menunjukkan adanya multikolinearitas adalah nilai tolerance 0,10 atau sama dengan nilai VIF 10. Hasil pengujian model regresi yang diperoleh
menunjukkan nilai-nilai tolerance dan VIF untuk masing-masing variabel sebagai berikut:
Tabel 4.4 Hasil Uji Multikolinearitas
Coefficients
a
Collinearity Statistics Model
Tolerance VIF
CAR .450
2.222 RORA
.761 1.315
ROA .367
2.728 NPM
.777 1.287
1
LDR .811
1.233 a. Dependent Variable: AD
Sumber: data penelitian yang diolah, 2010
Tabel 4.4 menunjukkan nilai tolerance untuk semua variabel independen di atas 0,10 dan nilai VIF untuk semua variabel independen juga
dibawah 10. Hal ini sesuai dengan syarat tidak terjadinya multikolinearitas, sehingga semua variabel independen tersebut layak digunakan untuk variabel
prediktor.
4.2.2.3 Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi linier terdapat korelasi antara kesalahan pengganggu pada periode t dengan
kesalahan pengganggu pada periode t-1 sebelumnya. Model regresi yang baik adalah regresi yang bebas dari autokorelasi Ghozali, 2005. Uji ini dilakukan
karena sampel yang digunakan untuk observasi merupakan data timeseries. Uji
autokorelasi dalam penelitian ini menggunakan uji Durbin-Watson DW test, dengan hasil sebagai berikut:
Tabel 4.5 Hasil Uji Autokorelasi – Durbin Watson
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .295
a
.087 -.010
.00460595 2.071
a. Predictors: Constant, LDR, CAR, RORA, NPM, ROA b. Dependent Variable: AD
Sumber: data penelitian yang diolah, 2010
Dari hasil pengujian diperoleh nilai DW d sebesar 2,071. Sedangkan nilai du menurut tabel untuk sampel n 53 dengan variabel independen 5 k=5
adalah 1,592 , sehingga didapat nilai du d 4 – du. Nilai ini merupakan syarat tidak terjadinya autokorelasi.
4.2.2.4 Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk memastikan dalam model regresi terjadi kesamaan variance homoskedastisitas dari residual satu pengamatan ke
pengamatan lain Ghozali, 2005. Uji ini dilakukan karena data yang digunakan untuk observasi penelitian merupakan data crosssectional. Untuk mendeteksi ada
atau tidaknya heteroskedastisitas dalam penelitian ini adalah dengan melihat grafik plot antara nilai prediksi variabel terikat dependen dengan residualnya.
Gambar 4.1 Uji Heterosdekastisitas – Scatterplot
Sumber: data penelitian yang diolah, 2010
Berdasarkan Gambar 4.1 dapat dilihat bahwa titik-titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y, dengan
demikian dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi dan model regresi layak dipakai untuk memprediksi vaariabel dependen
berdasarkan masukan variabel independen.
4.2.3 Goodness of Fit Model
