53 b.
Nilai VIF untuk variabel ROE adalah 2.475 10 dengannilaiTolerancevariabel ROE adalah 0.404 0.10 maka variabel
ROE dapatdinyatakantidakterjadigejalamultikolinearitas. c.
Nilai VIF untuk variabel CR adalah 1.546
10 dengannilaiTolerancevariabel CR adalah 0.647 0.10 maka variabel CR
dapatdinyatakantidakterjadigejalamultikolinearitas. d.
Nilai VIF untuk variabel DER adalah 1.141
10 dengannilaiTolerancevariabel DER adalah 0.876 0.10 maka variabel
DER dapatdinyatakantidakterjadigejalamultikolinearitas. e.
Nilai VIF untuk variabel TATO adalah 1.448
10 dengannilaiTolerancevariabel TATO adalah 0.690 0.10 maka variabel
TATO dapatdinyatakantidakterjadigejalamultikolinearitas. f.
Nilai VIF untuk variabel PBV adalah 2.594
10 dengannilaiTolerancevariabel PBVadalah 0.385 0.10 maka variabel
PBV dapatdinyatakantidakterjadigejalamultikolinearitas. g.
Nilai VIF untuk variabel LN Total asset adalah 1.480 10 dengannilaiTolerancevariabel LN Total asset adalah 0.676 0.10 maka
variabel LN Total asset dapatdinyatakantidakterjadigejalamultikolinearitas.
h. Nilai VIF untuk variabel CFO adalah
1.973 10
dengannilaiTolerancevariabel DER adalah 0.507 0.10 maka variabel DER dapatdinyatakantidakterjadigejalamultikolinearitas.
4.1.3.3. UjiHeteroskedastisitas
Universitas Sumatera Utara
54 Uji ini bertujuan untuk menguji apakah dalam model regresi terjadi
ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Jika variance dari residual satu pengamatan ke pengamatan lain
tetap, maka disebut homoskedastisitas, dan jika variance dari residual satu pengamatan ke pengamatan lain berbeda disebut heteroskedastisitas.
Untuk mendeteksi ada atau tidaknya heteroskedastisitas dapat dilakukan dengan melihat grafik scatterplot, dengan dasar analisis Ghozali,
2005:139. 1.
Jikapolatertentu, sepertititik-titik yang adamembentukpolatertentu yang teratur bergelombang, melebarkemudian
menyempit, makamengindikasikantelahterjadiheteroskedastisitas.
2. Jikatidakadapola yang jelas, sertatitik – titikmenyebar di atasdandi
bawahangka 0 padasumbu Y, makatidakterjadiheteroskedastisitas. Hasilujiheteroskedastisitasdenganmenggunakangrafikscatterplotdit
unjukkan pada gambar 4.3 dibawahini:
Universitas Sumatera Utara
55
Sumber: Pengolahan Data SPSS, Januari 2015 Gambar 4.3
Grafik Scatterplot
Pada grafik scatterplot diatas, terlihat titik –titik menyebar secara acak, serta tersebar baik diatas maupun dibawah angka 0 pada sumbu Y
sehingga dapat diambil kesimpulan bahwa tidak terdapat gejala heteroskedastisitas pada model regresi yang digunakan.
4.1.3.4. Uji Autokorelasi
Ujiautokorelasidilakukanuntukmengujiapakahsebuah model regresiterdapatkorelasiantarakesalahanpengganggupadaperiode t
dengankesalahanpengganggupadaperiode t-1 atausebelumnya Ghozali, 2005.Jikaterjadikorelasidinamakanadamasalahautokorelasi.Untukmendete
Universitas Sumatera Utara
56 ksiadaatau tidaknya autokorelasi, peneliti menggunakan Durbin-Watson
DW test.Hasilpengujianautokorelasidapatdilihatpada tabel berikut:
Tabel 4.4 Hasil UjiAutokorelasidengan Durbin-Watson
Model Summary
b
Model R
R Square
Adjusted R Square
Std. Error of the Estimate
Durbin- Watson
1 .799
a
.639 .513
63.19510 2.168
a. Predictors: Constant, CFO, DER, CR, LNTotalasset, TATO, NPM, ROE, PBV b. Dependent Variable: EPS
Sumber: Pengolahan Data SPSS, Januari 2015
Berdasarkan hasilpengujian Durbin-Watson dengan menggunakan SPSS 20.0
makadiperolehnilai Durbin-Watson sebesar 2.168, yang berartiberdasarkankriteria Durbin-Watson hasil tersebut 1.65 2.168 2.35 yang
berarti tidak terjadi autokorelasi.
4.1.4. Model RegresiBerganda
