analisis grafik histrogram dan dengan melihat normal probability plot. Dasar pengambilan keputusan :
1. Jika data menyebar di sekitar garis diagonal dan mengikuti arah
garis diagonal atau grafik histrogramnya menunjukan pola distribusi normal, maka model regresi memenuhi asumsi
normalitas. 2.
Jika data menyebar jauh dari diagonal atau grafik histrogram dan atau mengikuti arah garis diagonal atau grafik histrogram
tidak menunjukan pola distribusi normal, maka model regresi tidak memenuhi asumsi normalitas.
Gambar 1. Normal probability Plot
Tabel III. Uji Normalitas dengan Kolmogorov Smirnov
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 162
Normal Parameters
a
Mean .0000000
Std. Deviation .42249636
Most Extreme Differences Absolute
.087 Positive
.087 Negative
-.050 Kolmogorov-Smirnov Z
1.107 Asymp. Sig. 2-tailed
.172 a. Test distribution is Normal.
Berdasarkan uji normalitas dengan Kolmogorov-Smirnov Test diperoleh nilai KSZ sebesar 1,107 dan Asymp.sig. sebesar 0,172 lebih besar dari 0,05 maka
dapat disimpulkan data berdistribusi normal.
b. Uji Multikolinearitas
Tabel IV. Hasil Uji Multikolinearitas
Multikolinearitas adalah suatu keadaan dimana variabel independen yang satu dengan yang lain dalam model regresi berganda tidak saling
berhubungan secara linear. Untuk mengetahui ada tidaknya gejala multikolinearitas dapat
dilihat dari besarnya nilai Tolerance dan VIF Variance Inflation Factor melalui program SPSS 16 for windows.
Berdasarkan Tabel di atas, semua variabel dependen tersebut memiliki VIF 5, maka tidak terdapat adanya gejala multikolinearitas
pada persamaan regresi linear berganda ini.
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity
Statistics B
Std. Error Beta
Tolerance VIF
1 Constant
.188 .070
2.684 .008
NPM .013
.004 .225
2.847 .005
.896 1.116
DER -.052
.045 -.089
-1.139 .257
.926 1.080
SALES_GRWT H
.169 .073
.177 2.313
.022 .962
1.039 a. Dependent Variable: RETURN
c. Uji Autokorelasi
Autokorelasi menunjukkan adanya kondisi yang berurutan antara gangguan atau distribusi yang masuk dalam regresi. Uji autokorelasi
bertujuan untuk menguji apakah pada model regresi ditemukan adanya korelasi antar kesalahan pengganggu pada periode t dengan kesalahan
periode t-1
Tabel V. Hasil Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .338
a
.114 .097
.42649 1.817
a. Predictors: Constant, SALES_GRWTH, DER, NPM b. Dependent Variable: RETURN
Dari hasil pengolahan mengunakan SPSS 16 for windows dapat diketahui bahwa nilai Durbin-Watson adalah sebesar 1,817 nilai ini akan
dibandingkan dengan nilai tabel signifikansi 5, dengan n=162 dan jumlah variabel independent K=3 dL= 1,7055 dU= 1,7809.
Nilai DW 1,817 lebih besar dari batas atas du yakni 1,7809 dan kurang dari 4 - du 4 - 1,7809 = 2,2191 dapat disimpulkan bahwa tidak
terdapat autokorelasi.
