4.1.3.3 Uji Heteroskedastisitas
Dalam penelitian ini, untuk mendeteksi ada tidaknya gejala heteroskedastisitas adalah dengan melihat plot grafik yang dihasilkan
dari pengolahan data dengan menggunakan program SPSS versi 18.0. Dasar pengambilan keputusannya adalah:
1. Jika ada pola tertentu seperti titik-titik yang ada
membentuk pola tertentu yang terartur bergelombang, melebar kemudian menyempit, maka mengindikasikan
telah terjadi heteroskedastisitas. 2.
Jika tidak ada pola yang jelas, seperti titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak
terjadi heteroskedastisitas atau terjadi homoskedastisitas. Model regresi yang baik adalah regresi yang bebas dari
heteroskedastisitas. Berikut ini dilampirkan grafik
scatterplot
untuk menganalisis
apakah terjadi
heteroskedastisitas atau
terjadi homoskedastisitas dengan mengamati penyebaran titik-titik pada
gambar. Berikut ini adalah grafik scatterplot untuk menganalisis apakah terjadi heteroskedastisitas dengan mengamati penyebaran titik-
titik pada gambar.
Universitas Sumatera Utara
Gambar 4.3 Hasil Uji Heteroskedastisitas
Sumber: Hasil Output SPSS, data diolah oleh peneliti, 2015
Dari hasil tampilan output
scatter plot
jika
scatter plot
menunjukkan titik data menyebar di atas, di bawah dan di sekitar angka nol pada sumbu Y maka data penelitian bebas dari
heterokedastisitas dan data layak digunakan untuk penelitian.
4.1.3.4 Uji Autokorelasi
Menurut Ghozali 2005:95, “uji autokorelasi bertujuan menguji apakah dalam model regresi linear ada korelasi antara
kesalahan pengganggu pada periode t- 1 sebelumnya”. Autokorelasi
menunjukkan adanya korelasi antara kesalahan pengganggu pada kata yang tersusun, baik berupa data
cross sectional
dan
time series.
Autokorelasi yang terjadi dalam model regresi menimbulkan koefisien korelasi yang diperoleh menjadi tidak akurat dan model regresi yang
baik adalah model regresi yang bebas dari autokorelasi.
Universitas Sumatera Utara
Penggunaan progres SPSS bertujuan untuk mendeteksi adanya problem autokorelasi adalah dengan melihat besaran Durbin
Watson, yaitu
panduan mengenai
D-W Durbin
Watson. Pengambilan keputusan ada tidaknya autokorelasi adalah sebagai
berikut: 1.
Angka D-W dibawah -2, berarti ada autokorelasi positif. 2.
Angka D-W diantara -2 sampai +2 berarti tidak ada autokorelasi.
3. Angka D-W diatas +2, berarti ada autokorelasi negatif.
Berikut inilah adalah tabel hasil uji autokorelasi yang telah dilakukan:
Tabel 4.5 Hasil Uji Autokorelasi
Sumber: Hasil Output SPSS, data diolah oleh peneliti, 2015
Berdasarkan tabel 4.5 diatas dapat dilihat bahwa nilai Durbin Watson sebesar 1,919 yang berarti tidak terjadi terjadi autokorelasi,
yang terbukti dari angka D-W yang dihasilkan terletak di antara -2 sampai +2 yang artinya tidak terjadi autokorelasi.
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 ,613
a
,376 ,343
302,47989 1,919
a. Predictors: Constant, Kepemilikan Manajerial, Pertumbuhan perusahaan, Firm Size, Struktur Aktiva, Profitabilitas
b. Dependent Variable: Struktur Modal
Universitas Sumatera Utara
4.1.4 Regresi Linear Berganda