58
Grafik histogram pada gambar 4.1 menunjukkan bahwa data telah terdistribusi secara normal karena distribusi data mengikuti garis diagonal
yang tidak menceng skewness kiri maupun menceng ke kanan.
Gambar 4.2 Uji Normalitas Grafik P-Plot
Pada grafik P-P Plot pada gambar 4.2 diatas menunjukkan bahwa data titik menyebar di sekitar garis diagonal. Hal ini menunjukkan bahwa data
telah terdistribusi secara normal. Dari hasil uji normalitas dalam seluruh tahap, dapat disimpulkan
bahwa semua variabel dalam penelitian ini berdistribusi normal dan dapat melanjutkan pengujian asumsi klasik lainnya.
4.2.2 Uji Multikoliniearitas
Uji multikolinearitas dilakukan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas independen ada tidaknya
gejala multikoliniearitas dilihat dengan menganalisa koefisen Variance
Universitas Sumatera Utara
59
Inflaction Factor VIF dan nilai Tolerance. Gangguan multikolinearitas tidak terjadi jika VIF dibawah 10.
Tabel 4.4 Hasil Uji Multikolinearitas
Sumber : hasil olahan software spss Perhatikan bahwa berdasarkan Tabel 4.4 nilai VIF dari variabel arus
kas operasi adalah 1,280, nilai VIF dari variabel arus kas investasi adalah 1,084, nilai VIF dari variabel arus kas pendanaan adalah 1,211, nilai VIF
dari EVA 1,456, dan nilai VIF dari Divident Payout Ratio adalah 1,799. Karena masing-masing nilai VIF tidak lebih besar dari 10, maka tidak
terdapat gejala multikolinearitas yang berat, dengan kata lain, tidak terjadi korelasi antara variabel bebas yang begitu signifikan secara statistik pada
tingkat signifikansi 5.
4.2.3 Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan
kesalahan pada periode t-1 Ghozali, 2006. Untuk mengetahui ada atau tidaknya autokorelasi digunakan uji Durbin Watson dengan asumsi jika nilai
statistik Durbin-Watson -2 sd +2, maka asumsi independensi terhadap residual non-autokorelasi terpenuhi. Sebaliknya, bila nilai statistik Durbin-
Universitas Sumatera Utara
60
Watson -2 atau 2, berarti asumsi independensi terhadap residual non- autokorelasi tidak terpenuhi.
Tabel 4.5 Hasil Uji Autokorelasi
Sumber : hasil olahan software SPSS Berdasarkan Tabel 4.5, nilai dari statistik Durbin-Watson adalah
1,881. Perhatikan bahwa karena nilai statistik Durbin-Watson terletak di antara -2 dan +2, maka asumsi non-autokorelasi terpenuhi. Dengan kata
lain, tidak terjadi gejala autokorelasi yang tinggi pada residual.
4.2.4 Uji Heterokedastisitas
Uji heterokedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan varian dari residual satu pengamatan ke pengamatan
yang lain. Jika varian dari residual satu pengamatan ke pengamatan yang lain tetap, maka disebut homoskedastisitas dan jika berbeda akan disebut
heteroskedastisitas. Model regresi yang baik adalah model yang tidak terjadi heteroskedastisitas.
Deteksi ada tidaknya heteroskedastisitas dapat dilakukan dengan melihat ada tidaknya pola tertentu pada grafik scatter plot antara SRESID
pada sumbu Y, dan ZPRED pada sumbu X.Field, 2009:230, Ghozali, 2011:139. Field 2009:248, Ghozali, 2011:139 menyatakan dasar analisis
adalah jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur bergelombang, melebar, kemudian menyempit, maka
Universitas Sumatera Utara
61
mengindikasikan telah terjadi heteroskedastisitas. Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y,
maka tidak terjadi heteroskedastisitas.
Gambar 4.3 Uji Heterokedastisitas
Sumber : Hasil Olahan Software SPSS Perhatikan bahwa berdasarkan Gambar 4.3, tidak terdapat pola yang
begitu jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.
4.3 Pengujian Hipotesis
