Hasil Uji Heteroskedastisitas Uji Autokorelasi

2.1.4 Uji Statistik

Tabel 4.3 Uji Normalitas One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 43 Normal Parameters a Mean .0000000 Std. Deviation 1.37485763 Most Extreme Differences Absolute .101 Positive .074 Negative -.101 Kolmogorov-Smirnov Z .664 Asymp. Sig. 2-tailed .771 a. Test distribution is Normal. Sumber: Lampiran vi Hasil uji Kolmogorov-Smirnov pada penelitian ini menujukkan probabilitas = 0.661. Dengan demikian, data pada penelitian ini berdistribusi normal dan dapat digunakan untuk melakukan uji hipotesis karena 0.771 0,05.

2.2 Hasil Uji Heteroskedastisitas

Uji Heteroskedastisitas bertujuan untuk menguji terjadinya perbedaan variance residual suatu periode pengamatan ke periode yang lain. Uji Heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Model regresi yang baik adalah tidak terjadi heteroskedastisitas. Cara mendeteksi ada tidaknya gejala heteroskedastisitas adalah dengan melihat grafik scatterplott yang dihasilkan dari pengolahan data menggunakan program SPSS 16. Dasar pengambilan keputusannya adalah sebagai berikut: 2.2.1 Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur maka mengindikasikan telah terjadi heteroskedastisitas. 2.2.2 Jika tidak ada pola yang jelas, serta titik menyebar dibawah angka 0 dan y, maka tidak terjadi heteroskedastisitas. Uji ini dilakukan dengan mengamati pola tertentu pada grafik scatterplot, dimana bila ada titik – titik yang menyebar di atas dan dibawah angka 0 pada sumbu Y serta tidak membentuk pola maka tidak terjadi heteroskedastisitas. Gambar 4.5 Uji Heteroskedastisitas scatterplot Sumber: Lampiran vii Pada gambar 4.5 tentang grafik scatterplot diatas terlihat titik-titik menyebar secara acak tidak membentuk sebuh pola tertentu yang jelas serta tersebar baik diatas maupun dibawah angka nol pada sumbu y. Hal ini berarti tidak terjadi heteroskedastisitas pada model regresi sehingga model regresi layak dipakai untuk melihat pengaruh variabel independen terhadap variabel dependen.

2.3 Uji Autokorelasi

Uji ini bertujuan untuk melihat apakah dalam suatu model linear ada korelasi antar kesalahan pengganggu pada periode t dengan kesalahan periode t-1 sebelumnya. Model regresi yang baik adalah yang bebas dari autokorelasi. Masalah autokorelasi umumnya terjadi pada regresi yang datanya time series. Untuk mendeteksi masalah autokorelasi dapat dilakukan dengan menggunakan uji Durbin Watson. Mengacu kepada pendapat Sunyoto 2009:91, Pengambilan keputusan ada tidaknya autokorelasi adalah sebagai berikut: 2.3.1 angka D-W dibawah -2 berarti ada autokorelasi positif,, 2.3.2 angka D-W diantara -2 sampai +2 berarti tidak ada autokorelasi, 2.3.3 angka D-W di atas +2 berarti ada autokorelasi negatif. Tabel 4.4 Hasil Uji Autokorelasi Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .428 a .183 .097 1.44541 1.130 a. Predictors: Constant, LN_MVBEBVE, LN_ROA, LN_CR, LN_ROE b. Dependent Variable: LN_Harga_Saham Sumber: Lampiran viii Tabel 4.4 memperlihatkan nilai statistik D-W sebesar 1.130 Angka ini terletak di antara -2 sampai +2, dari pengamatan ini dapat disimpulkan bahwa tidak terjadi autokorelasi dalam penelitian ini.

2.4 Uji Multikolinearitas