,737 ,087
a. Dependent Variable: LOG10_ROA
Berdasarkan tabel diatas, maka diperoleh regresi berganda sebagai berikut:
e X
X Y
2 1
400 ,
105 ,
1 120
, 1
Universitas Sumatera Utara
Keterangan: 1.
Konstanta a sebesar -1,120 menyatakan bahwa jika variabel independen dianggap konstan, maka ROA sebesar -1,120.
2. Koefisien X1 sebesar 1,105 menunjukkan apabila terjadi
perubahan variabel aggressive investing variable CATA sebesar 1 satuan akan meningkatkan ROA sebesar 1,105.
3. Koefisien X2 sebesar -0,400 menunjukkan apabila terjadi
perubahan variabel aggressive financial variable CLTA sebesar 1 satuan akan meningkatkan ROA sebesar -0,400.
b. Koefisien Determinasi