4.2.2.2 Uji Autokorelasi
Istilah autokorelasi dapat didefenisikan sebagai korelasi antara anggota serangkaian observasi yang diturunkan menurut waktu. Uji Autokorelasi
bertujuan untuk menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu. Autokorelasi muncul karena observasi yang berurutan
sepanjang waktu berkaitan satu sama lain. Masalah ini timbul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lain. Untuk mendeteksi
gejala autokorelasi digunakan Durbin Watson statistik, dengan nilai d yang menunjukkan gejala autokorelasi yang tidak berbahaya atau tidak ada
autokorelasi yang tidak berbahaya atau tidak autokorelasi. Kriterianya adalah sebagai berikut :
Tabel 4.3 Kriteria Pengambilan Keputusan DW Test
Hipotesis Nol Keputusan
Jika Tidak ada autokorelasi positif
Tolak 0 d dl
Tidak ada autokorelasi poitif Tidak ada keputusan
dl d du Tidak ada korelasi negatif
Tolak 4 - dl d 4
Tidak ada korelasi negatif Tidak ada keputusan
4 - du d 4 – dl Tidak ada autokorelasi positif
atau negatif Tidak ditolak
du d 4 – du
Hasil Uji Autokorelasi Durbin Watson terlihat seperti pada tabel dibawah ini:
Tabel 4.4 Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of
the Estimate Durbin-
Watson 1
.526
a
.277 .205
1.64195 1.630
a. Predictors: Constant, Ln_Return_On_Asset, Ln_Total_Aktiva,
Ln_Operating_Profit_Margin, Ln_Net_Profit_Margin
b. Dependent Variable: Ln_Manajemen_Laba
Berdasarkan tabel 4.4 diatas dapat dilihat bahwa nilai DW adalah 1.630. Kriteria yang menunjukkan tidak terjadi autokorelasi adalah sebagai berikut:
jumlah sampel N 45 dengan jumlah variabel bebas K 4 pada tingkat signifikansi 5 diperoleh du 1,7200 sehingga disimpulkan bahwa nilai DW
sebesar 1.630 lebih besar dari batas atas du 1,7200 dan kurang dari 4 – 1,7200 4 – du, maka dengan demikian tidak terjadi autokorelasi.
4.2.2.3 Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah terjadi ketidaksamaan variance dari residual suatu pengamatan ke pengamatan
yang lain dalam model regresi . Model regresi yang baik adalah jika
variance dari residual satu pengamatan ke pengamatan lain berbeda heteroskedastisitas. Heteroskedastisitas dapat dilihat melalui grafik plot
Scatterplot antara nilai prediksi variabel terikat dengan residualnya. Apabila pola pada grafik ditunjukkan dengan titik-titik menyebar secara
acak tanpa pola yang jelas serta tersebar di atas maupun dibawah angka 0 pada sumbu Y, maka dapat disimpulkan bahwa tidak terjadi
heteroskedastisitas pada model regresi. Selain menggunakan grafik scatterplots, uji heteroskedastisitas juga
dapat dilakukan dengan menggunakan Uji Glejser. Jika probabilitas signifikan 0.05, maka model regresi tidak mengandung
heteroskedastisitas.
4.2.2.3.1 Grafik Scatterplot
Heteroskedastisitas melalui grafik plot Scatterplot antara nilai prediksi variabel terikat dengan residualnya. Apabila pola pada grafik
ditunjukkan dengan titik-titik menyebar secara acak tanpa pola yang jelas serta tersebar di atas maupun dibawah angka 0 pada sumbu Y, maka dapat
disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi.
Gambar 4.3 Scatterplot Dependen Variabel
Sumber : SPSS 16 for windows
Gambar 4.3 menunjukkan bahwa penyebaran residual cenderung tidak teratur, terdapat beberapa plot yang berpencar dan tidak menunjukkan pola
tertentu. Maka dapat disimpulkan bahwa tidak terdapat gejala heteroskedasitas dalam model regresi ini.
4.2.2.4 Uji Multikolinearitas
Uji Multikolinearitas dilakukan untuk menunjukkan ada tidaknya hubungan linear diantara variabel bebas dalam model regresi. Gejala
multikolinearitas dapat dideteksi atau dilihat dari Variance Inflation
Factor VIF. Multikolinieritas dapat diketahui dari besarnya Tolerance dan Variance Inflation Factor VIF dengan membandingkan sebagai
berikut : a.
VIF 5, maka diduga mempunyai persoalan Multikolinearitas
b. VIF 5, maka tidak terdapat multikolinearitas
c. Tolerance 0,1 maka diduga mempunyai persoalan
Multikolinearitas d.
Tolerance 0,1 maka tidak terdapat multikolinearitas
Tabel 4.5 Uji Multikolinearitas
Coefficients
a
Model Unstandardized
Coefficients Standardize
d Coefficients
t Sig.
Collinearity Statistics
B Std. Error
Beta Toleranc
e VIF
1 Constant
5.237 .985
5.316 .000
Ln_Total_Aktiva -.227
.106 -.306
-2.141 .038
.886 1.128
Ln_Net_Profit_Margin -.007
.584 -.003
-.012 .991
.271 3.684
Ln_Operating_Profit_Mar gin
-.611 .442
-.238 -1.381
.175 .609
1.642 Ln_Return_On_Asset
.951 .533
.436 1.784
.082 .302
3.313 a. Dependent Variable: Ln_Manajemen_Laba
Hasil output SPSS 16.00 for windows diatas dapat diambil keputusan bahwa semua data variabel tidak terkena multikolinearitas, karena nilai
Tolerance untuk Total Aktiva, Net Profit Margin, Operating Profit Margin dan Return On Asset sebesar 0.886, 0.271, 0.609, 0.302 0.1 dan nilai Variance
Inflation Factor VIF untuk Total Aktiva, Net Profit Margin, Operating Profit Margin dan Return On Asset sebesar 1.128, 3.684, 1.642, 3.313 5. Sehingga
pada model regresi tidak terjadi gejala Multikolinearitas.
4.2.3 Pengujian Hipotesis
Pengujian hipotesis dilakukan dengan menggunakan analisisis. Pengujian ini bertujuan untuk mengetahui tingkat signifikansi statistis masing-
masing variabel independen. Secara garis besar dalam pengujian hipotesa penelitian ini hipotesis di uji dengan analisis linear. Analisis regresi dilakukan
untuk mengetahui seberapa besar hubungan variabel dependen. Dalam penelitian ini digunakan analisis linear berganda.
Berdasarkan hasil pengolahan data dengan program SPPS versi 16 maka diperoleh hasil sebagai berikut :
Kategori