c. Uji Kolmogorov – Smirnov
Tabel 4.2 Hasil Uji Kolmogorov-Smirnov
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 17
Normal Parameters
a,,b
Mean .0000000
Std. Deviation 1.14092885
Most Extreme Differences Absolute
.113 Positive
.113 Negative
-.092 Kolmogorov-Smirnov Z
.466 Asymp. Sig. 2-tailed
.982 a. Test distribution is Normal.
b. Calculated from data.
Sumber : Data Sekunder yang diolah Dari hasil spss diatas diperoleh nilai Asymp. Sig sebesar 0.982 0.05
maka dapat disimpulkan bahwa data ini memiliki distribusi normal.
4.3.2 Hasil Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam suatu model regresi linier terdapat korelasi antara kesalahan pengganggu pada periode t
dengan kesalahan pengganggu pada periode t-1 sebelumnya. Jika terjadi korelasi maka dinamakan ada problem autokorelasi. Autokorelasi muncul
karena observasi yang berurutan sepanjang waktu berkaitan satu sama lain. Masalah ini timbul karena residual kesalahan pengganggu tidak bebas dari
satu observasi ke observasi yang lainnya, hal ini sering ditemukan pada data
runtut waktu atau times series karena “gangguan” pada seseorang individu atau kelompok cenderung mempengaruhi “gangguan” pada individu atau
kelompok yang sama pada periode berikutnya Ghozali, 2006 ; hal 95. Salah satu alat uji statistik yang dapat digunakan untuk mendeteksi ada
tidaknya autokorelasi adalah uji statistik run test. Suatu persamaan regresi dikatakan terbebas autokorelasi jika hasil uji statistik run testnya tidak
signifikan atau diatas 0,05 Ghozali, 2006; hal 104. Pengambilan keputusan pada uji run test didasarkan pada acak tidaknya data. Apabila data bersifat
acak, maka dapat diambil kesimpulan bahwa data tidak terkena autokorelasi. Menurut Ghozali 2006 ; hal 96, acak tidaknya data mempunyai batasan sbb :
• Apabila nilai probabilitas ≥ α = 0,05 maka observasi terjadi secara acak. • Apabila nilai probabilitas ≤ α = 0,05 maka observasi terjadi secara tidak
acak.
Tabel 4.3 Hasil Uji Autokorelasi Arus Kas
Runs Test
Unstandardized Residual
Test Value
a
-.14103 Cases Test Value
8 Cases = Test Value
9 Total Cases
17 Number of Runs
10 Z
.015 Asymp. Sig. 2-tailed
.988 a. Median
Sumber : Data Sekunder yang diolah Hasil output SPSS pada tabel 4.3 di atas menunjukkan bahwa nilai
probabilitas adalah
0.988
. Karena nilai probabilitas lebih besar dari
0,05
. maka
dapat disimpulkan bahwa data residual terjadi secara acak random atau tidak terjadi autokorelasi antar nilai residual.
4.3.3 Hasil Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan
yang lain. Jika variance dari residual satu pengamatan ke pengamatan yang lain tetap,
maka homoskedastisitas dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik adalah yang homoskedastisitas
atau tidak terjadi heteroskedastisitas. Ada beberapa cara untuk mendeteksi ada atau tidaknya heteroskedastisitas.
Salah satunya adalah dengan melihat grafik plot antara nilai prediksi variabel terikat dependen yaitu ZPRED dengan residualnya SRESID. Deteksi ada
tidaknya heteroskedastisitas dapat dilakukan dengan melihat ada tidaknya pola tertentu pada grafik scatterplot antara SRESID dan ZPRED dimana sumbu Y
adalah Y yang telah diprediksi, dan sumbu X adalah residual. Jika ada pola tertentu, misal seperti titik-titik yang membentuk pola
tertentu yang teratur bergelombang, melebar kemudian menyempit, maka hal itu 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. Hasil output spss sebagai berikut.
Gambar 4.3 Hasil Uji Heteroskedastisitas Arus Kas
Sumber : Data Sekunder yang diolah Dari hasil spss diatas jelas terlihat titik-titik menyebar tidak membentuk
suatu pola tertentu dan titik – titik berada dibawah dan diatas titik 0 sumbu Y sehingga data ini tidak terjadi heterokedasitas.
Analisis dengan grafik plots memiliki kelemahan yang cukup signifikan karena hasil ploting dipengaruhi juga oleh jumlah pengamatan. Oleh karena
itu, diperlukan uji statistik yang lebih dapat menjamin keakuratan hasil. Salah satu uji statistik yang dapat digunakan untuk mendeteksi ada tidaknya
heteroskedastisitas adalah dengan menggunakan uji Park. Hasil spss sebegai berikut.
Tabel 4.4 Hasil Uji Park
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error
Beta 1
Constant .197
8.570 .023
.982 lnLk
.352 .706
.252 .498
.626 lnLb
-.415 .469
-.448 -.885
.391 a. Dependent Variable: lneires
Sumber : Data Sekunder yang diolah Apabila pada hasil output SPSS koefisisen parameter beta dari persamaan
regresi tersebut signifikan secara statistik, hal ini menunjukkan bahwa dalam data model empiris yang diestimasi terdapat heteroskedastisitas. Maka dari
hasil spss diatas dapat kita interpretasikan bahwa pada data ini tidak terjadi Heterokesdasitas karena nila sig variaebel laba kotor sebesar
0.626 0.05
dan nilai sig. variabel laba bersih sebesar
0.391 0.05
keduanya tidak signifikan secara statistik.
4.3.4 Hasil Uji Multikolinieritas