Gambar 4.1 dan Gambar 4.2 merupakan output dari SPSS. Perhatikan bahwa kurva pada histogram berbentuk kurva normal, sehingga disimpulkan bahwa
asumsi normalitas error dipenuhi. Di samping itu pada normal probability plotGambar 4.2, titik-titik menyebar cukup dekat pada garis diagonal, maka
disimpulkan bahwa asumsi normalitas dipenuhi.
Gambar 4.1 Histogram untuk Pengujian Asumsi Normalitas
Gambar 4.2 Normalitas dengan Normal Probability Plot
4.2.2 Uji Multikolinearitas
Pengujian ini dilakukan untuk menguji apakah dalam model regresi ditemukan adanya korelasi yang tinggi antar variabel bebas Ghozali,
2011:105.Ketika terdapat korelasi antar variabel bebas yang cukup tinggi, maka permasalahan ini disebut dengan istilah multikolinearitas Stevens, 2009:74. Jika
terjadi multikolinearitas yang sempurna perfect multicolinearity, maka koefisien-koefisien regresi dari variabel bebas tidak dapat ditentukan
indeterminate, jika terjadi multikolinearitas yang tinggi, koefisien-koefisien regresi dari variabel bebas dapat ditentukan, namun memiliki nilai standar error
yang tinggi yang berarti bahwa koefisien-koefisien regresi tersebut tidak dapat diestimasi dengan tepat atau akurat Gujarati, 2003:344. Field 2009:221 juga
menyatakan bahwa seharusnya tidak terjadi hubungan linear yang sempurna perfect linear relationship dari dua atau lebih variabel bebas. Jadi, variabel-
variabel bebas seharusnya tidak berkorelasi terlalu tinggi not correlate too highly.
Untuk memeriksa apakah terjadi multikolinearitas atau tidak dapat dilihat dari nilai variance inflation factor VIF. Nilai VIF yang lebih dari 10 diindikasi
suatu variabel bebas terjadi multikolinearitas Myers dalam Stevens, 2009:75.
Tabel 4.4 Uji Multikolinearitas
Sumber: hasil olahan software SPSS 17
Perhatikan bahwa berdasarkan Tabel 4.4, nilai VIF dari variabel Komposisi Dewan Komisaris adalah 1,003 dan nilai VIF dari variabel Komite
Audit adalah 1,003. Karena masing-masing nilai VIF tidak lebih besar dari 10, maka tidak terdapat gejala multikolinearitas yang berat.
4.2.3 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
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.Nilai statistik dari uji Durbin-Watson berkisar di antara 0 dan 4.Field 2009:220
menyatakan sebagai berikut. “Specifically, it Durbin-Watson tests whether adjacent residuals are correlated.
The test statistic can vary between 0 dan 4 with a value 2 meaning that the residuals are uncorrelated.
Nilai statistik dari uji Durbin-Watson yang lebih kecil dari 1 atau lebih besar dari 3 diindikasi terjadi autokorelasi.Field 2009:220-221 menyatakan sebagai
berikut. “The size of the Durbin-Watson statistic depends upon the number of predictors
in the model and the number of observations. For accuracy, you should look up the exact acceptable values in Durbin and Watsons 1951 original paper. As
very conservative rule of thumb, values less then 1 or greater than 3 are definitely cause for concern; however, values closer to 2 may stil be problematic depending
on your sample and model”.
Tabel 4.5 Uji Autokorelasi
Sumber : hasil olahan software SPSS 17
Berdasarkan Tabel 4.5, nilai dari statistik Durbin-Watson adalah 1,620. Perhatikan bahwa karena nilai statistik Durbin-Watson terletak di antara 1 dan 3,
maka asumsi non-autokorelasi terpenuhi. Dengan kata lain, tidak terjadi gejala autokorelasi yang tinggi pada residual.
4.2.4 Uji Heteroskedastisitas
