69
2. Uji Asumsi Klasik i Uji Multikolinearitas
Uji multikolinearitas dilakukan dengan melihat nilai Variance inflation Factor
VIF tiap variabel independen. Apabila nilai VIF 10, maka dapat disimpulkan telah terjadi multikolinearitas, sedangkan bila nilai VIF 10, berarti
tidak terjadi multikolinearitas dalam model tersebut. Pengujian multikolinearitas pada model regresi tersebut terlihat pada tabel
4. 15 dengan hasil sebagai berikut :
Tabel 4. 15 Hasil Multikolinearitas
Colinearity Statistic Tolerance
VIF Kesimpulan
DA .982
1.018 Tidak ada mulikolinearitas
Quick Ratio .868
1.152 Tidak ada mulikolinearitas
SGRO .871
1.148 Tidak ada mulikolinearitas
Tabel 4. 15 di atas menunjukkan bahwa nilai VIF untuk variabel Discretionary accruals
DA adalah 1.018 yang lebih kecil dari 10, sehingga dapat disimpulkan tidak terjadi multikolinearitas pada variabel ini. Nilai VIF
untuk variabel Quick Ratio adalah 1.152 yang juga lebih kecil dari 10, sehingga dapat disimpulkan pada variabel Quick Ratio tidak terjadi multikolinearitas pada
variabel Quick Ratio ini. Untuk variabel Sales growth SGRO Nilai VIF adalah 1.148 sehingga dapat disimpulkan pada variabel Sales growth SGRO pun tidak
terjadi multikolinearitas.
70
b Uji Autokorelasi
Untuk mendeteksi autokorelasi dalam penelitian ini digunakan uji Durbin Watson DW. Jika nilai DW mendekati atau berada di sekitar angka 2 maka
model regresi tersebut bebas dari autokorelasi. Pengujian autokorelasi pada model regresi tersebut terlihat pada tabel
4. 16 dengan hasil sebagai berikut :
Tabel 4.16 Hasil Durbin Watson
Durbin - Watson Kesimpulan
2.028 Tidak ada autokorelasi
Pada output tersebut diperoleh nilai Durbin watson 2,028. Langkah selanjutnya adalah melakukan uji menggunakan tabel batas bawah dI dan batas
atas du untuk mengetahui daerah autokorelasi dari nilai Durbin Watson. Hasil uji autokorelasi dengan Durbin Watson menunjukkan angka 2,028,
dan batas bawah dI dan batas atas du dari tabel terlihat. Dengan jumlah variabel bebas k = 3, dengan jumlah sampel n = 30, maka dI = 1,21, dan du =
1,65. Berdasarkan uji di atas tampak bahwa nilai Durbin Watson hitung 2,028 terletak di daerah No autocorrelation sehingga dapat disimpulkan bahwa model
regresi linier berganda terbebas dari asumsi klasik statistik autokorelasi.
c Uji Heteroskedastisitas
Untuk mendeteksi gejala heteroskedastisitas pada model regresi dilihat pola gambar Scatterplot. Model regresi dikatakan bebas dari heteroskedastisitas
71 jika pola Scatterplot yang berupa titik-titik menyebar di atas dan di bawah atau di
sekitar angka nol.
Tabel 4. 17 Hasil Scatterplot
-2 -1
1 2
Regression Standardized Predicted Value
-4 -2
2 4
R eg
re ss
io n
S tu
de nt
iz ed
R es
id ua
l
Dependent Variable: ROA Scatterplot
Pola titik-titik pada Scatterplot di atas menunjukkan pola yang menyebar di atas dan di bawah angka 0. Sehingga dapat disimpulkan bahwa model regresi
bebas dari gejala heteroskedastisitas.
d Uji Signifikansi 1.
Goodness of Fit
Goodness of Fit digunakan untuk mengukur ketepatan fungsi regresi
sampel dalam menaksir nilai aktual. Secara statistik Goodness of Fit dapat diukur dari nilai koefisien determinasi R
2
. Nilai R
2
pada intinya mengukur seberapa
72 jauh kemampuan model dalam menerangkan variasi variabel dependen Ghozali,
2001. Goodness of Fit
pada model regresi tersebut terlihat pada tabel 4. 18 dengan hasil sebagai berikut :
Tabel 4. 18 Hasil Model Summary
Model Summaryb
Model R
R Square Adjusted R
Square Std. Error of
the Estimate 1
.323a .105
.001 2.15442
a Predictors: Constant, SGRO, DA, QUICKRATIO b Dependent Variable: ROA
Tabel 4. 18 di atas menunjukkan nilai adjusted R square
sebesar 0,001. artinya 0,1 Variabel dependen ∆ ROA dijelaskan oleh variabel independen, DA,
Quick Ratio , SGRO, dan sisanya 99,9 100-0,1 dijelaskan oleh variabel
lain di luar variabel yang digunakan.
2. Uji F-test
Kategori