Hasil Uji Autokorelasi Hasil Uji Heteroskedastisitas

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

Dokumen yang terkait

Pengaruh Laba Bersih dan Laba Kotor Terhadap Arus Kas di Masa Mendatang pada Perusahaan Property dan Real Estate di Bursa Efek Indoensia Periode 2011-2015.

0 6 26

Pengaruh Laba Kotor dan Laba Bersih dalam Memprediksi Arus Kas di Masa Mendatang (Studi Kasus pada Perusahaan Manufaktur yang Terdaftar di Bursa Efek Indonesia Periode 2011-2014).

0 2 27

Pengaruh Laba Kotor dan Laba Bersih dalam Memprediksi Arus Kas di masa Mendatang: Studi Empiris pada Perusahaan Food and Beverages yang Terdaftar di Bursa Efek Indonesia Periode 2010-2011.

0 1 35

PENGARUH LABA KOTOR, LABA OPERASI, LABA BERSIH DAN ARUS KAS UNTUK MEMPREDIKSI ARUS KAS DI MASA MENDATANG PADA PERUSAHAAN FOOD & BEVERAGES YANG TERDAFTAR DI BURSA EFEK INDONESIA).

0 1 95

PENGARUH LABA DAN ARUS KAS DALAM MEMPREDIKSI LABA DAN ARUS KAS DI MASA MENDATANG PADA PERUSAHAAN OTOMOTIF DI BURSA EFEK INDONESIA.

0 1 118

KEMAMPUAN LABA DAN ARUS KAS DALAM MEMPREDIKSI LABA DAN ARUS KAS MASA MENDATANG - Diponegoro University | Institutional Repository (UNDIP-IR)

0 0 63

BAB II TINJAUAN PUSTAKA 2.1 Tinjauan Pustaka 2.1.1 Informasi Akuntansi - Pengaruh Laba Kotor Dan Laba Bersih Dalam Memprediksi Arus Kas Di Masa Mendatang Studi Kasus Pada PT. Swarnadwipa Serdangjaja

0 0 24

Pengaruh Laba Kotor Dan Laba Bersih Dalam Memprediksi Arus Kas Di Masa Mendatang Studi Kasus Pada PT. Swarnadwipa Serdangjaja

0 0 12

PENGARUH LABA DAN ARUS KAS DALAM MEMPREDIKSI LABA DAN ARUS KAS DI MASA MENDATANG PADA PERUSAHAAN OTOMOTIF DI BURSA EFEK INDONESIA SKRIPSI

0 0 22

PENGARUH LABA KOTOR, LABA OPERASI, LABA BERSIH DAN ARUS KAS UNTUK MEMPREDIKSI ARUS KAS DI MASA MENDATANG PADA PERUSAHAAN FOOD BEVERAGES YANG TERDAFTAR DI BURSA EFEK INDONESIA

0 1 19