Uji Regresi ANALISIS HASIL PENELITIAN

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