56
Tabel 4.2. Uji Multikolineritas
Coefficients
a
Model Collinearity
Statistics Tolerance VIF
1 Constant Likuiditas
Perputaran Modal Kerja
Pertumbuhan penjualan
Leverage .866
1.155 .969
1.032 .974
.860 1.027
1.162 a. Dependent Variable:
profitabilitas Sumber : Output SPSS
Berdasarkan tabel 4.2 diatas dapat diketahui bahwa hasil uji multikolonieritas menunjukkan tidak ada variabel independen yang memiliki nilai tolerance kurang
dari 0,10 yang berarti tidak ada korelasi antar variabel independen. Hasil perhitungan nilai Variance Inflation Factor VIF juga menunjukkan hasil yang
sama, tidak ada satu variabel independen yang memiliki nilai VIF lebih dari 5. Jadi dapat disimpulkan bahwa tidak ada multikolonieritas antar variabel
independen dalam model regresi.
4.2.2.3. Uji Non-Autokorelasi atau Independensi Residual Independent
Errors
Uji independensi residual uji non-autokorelasi merupakan suatu uji untuk memeriksa apakah untuk setiap dua pengamatan residual saling berkorelasi atau
Universitas Sumatera Utara
57
Model R
R Square
Adjuste d R
Square Std.
Error of the
Estimate Durbin-
Watson
1 .233
a
.054 .024
.05638 1.905
tidak Field, 2009:220. Supranto 2005:151 mengartikan non-autokorelasi sebagai tidak terjadinya korelasi antara kesalahan pengganggu yang satu dengan
yang lainnya. Meskipun terjadinya autokorelasi terhadap estimator-estimator yang dihasilkan oleh metode ordinary least square OLS tetap tak bias unbiased,
konsisten consistent, dan terdistribusi normal secara asimtotis, namun estimator- estimator tersebut tidak lagi efisien. Sebagai akibatnya, pada uji t, F, dan chi
kuadrat tidak lagi sah untuk digunakan cannot be legitimately applied Gujarati, 2003:489. Asumsi mengenai independensi terhadap residual non-autokorelasi
dapat diuji dengan menggunakan uji Durbin-Watson Field, 2009:220. Riyanto 2012:59 menyatakan jika nilai statistik Durbin-Watson -2 sd +2, maka asumsi
independensi terhadap residual non-autokorelasi terpenuhi. Sebaliknya, bila nilai statistik Durbin-Watson -2 atau 2, berarti asumsi independensi terhadap
residual non-autokorelasi tidak terjadi autokorelasi. .
Tabel 4.3. Uji Autokorelasi
Model Summary
b
a. Predictors: Constant, leverage, perputaranmodalkerja, pertumbuhanpenjualan, likuiditas
b. Dependent Variable: profitabilitas
Sumber : Output SPSS 16
Universitas Sumatera Utara
58
Berdasarkan Tabel 4.3, nilai dari statistik Durbin-Watson adalah 1,905. Perhatikan bahwa karena nilai statistik Durbin-Watson terletak di antara -2 dan
+2, maka asumsi non-autokorelasi terpenuhi. Dengan kata lain, tidak terjadi gejala autokorelasi yang tinggi pada residual
4.2.2.4 Uji Heteroskedastisitas
Menurut Ghozali 2011:139 uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varians dari residual
suatu pengamatan ke pengamatan lain. Jika varians dari residual satu pengamatan ke pengamatan yang lain tetap, maka disebut homoskedastisitas dan jika berbeda
disebut heteroskedastisitas. Supranto 2005:57 mengartikan homoskedastisitas sebagai varians kesalahan pengganggu untuk setiap pengamatan adalah
sama, sedangkan heteroskedastisitas adalah sebaliknya. Model regresi yang baik adalah yang homoskesdasitas atau tidak terjadi
heterokesdatisitas. Apabila terjadi heteroskedastisitas, estimator-estimator yang dihasilkan dengan metode OLS ordinary least square tidak lagi memiliki sifat
varians yang minimum atau efisien. Dalam keadaan heteroskedastisitas, ketika tetap menggunakan metode OLS yang biasa usual OLS formulas, maka uji t dan
uji F dapat memberikan kesimpulan yang salah Gujarati, 2003:428. Deteksi ada tidaknya heteroskedastisitas dapat dilakukan dengan melihat
ada tidaknya pola tertentu pada grafik scatter plot antara SRESID pada sumbu Y, dan ZPRED pada sumbu X.Field, 2009:230, Ghozali, 2011:139. Field
2009:248, Ghozali, 2011:139 menyatakan dasar analisis adalah jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur
Universitas Sumatera Utara
59
bergelombang, melebar, kemudian menyempit, maka mengindikasikan telah terjadi heteroskedastisitas. Jika tidak ada pola yang jelas, serta titik-titik menyebar
di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitasdalam penelitian ini dapat dilihat pada gambar 4.3.
Gambar 4.3. Scatterplot
Sumber: Output SPSS 16 Gambarscatter plot diatas menjelaskan bahwa data sampel tersebar secara acak
dan tidak membentuk suatu pola tertentu. Data tersebar baik berada di atas maupun di bawah angka 0 pada sumbu Y. Hal ini menunjukkan tidak terdapat
heterokodestisitas dalam model regresi yang digunakan.
Universitas Sumatera Utara
60
4.3 Pengujian Hipotesis Penelitian