Dari grafik histogram Gambar 4.1 dan grafik P-Plots Gambar 4.2 dapat disimpulkan bahwa variabel setelah ditransformasi dengan menggunakan
logaritma 10 atau LN, grafik histogram memberikan pola distribusi yang mendekati normal. Sedangkan pada grafik P-Plots terlihat titik-titik data menyebar
disekitar garis diagonal, serta penyebarannya mengikuti arah garis diagonal. Kedua grafik ini menunjukkan bahwa model regresi setelah dilakukan
transformasi data layak dilakukan karena memenuhi uji normalitas data.
3. Uji Asumsi Klasik
a. Uji Multikolonieritas
Uji multikolonieritas diperlukan untuk mengetahui ada tidaknya variabel independent yang memiliki kemiripan dengan variabel independent lain dalam
satu model. Nugroho 2005:8 mengungkapkan deteksi multikoloniearitas pada satu model dapat dilihat melalui:
1. Jika nilai Variance Inflation Factor VIF tidak lebih dari 10 dan nilai
Tolerance tidak kurang dari 0,1, maka model dikatakan terbebas dari multikolonieritas.
2. Jika nilai Variance Inflation Factor FIV lebih dari 10 dan nilai Tolerance
kurang dari 0,1, maka model dikatakan terkena multikoloniearitas.
Universitas Sumatera Utara
Hasil dari uji multikolonieritas dapat dilihat dari tabel dibawah ini: Tabel 4.4
Uji Multikolonieritas
Coefficients
a
-1.044 .397
-2.631 .010
-.376 .095
-.415 -3.946
.000 .933
1.072 .242
.202 .128
1.197 .235
.903 1.108
-.170 .146
-.121 -1.162
.249 .957
1.045 Constant
LN_ROA LN_Struktur
LN_DPR Model
1 B
Std. Error Unstandardized
Coefficients Beta
Standardized Coefficients
t Sig.
Tolerance VIF
Collinearity Statistics
Dependent Variable: LN_DER a.
Dari hasil pengujian diatas, dapat dilihat bahwa angka Tolerance ROA LN_ROA, Struktur LN_Struktur, DPR LN_DPR dan DER LN_DER
mendekati nilai Tolerance yaitu tidak kurang dari 0,1. Nilai VIF ROA LN_ROA, Struktur LN_Struktur, DPR LN_DPR dan DER LN_DER tidak
lebih dari 10 dan berarti telah terbebas dari multikolonieritas.
b. Uji Autokorelasi
Uji autokorelasi bertujuan menguji apakah dalam suatu model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan
pada periode t-1 sebelumnya. Jika terjadi korelasi, maka dinamakan ada problem korelasi. Cara mudah untuk mendeteksi autokorelasi dapat dilakukan dengan uji
Durbin Watson. Model regresi linear berganda terbebas dari autokorelasi jika nilai Durbin Watson hitung terletak di daerah No Autocorrelation. Penentuan tersebut
dapat dibantu dengan tabel lower bound dl dan upper bound du, dibantu dengan nilai k jumlah variabel independen. Pengambilan keputusan ada tidaknya
autokorelasi:
Universitas Sumatera Utara
1. Bila nilai DW terletak antara batas atas atau upper bound du dan 4-du
maka koefisien autokorelasi sama dengan nol, berarti tidak ada autokorelasi.
2. Bila nilai DW lebih rendah daripada batas bawah atau lower bound dl,
maka koefisien autokorelasi lebih besar daripada nol, berarti ada korelasi positif.
3. Bila nilai DW lebih besar daripada 4-dl, maka koefisien autokorelasi
lebih kecil daripada nol berarti autokorelasi negatif. 4.
Bila nilai DW terletak diantara batas atas du dan batas bawah dl atau DW terletak antara 4-du dan 4-dl, maka hasilnya tidak dapat
disimpulkan. Hasil dari uji autokorelasi dapat dilihat pada tabel dibawah ini:
Tabel 4.5 Uji Autokorelasi
Model Summary
b
.477
a
.228 .197
.74886 2.441
Model 1
R R Square
Adjusted R Square
Std. Error of the Estimate
Durbin- Watson
Predictors: Constant, LN_DPR, LN_ROA, LN_Struktur a.
Dependent Variable: LN_DER b.
Berdasarkan tabel statistik Durbin Watson, dengan jumlah sampel sebanyak 80 dan jumlah variabel independent sebanyak 3, nilai dl adalah 2,26 dan
du adalah 2,46, dari hasil uji DW dapat dilihat bahwa nilai DW terletak diantara batas bawah dl dan batas atas du, dengan demikian kita tidak dapat memutuskan
apakah terjadi korelasi positif atau tidak. Oleh karena itu, persamaan regresi dapat dipakai karena dianggap memenuhi uji asumsi klasik autokorelasi.
Universitas Sumatera Utara
c. Uji Heteroskedasitas
