48
Tabel 4.2 Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 40
Normal Parameters
a,b
Mean .0000000
Std. Deviation 1012.07766573
Most Extreme Differences Absolute
.193 Positive
.193 Negative
-.125 Kolmogorov-Smirnov Z
1.218 Asymp. Sig. 2-tailed
.103 a. Test distribution is Normal.
b. Calculated from data.
Sumber : output spss, 2015 Hasil uji
Kolmogrov-Smirnov
pada tabel diatas dapat diketahui bahwa signifikan 0.103. Nilai ini 0.05, sehingga dapat dikatakan bahwa data yang
digunakan dalam penelitian ini memiliki distribusi normal.
4.2.2 Uji Heterokedastisidas
Uji Heterokedastisidas bertujuan untuk menguji terjadinya perbedaan
variance Residual
suatu periode pengamatan ke periode yang lain Ghozali 2013 : 139. Uji Heterokedastisitas 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
heterokedastisidas. Cara mendeteksi ada tidaknya gejala hetero kedastisidas adalah dengan melihat grafik
scatterplot
yang dihasilkan dari pengolahan data
Universitas Sumatera Utara
49
menggunakan program
software statistic.
Dasar pengambilan keputusannya menurut Ghozali 2013 : 139 adalah sebagai berikut :
a. Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola
tertentu yang
teratur maka
mengindikasikan telah
terjadi heterokedastisitas.
b. Jika tidak ada pola yang jelas, serta titik menyebar dibawah angka o
dan y, maka tidak heterokedastisitas. Uji ini dilakukan dengan mengamati pola tertentu pada grafik
scatterplot,
dimana bila ada titik-titik yang menyebar di atas dan di bawah angka 0 pada sumbu Y serta tidak membentuk pola maka tidak terjadi heterokedastisitas.
Gambar 4.3 Uji Heterokesdastisitas
Scatterplot
Universitas Sumatera Utara
50
Pada gambar 4.3 tentang grafik
scatterplot
diatas dapat terlihat titik-titik menyebar secara acak tidak membentuk sebuah pola tertentu yang jelas serta
tersebar baik diatas maupun dibwah angka nol 0 pada sumbu y. Hal ini berarti tidak terjadi heterokedastisitas pada model regresi sehingga model regresi layak
dipakai untuk melihat pengaruh variabel independen terhadap variabel dependen.
4.2.3 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 autokolrelasi. Masalah autokorelasi umumnya terjadi pada regresi yang datanya
time series
. Untuk mendeteksi masalah autokorelsi dapat dilakukan dengan menggunakan uji
Durbin Waston. Mengacu kepada pendapat Suntoyo 2009:91, pengambilan kepada keputusan ada tidaknya autokorelasi adalah sebagai berikut :
a. Angka D-W dibawah -2 berarti ada autokorelasi positif,
b. Angka D-W diantara -2 sampai +2 berarti tidak ada autokorelasi,
c. Angka D-W diatas +2 berarti ada autokorelasi negatif.
Tabel 4.3 Hasil Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .346
a
.120 .146
1053.40383 1.900
a. Predictors: Constant, Growth Opportunity, Corporate Social Responsibility, Size b. Dependent Variable: Nilai Perusahaan
Sumber Output SPSS, 2015
Universitas Sumatera Utara
51
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity
Statistics B
Std. Error Beta
Tolerance VIF
1 Constant
1652.303 1344.703
1.229 .227
Corporate Social Responsibility
307.929 1086.931
.045 2.283
.029 .953
1.049 Size
-46.994 94.187
-.080 -.499
.621 .952
1.050 Growth
Opportunity 876.174
409.004 .335
2.142 .039
.998 1.002
a. Dependent Variable: Nilai Perusahaan
Sumber ; Output Spss, 2015 Tabel 4.3 memperlihatkan nilai statistik D-W sebesar 1.900. Angka
ini terletak diantara -2 sampai +2, dari pengamatan ini dapat disimpulkan bahwa tidak terjadi autokorelasi dalam penelitian ini.
4.2.4. Uji Multikolinearitas