59
4.2.3 Uji Autokorelasi
Uji autokorelasi bertujuan menguji apakah dalam model regresi linier ada korelasi antara kesalahan pengganggu periode t dengan kesalahan periode
t – 1. Jika terjadi korelasi, maka dinamakan ada problem autokorelasi. Autokorelasi ada karena observasi yang berurutan sepanjang waktu berkaitan
satu sama lain. Model regresi yang baik adalah regresi yang bebas autokorelasi. Data pada penelitian ini memiliki unsur waktu karena
didapatkan antara tahun 2009-2012. Pengujian autokorelasi dilakukan dengan menggunakan uji Durbin-
Watson DW-test. Kriteria untuk penilaian terjadinya autokorelasi adalah: • Angka D-W dibawah -2, berarti ada autokorelasi positif,
• Angka D-W di antara -2 sampai +2, berarti tidak ada autokorelasi, • Angka D-W di atas +2, berarti ada autokorelasi negatif.
Tabel 4.4 Uji Autokorelasi
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .726
a
.527 .464
.087486 1.972
a. Predictors: Constant, UDK, LEV, ROA, AGE, SIZE b. Dependent Variable: CSR
Berdasarkan tabel diatas diketahui nilai statistik D-W sebesar 1,972. Angka ini terletak diantara -2 dan +2, maka dapat disimpulkan bahwa tidak ada
terjadi autokorelasi dalam penelitian ini.
Universitas Sumatera Utara
60
4.2.4 Uji Heterokedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varians dari satu pengamatan dengan
pengamatan yang lain. Model regresi yang baik adalah tidak terjadi heteroskedastisitas.
Pada penelitian ini untuk mengetahui ada tidaknya problem heterokedastisitas digunakan scatter plot. Kriterianya adalah apabila titik-titik
pada scatter plot atau diagram pencar tidak membentuk pola tertentu, maka dapat dinyatakan bahwa model regresi tidak terkendala heterokedastisitas.
Gambar 4.3 Uji Heterokedastisitas
Universitas Sumatera Utara
61
Berdasarkan grafik scatter plot diatas, dapat disimpulkan bahwa model regresi tidak terkendala heterokedastisitas, hal ini dikarenakan diagram
berbentuk pencar dan tidak membentuk pola tertentu.
4.3 Uji Hipotesis
4.3.1 Uji Koefisien Determinasi R
2
Koefisien determinasi R
2
pada intinya mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel dependennya. Dalam
hal ini kita menggunakan R Square angka korelasi yang dikuadratkan yang juga disebut sebagai angka Koefisien Determinasi rumus untuk koefisien
determinasi ini adalah R
2
x 100 . Hasil perhitungan koefisien determinasi R
2
dapat dilihat sebagai berikut:
Tabel 4.5 Koefisien Determinasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .726
a
.527 .464
.087486 1.972
a. Predictors: Constant, UDK, LEV, ROA, AGE, SIZE b. Dependent Variable: CSR
Berdasarkan output SPSS pada tabel 4.5 di atas tampak bahwa dari hasil perhitungan diperoleh nilai koefisien determinasi R
2
sebesar 0,527. Hal ini menunjukkan bahwa besar pengaruh variabel independen yaitu ROA,
Universitas Sumatera Utara
62
AGE, LEV, SIZE, dan UDK terhadap variabel dependen nilai CSR yang dapat diterangkan oleh model persamaan ini sebesar 52,7 sedangkan
sisanya sebesar 47,3 dipengaruhi oleh faktor-faktor lain diluar variabel penelitian.
4.3.2 Uji t t-test