Tabel 4.3 Analisis Statistik Uji Normalitas Persamaan 2
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 52
Normal Parameters
Mean
a,b
,0000000 Std. Deviation
,29855910 Most Extreme
Differences Absolute
,117 Positive
,117 Negative
-,075 Kolmogorov-Smirnov Z
,843 Asymp. Sig. 2-tailed
,476 a. Test distribution is Normal.
b. Calculated from data. sumber : hasil olah data SPSS
Hasil uji statistik non-parametric Kolmogorov-Smirnov seperti ditampilkan dalam Tabel 4.3, menunjukkan besarnya nilai Kolmogorov-Smirnov
adalah 0,843 dan nilai Asymp.Sig. 2-tailed 0,476 dengan nilai signifikan yang ditetapkan 0,05 yang berarti data residual persamaan 2 terdistribusi secara
normal. Hasil uji statistik non-parametric Kolmogorov-Smirnov ini konsisten dengan hasil yang ditunjukkan normal probability plot, sehingga dapat
disimpulkan model regresi persamaan 2 memenuhi asumsi normalitas.
4.2.2.2 Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dari model regresi terjadi ketidaksamaan varian dari residual suatu pengamatan dengan
pengamatan yang lain. Ada atau tidaknya heteroskedastisitas dalam model regresi persamaan 1 terlihat melalui scatterplot pada Gambar 4.3 di bawah ini.
sumber : hasil olah data SPSS
Gambar 4.3 Scatterplot Persamaan 1
Gambar 4.3 merupakan scatterplot model regresi persamaan 1 yang memperlihatkan bahwa titik-titik menyebar secara acak serta tersebar baik di atas
maupun di bawah angka 0 pada sumbu Y. Hal ini dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi persamaan 1. Uji
heteroskedastisitas menggunakan scatterplot juga dilakukan pada model regresi persamaan 2 seperti ditunjukkan Gambar 4.4 di bawah ini.
sumber : hasil olah data SPSS
Gambar 4.4 Scatterplot Persamaan 2
Gambar 4.4 merupakan scatterplot model regresi persamaan 2 yang memperlihatkan bahwa titik-titik menyebar secara acak serta tersebar baik di atas
maupun di bawah angka 0 pada sumbu Y. Hal ini dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi persamaan 2.
4.2.2.3 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 atau sebelumnya. Uji autokorelasi dilakukan menggunakan uji Durbin-Watson pada model regresi persamaan 1 seperti ditunjukkan Tabel 4.3 di
bawah ini.
Tabel 4.4 Uji Durbin-Watson Persamaan 1
Model Summary
b
Model R
R Square
Adjusted R Square
Std. Error of the Estimate
Durbin- Watson
dimension0 1 ,353
,124
a
,107 ,40237
1,315 a. Predictors: Constant, ln_ROA
b. Dependent Variable: ln_Q sumber : hasil olah data SPSS
Tabel 4.4 menunjukkan nilai Durbin-Watson sebesar 1,315 terletak antara -2 sampai 2, maka dapat disimpulkan tidak terjadi autokorelasi pada model
regresi persamaan 1. Uji autokorelasi dengan uji Durbin-Watson juga dilakukan pada model regresi persamaan 1 dan menghasilkan nilai Durbin-Watson seperti
ditunjukkan Tabel 4.5 di bawah ini bawah ini.
Tabel 4.5 Uji Durbin-Watson Persamaan 2
Model Summary
b
Model R
R Square
Adjusted R Square
Std. Error of the Estimate
Durbin- Watson
dimension0 1 ,575
,330
a
,241 ,31784
1,025 a. Predictors: Constant, ln_CSR, Ln_Kmnj, ln_Kl, ln_ROA, ln_KA, ln_Klnd
b. Dependent Variable: ln_Q Sumber : hasil olah data SPSS
Tabel 4.5 menunjukkan nilai Durbin-Watson sebesar 1,426 terletak antara -2 sampai 2, maka dapat disimpulkan tidak terjadi autokorelasi pada model
regresi persamaan 2.
4.2.3 Uji Hipotesis 4.2.3.1 Uji Koefisien Determinasi