Gambar 4.2 Uji Normalitas data
Menurut Ghozali 2005, pendeteksian normalitas dapat dilakukan dengan melihat penyebaran data titik pada sumbu diagonal dari grafik, yaitu
jika data titik menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal, hal ini menunjukkan data yang telah terdistribusi normal. Gambar
4.2 menunjukkan bahwa data titik menyebar di sekitar dan mendekati garis diagonal. Hal ini sejalan dengan hasil pengujian dengan menggunakan
histogram bahwa data telah terdistribusi normal. Karena secara keseluruhan data telah terdistribusi secara normal, maka dapat dilakukan pengujian asumsi
klasik lainnya.
4.3.2 Uji Multikolinieritas
Untuk melihat ada atau tidaknya multikolinieritas dalam model regresi dapat dilihat dari:
Universitas Sumatera Utara
1 nilai tolerence dan lawannya,
2 Variance Inflatin Factor VIF.
Kedua ukuran ini menunjukkan setiap variabel independen manakah yang dijelaskan oleh variabel independen lainnya. Tolerence mengukur
variabilitas variabel independen yang terpilih yang tidak dijelaskan oleh variabel independen lainnya. Jadi, nilai Tolerance yang rendah sama
dengan nilai VIF yang tinggi karena VIF = 1tolerence. Nilai cutoff yang umum dipakai untuk menunjukkan adanya mutikolineritas adalah nilai
Tolerence 0,10 atau sama dengan VIF 10 Ghozali, 2005.
Tabel 4.3 Hasil Uji Multikolinieritas
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity Statistics
B Std. Error
Beta Tolerance
VIF 1
Constant 53.929
41.383 1.303
.202 DER
-1.257 1.036
-.224 -1.212
.235 .732
1.366 TATO
1.505 2.141
.135 .703
.487 .683
1.465 Fs
-4.976 2.580
-.339 -1.929
.063 .813
1.229 BI_RATE
2.425 3.153
.123 .769
.448 .974
1.027 a. Dependent Variable: ROE
Sumber : Output SPSS, diolah Penulis, 2011
Berdasarkan tabel 4.3 dapat disimpulkan bahwa penelitian ini bebas dari adanya multikolinieritas. Hal tersebut dapat dilihat dengan
membandingkannya dengan nilai Tolerence atau VIF. Masing-masing variabel independen yang digunakan dalam penelitian ini memiliki nilai
Tolerence yang lebih besar dari 0,10. Jika dilihat dari VIFnya, bahwa masing- masing variabel bebas lebih kecil dari 10. Dengan demikian dapat
disimpulkan bahwa tidak terjadi gejala multikolinieritas dalam variabel bebasnya.
Universitas Sumatera Utara
4.3.3 Uji Autokorelasi
Uji ini bertujuan untuk melihat apakah dalam suatu model linear ada korelasi antar kesalahan pengganggu pada periode t dengan kesalahan pada
periode t-1 sebelumnya. Model regresi yang baik adalah yang bebas dari autokorelasi. Masalah autokorelasi umumnya terjadi pada regresi yang
datanya time series. Ada beberapa cara yang dapat digunakan untuk mendeteksi masalah dalam autokorelasi diantaranya adalah dengan Uji Durbin
Watson. Menurut Sunyoto 2009, Untuk melihat ada tidaknya autokorelasi dilihat dari:
1 angka D-W dibawah –2 berarti ada autokorelasi positif,
2 angka D-W di antara -2 sampai +2 berarti tidak ada autokorelasi,
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
.472
a
.223 .123
16.97909 1.938
a. Predictors: Constant, BI_RATE, Fs, DER, TATO b. Dependent Variable: ROE
Sumber : Output SPSS, diolah Penulis, 2011
Tabel 4.4 menunjukkan hasil uji autokorelasi variabel penelitian. Berdasarkan hasil pengujiannya dapat dilihat bahwa terjadi autokorelasi antar
kesalahan pengganggu antar periode. Hal tersebut dilihat dari nilai Durbin- Watson D-W sebesar 1,938. Angka D-W di antara -2 sampai +2 yang
Universitas Sumatera Utara
mengartikan bahwa angka DW lebih besar dari -2 dan lebih kecil dari 2. Dengan demikian, dapat dikemukakan bahwa tidak ada autokorelasi positif
maupun negatif.
4.3.4 Uji Heteroskedastisitas
