Hasil uji Kolmogorov-Smirnov pada tabel di atas menunjukkan nilai profitabilitas 0,005. Dengan demikian data pada penelitian ini tidak berdistribusi
normal dan tidak dapat di lakukan untuk menguji hipotesis karena 0,005 0,05.
Tabel 4.7 Uji Normalitas setelah transformasi
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 64
Normal Parameters
a,,b
Mean ,0000000
Std. Deviation ,59782673
Most Extreme Differences
Absolute ,137
Positive ,114
Negative -,137
Kolmogorov-Smirnov Z 1,099
Asymp. Sig. 2-tailed ,178
a. Test distribution is Normal. b. Calculated from data.
Dengan melihat hasil uji Kolmogorov-Smirnov pada tabel 4.7 menunjukkan nilai profitabilitas = 0,178. Dengan demikian, data pada penelitian
ini berdistribusi normal dan dapat di gunakan untuk melakukan uji hipotesis karena 0,178 0,05.
4.1.2.2 Uji Heteroskedastisitas
Uji ini bertujuan untuk menguji terjadinya perbedaan variance residual suatu periode pengamatan ke periode yang lain. Menurut Ghozali
2006 Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu
pengamatan ke pengamatan yang lain. Cara mendeteksi ada atau tidaknya
Universitas Sumatera Utara
gejala heteroskedastisitas adalah dengan melihat grafik scatterplott yang di hasilkan dari pengolahan data menggunakan program software statistic.
Berikut ini beberapa dasar pengambilan keputusannya menurut Ghozali. a.
Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur maka mengindikasikan telah terjadi
heteroskedastisitas. b.
Jika tidak ada pola yang jelas, serta titik menyebar di bawah angka 0 dan Y maka tidak heteroskedastisitas.
Uji ini di lakukan dengan mengamati pola tertentu pada grafik scatterplott, di mana bila ada titik-titik yang menyebar di atas dan di bawah
angka 0 pada sumbu Y serta tidak membentuk pola maka tidak terjadi heteroskedastisitas.
Gambar 4.3 Uji Heteroskedastisitas
scatterplot setelah transformasi
Universitas Sumatera Utara
Pada gambar 4.3 tentang grafik scatterplot terlihat titik-titik menyebar secara acak tidak membentuk sebuah pola tertentu yang jelas serta tersebar baik di
atas maupun di bawah angka 0 pada sumbu Y. Hal ini berarti tidak tidak terjadi heteroskedastisitas pada model regresi sehingga layak di pakai untuk melihat
pengaruh variabel independen terhadap variabel dependen.
4.1.2.3 Uji Autokorelasi
Uji autokorelasi bertujuan untuk menganalisis apakah dalam model regresi linier terdapat korelasi antara kesalahan pengganggu pada periode
1 dengan kesalahan t-1 atau sebelumnya Erlina, 2008. Model regresi yang baik adalah yang bebas dari autokorelasi. Masalah autokorelasi
umumnya terjadi pada regresi yang datanya time series. Untuk mendeteksi masalah autokorelasi dapat di lakukan dengan menggunakan uji Durbin
Watson. Di bawah ini terdapat panduan untuk mendeteksi ada atau tidaknya autokorelasi.
a. Angka D-W di bawah -2 berarti ada autokorelasi positif.
b. Angka D-W di antara -2 sampai +2 berarti tidak ada autokorelasi.
c. Angka D-W di atas +2 berarti ada autokorelasi negatif.
Tabel 4.8 Hasil Uji Autokorelasi setelah transformasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of
the Estimate Durbin-Watson
1 ,679
a
,461 ,434
,61259 2,473
a. Predictors: Constant, LN Working capital, LN Likuiditas, LN Profitabilitas b. Dependent Variable: LN Struktur modal
Universitas Sumatera Utara
Tabel 4.8 meperlihatkan statistik D-W sebesar 2,473. Angka ini terletak di atas +2, dari pengamatan ini dapat di simpulkan bahwa adanya autokorelasi
negatif.
4.1.2.4 Multikolinearitas