b. Uji Multikolinieritas
Uji multikolonieritas bertujuan untuk menguji apakah model regresi ditemukan adanya kolerasi antar variabel bebas independen. Model regresi yang
baik seharusnya tidak terjadi korelasi di antara variabel independen. Jika variabel independen saling berkolerasi, maka variabel ini tidak ortogonal. Variabel
ortogonal adalah variabel independen yang nilai kolerasi antar sesama variabel independen sama dengan nol. Untuk mendeteksi ada atau tidaknya
multikolonieritas di dalam model regresi adalah sebagai berikut : a Nilai R2 yang dihasilkan oleh suatu estimasi model regresi empiris sangat
tinggi, tetapi secara individual variabel-variabel independen banyak yang tidak signifikan mempengaruhi variabel dependen.
b Menganalisis matrik kolerasi variabel-variabel independen. Jika antar variabel independen ada korelasi yang cukup tinggi umumnya di atas
0.90, maka hal ini merupakan indikasi adanya multikolonieritas. Tidak adanya korelasi yang tinggi antar variabel independen tidak berarti bebas
dari multikolonieritas. Multikolonieritas dapat disebabkan karena adanya efek kombinasi dua atau lebih variabel independen.
c Multikolonieritas dapat juga dilihat dari 1 nilai tolerance dan lawannya 2 variance inflation factor VIF. Kedua ukuran ini menunjukkan
setiapvariabel independen manakah yang dijelaskan oleh variabel independen lainnya. Dalam pengertian sederhana setiap variabel
independen menjadi variabel dependen terikat dan diregres terhadap variabel independen lainnya. Tolerance mengukur variabilitas variabel
independen yang terpilih yang tidak dijelaskan oleh variabel independen lainnya. Jadi nilai tolerance yang rendah sama dengan nilai VIF tinggi
karena VIF = 1 Tolerance. Nilai cuttof yang umum dipakai untuk menunjukkan adanya multikolonieritas adalah nilai Tolerance 0.10 atau
sama dengan nilai VIF 10. Berikut adalah tabel hasil uji multikolinieritas
Tabel 4.9 Hasil Uji Multikolinieritas
Berdasarkan tabel diatas nilai tolerance untuk masing-masing variabel : 1. Nilai tolerance Likuiditas, 0,910 0,10
2. Nilai tolerance Tingkat kecukupan modal, 0,910 0,10 Maka dapat disimpulkan tidak terjadi multikolinieritas antara variabel bebas
Likuiditas dan Tingkat kecukupan modal. Berdasarkan tabel diatas diperoleh VIF untuk masing-masing variabel :
1. VIF variabel Likuiditas, 1.098 10
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients t
Sig. Collinearity Statistics
B Std. Error
Beta Tolerance
VIF 1 Constant
.208 .585
.356 .724
Likuiditas .041
.038 .186
1.075 .290
.910 1.098
Tingkat Kecukupan
Modal .042
.036 .204
1.177 .248
.910 1.098
a. Dependent Variable : ROI
2. VIF variabel Tingkat kecukupan modal, 1.098 10 Maka dapat disimpulkan tidak terjadi multikolinieritas antar variabel bebas yaitu
Likuiditas dan Tingkat kecukupan modal, artinya bahwa diantara variabel bebas Likuiditas dan Tingkat kecukupan modal tidak terdapat korelasi yang cukup kuat
antara sesama variabel bebas dan data layak digunakan untuk analisis regresi berganda.
c. Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang
lain. Jika variance dari residual satu pengamatan ke pengamatan lain tetap, maka disebut
homoskedastisitas. Model
regresi yang
baik adalah
yang homoskedastisitas atau tidak terjadi heteroskedastisitas. Pendekatan statistik yang
digunakan untuk menguji asumsi bebas heterokedastistas dalam penelitian ini adalah uji Korelasi rank Spearman. Uji Korelasi rank Spearman dilakukan dengan
mengkorelasikan masing-masing variabel bebas terhadap nilai absolut dari residual. Jika ada varaibel bebas yang signifikan hubungannya dengan nilai
residual berarti terdapat kondisi tidak homogenya nilai varians kesalahan model terjadi heterokedastisitas.
Cara lain yang digunakan untuk mendeteksi ada atau tidaknya heteroskedastisitas dengan melihat grafik plot antara nilai prediksi variabel terikat
dependen yaitu ZPRED dengan residualnya SRESID. Deteksi ada tidaknya pola tertentu pada grafik scatterplot antara SRESID dan ZPRED dimana sumbu Y
adalah Y yang diprediksi, dan sumbu X adalah residual Y prediksi – Y