i
menunjukkan bahwa masing–masing variabel independen yang digunakan dalam penelitian, memiliki nilai Tolerance yang lebih besar
dari 0.10 yaitu nilai tolerance ROA sebesar 0.496, nilai tolerance DER sebesar 0.440, nilai tolerance TATO sebesar 0.847, nilai tolerance EPS
sebesar 0.494, nilai tolerance PER sebesar 0.562, nilai tolerance CR sebesar 0.456. Perhitungan VIF juga menunjukkan hal yang sama, yaitu
variabel independen memiliki nilai VIF yang kurang dari 10 yaitu nilai VIF untuk ROA sebesar 2.018, nilai VIF untuk DER sebesar 2.272,
nilai VIF untuk TATO sebesar 1.181, nilai VIF untuk EPS sebesar 2.026, nilai VIF untuk PER sebesar 1.779, nilai VIF untuk CR sebesar
2.195. Maka dari hasil tabel secara keseluruhan menunjukkan bahwa tidak terdapatnya multikolinearitas antar variabel independen dalam
model ini.
4.2.2.3 Uji Heterokedatisitas
Uji heteroskedastisitas bertujuan untuk melihat apakah dalam model regresi terdapat ketidaksamaan varians dari residual satu
pengamatan ke pengamatan lainnya. Jika varians yang satu dengan pengamatan yang lain tetap maka disebut homokedastisitas dan jika
variansnya berbeda maka disebut heteroskedastisitas. Ghozali 2006:105 menyatakan bahwa “model regresi yang baik adalah tidak
terjadi heteroskedastisitas.”
Dalam penelitian ini, untuk mendeteksi ada atau tidaknya gejala heterokedastisitas adalah dengan melihat grafik plot yang dihasilkan
i
dari pengolahan data dengan menggunakan program SPSS. Dasar keputusannya adalah:
1. Jika ada pola tertentu, seperti titik-titik yang membentuk pola tertentu yang teratur bergelombang, melebar kemudian
menyempit, maka mengidentifikasi telah terjadi heterokedastisitas.
2. Jika tidak ada pola yang jelas, seperti titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi
heterokedastisitas Berikut ini dilampirkan grafik Scatterplot untuk menganalis
apakah terjadi heterokedastisitas.
Gambar 4.5 Uji Heteroskedastisitas
Sumber : Output SPSS, diolah Penulis, 2014 Grafik Scatterplot terlihat bahwa titik-titik menyebar secara
acak serta tersebar baik di atas maupun di bawah angka 0 pada sumbu
i
Y, sehingga dapat disimpulkan bahwa tidak terjadi heterokedastisitas pada model regresi. Alasan mengapa titik–titik menyebar menjauh dari
titik–titik yang lain dikarenakan data penelitian yang berbeda antara data yang satu dengan data yang lain.
4.2.2.4 Uji Autokorelasi
Uji autokorelasi digunakan untuk mengetahui ada atau tidaknya penyimpangan asumsi klasik autokorelasi yaitu korelasi yang terjadi
antara residual pada satu observasi dengan observasi lain pada model regresi.
Uji yang digunakan untuk mendeteksi ada atau tidaknya autokorelasi dalam penelitian ini adalah dengan menggunakan uji
Durbin-Watson .
Uji Durbin-Watson
hanya digunakan untuk autokorelasi tingkat satu first autocorection dan mensyaratkan adanya
intercept konstanta dalam model regresi dan tidak ada variabel lagi di
antara variabel dependen. Kriteria untuk penilaian terjadinya autokorelasi yaitu:
Tabel 4.4 Pengambilan Keputusan Uji
Durbin-Watson DW-Test
Sumber : Siagian, 2011 Hipotesis Nol
Keputusan Jika
Tidak ada autokorelasi positif Tolak
0 d dl Tidak ada autokorelasi poitif
No decision dl d du
Tidak ada korelasi negatif Tolak
4 - dl d 4 Tidak ada korelasi negatif
No Decision 4 - du d 4 – dl
Tidak ada autokorelasi positif Tidak ditolak
du d 4 – du atau negatif
i
Berikut adalah hasil uji korelasi:
Tabel 4.5 Hasil Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R Square
Std. Error of the Estimate
Durbin-Watson
1 .374
a
.140 .014
1.43044 2.030
a. Predictors: Constant, LN_CR, LN_TATO, LN_PER, LN_ROA, LN_EPS, LN_DER b. Dependent Variable: LN_RETURNSAHAM
Sumber : Output SPSS, diolah penulis, 2014 Hasil pengujian pada tabel 4.5 menunjukkan bahwa nilai Durbin-Watson
adalah 2.030. Nilai ini akan kemudian diuji berdasarkan ketentuan ada tidaknya gejala autokorelasi, yakni jika nilai Durbin-Watson D-W ada pada batas du
atas dan 4-du du D-W 4-du, model regresi tidak mengalami gejala autokorelasi. Nilai signifikansi yang digunakan adalah 5 dengan jumlah sampel
48 N = 48 dan jumlah variabel independen sebanyak tiga k = 6, maka dari tabel data statistik Durbin-Watson diperoleh nilai batas bawah dl sebesar 1.31
dan nilai batas atas du sebesar 1.72. Nilai D-W 2.030 berada di antara du 1.31 dan 4-du 2.28 atau 1.31 2.030 2.28. Dengan demikian dapat
disimpulkan bahwa model regresi tidak mengalami gejala autokorelasi, sehingga pengujian dapat dilanjutkan.
i
4.2.3 Analisis regresi