5.4.3 Uji Autokorelasi Sebelum Dilakukan Lag Variabel Tabel 5.18 Autokolerasi Sebelum Dilakukan Lag Variabel
Model R
R Square Adjusted R
Square Std. Error of
the Estimate Durbin-Watson
1 .277
.077
a
.039 2.28048
1.395 a. Predictors: Constant, LN_NPM, LN_DER, LN_CR, LN_ROE
b. Dependent Variable: LN_SAHAM Sumber: Hasil Penelitian, 2012 Data Diolah
Berdasarkan Tabel 5.18 menunjukkan bahwa nilai Durbin Watson sebesar 1,395 sedangkan bila dilihat dari tabel DW untuk empat variabel bebas k = 4
banyak data adalah 104, untuk level signifikan = 0,05 di petoleh DL = 1.6016 dan DU = 1,7610 sehingga nilai 4 – DU = 4 – 1,7610 = 2,239. DW lebih rendah
dari DU 1,395 1,7610 sehingga tidak ada kesimpulan. Salah satu alternatif untuk mengatasi model regresi linier yang terkena gangguan autokolerasi adalah
dengan memasukkan lag dari variabel terikat menjadi salah satu varabel bebasnya Kriswanto, 2008. Lag adalah menggeser kebawah suatu variabel atau data nomor
satu menjadi nomor dua pada lag, data nomor 2 menjadi nomor 3 pada lag dan seterusnya. Kemudian dilakukan uji autokolerasi kembali.
5.4.4. Uji Autokolerasi Setelah Dilakukan Lag Variabel
Setelah dilakukan lag variabel nilai Durbin Watson sebesar 1,965 dengan 5 lima variabel bebas bertambah satu variabel lag_variabel maka nilai DL adalah
sebesar 1.5813 dan DU adalah sebesar 1.7823. Maka akan tampak bahwa DU DW 4-DU atau 1,7823 1.945 2,2177 yang berarti tidak terjadi
autokolerasi baik positif maupun negatif. Implikasinya adalah bahwa model telah
Universitas Sumatera Utara
terbebas dari gangguan autokolerasi. Lag variabel tidak perlu diinterprestasikan karena hanya merupakan metode untuk menghilangkan gangguan autokolerasi.
Berdasarkan ketentuan pengambilan keputusan ada tidaknya autokolerasi maka dapat disimpulakan bahwa tidak terjadi autokolerasi antar kesalahan gangguan
antar periode. Hasil pengujian terlihat pada Tabel 5.19 sebagai berikut :
Tabel 5.19 Autokolerasi Sesudah Dilakukan Lag Variabel
Model R
R Square Adjusted R
Square Std. Error of
the Estimate Durbin-Watson
1 .299
.089
a
.042 2.18626360
1.945 a. Predictors: Constant, Lag_RES , LN_ROE, LN_DER, LN_NPM, LN_CR
b. Dependent Variable: Unstandardized Residual Sumber: Hasil Penelitian, 2012 Data Diolah
5.4.5 Uji Heteroskedastisitas Setelah Transformasi
Dari Gambar 5.6 berikut terlihat bahwa titik-titik menyebar secar acak serta tersebar baik di atas maupun di bawah angka 0 nol pada sumbu Y sehingga dapat
disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi.
Gambar 5.6 Scaterplott Heteroskedastisitas setelah Transformasi
Universitas Sumatera Utara
Selain membaca pola penyebaran scatterplot, analisa terhadap heteroskedastisitas dapat dilakukan dengan membaca tabel koefisien korelasi pada Tabel 5.20.
Tabel 5.20 Uji Koefisien Korelasi Spearman Setelah Transformasi
LN_ CR
LN_ ROE
LN_ DER
LN_ NPM
Unstandar dized
Residual Spearmans
rho LN_CR
Correlation Coefficient
1.000 -.089 -.618
.075 -.011
Sig. 2-tailed .
.369 .000
.452 .912
N 104
104 104
104 104
LN_ROE Correlation
Coefficient -.089
1.000 .054
.784 .024
Sig. 2-tailed .369
. .585
.000 .805
N 104
104 104
104 104
LN_DER Correlation
Coefficient -.618
.054 1.000
-.305 .013
Sig. 2-tailed .000
.585 .
.002 .892
N 104
104 104
104 104
LN_NPM Correlation
Coefficient .075 .784
-.305 1.000
.089 Sig. 2-tailed
.452 .000
.002 .
.367 N
104 104
104 104
104 Unstandardize
d Residual Correlation
Coefficient -.011
.024 .013
.089 1.000
Sig. 2-tailed .912
.805 .892
.367 .
N 104
104 104
104 104
. Correlation is significant at the 0.01 level 2-tailed. Sumber: Hasil Penelitian, 2012 Data Diolah
Dari Tabel 5.20 dapat diketahui bahwa nilai korelasi keempat variabel independen dengan Unstandardized Residual memiliki nilai signifikan. Karena
lebih besar dari 0,05 maka dapat disimpulkan bahwa tidak terjadi masalah heteroskedastisitas pada model regresi.
Universitas Sumatera Utara
5.5 Uji Asumsi Klasik Hipotesis Ketiga
