4.2.2 Uji Multikolinearitas Tabel 4.3
Hasil Perhitungan VIF Coefficients
a
Model Collinearity Statistics
Tolerance VIF
1LN_Lancar .991
1.010 LN_KurangLancar
.932 1.073
LN_Diragukan .975
1.026 LN_Macet
.962 1.039
a. Dependent Variable: LN_BO Sumber: Data yang diolah penulis, 2013
Hasil dari uji multikolinearitas dapat dilihat pada tabel 4.3. Pengujian multikolinearitas dilakukan dengan melihat nilai tolerance
dan lawannya VIF variance inflation factor. Nilai cutoff yang umum dipakai untuk menunjukkan adanya multikolinearitas adalah nilai
tolerance 0,10 atau sama dengan VIF 10. Hasil pengujian diatas, dapat dilihat bahwa angka tolerance pada variabel piuntang Lancar
LN_Lancar, Piutang Kurang Lancar LN_KurangLancar, Pitang Diragukan LN_Diragukan, Piutang Macet LN_Macet 0,10 dan
VIF – nya 10. Hal ini menunjukkan bahwa tidak terjadi multikolinearitas di antara variabel penelitian.
Universitas Sumatera Utara
4.2.3 Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah terjadi ketidaksamaan variabel dari residual satu pengamatan lain dalam
model regresi. Model regresi yang baik adalah tidak terjadi heteroskedastisitas atau terjadi homoskedastisitas. Untuk mendeteksi
ada tidaknya heteroskedastisitas, menurut Ghojali 2005:105 dapat dilihat dari grafik Scatterplot antara nilai prediksi variabel dependen
yaitu ZPRED dengan residualnya SRESID. Jika ada pola tertentu seperti titik – titik yang ada membentuk pola tertentu yang teratur,
maka telah terjadi heteroskedastisitas. Sebaliknya jika tidak ada pola yang jelas, serta titik – titik menyebar maka tidak terjadi
heteroskedastisitas. Hasil dari uji heteroskedastisitas dapat dilihat pada grafik scatterplot pada gambar 4.5.
Universitas Sumatera Utara
Gambar 4.5 Grafik
Scatterplot Sumber: Diolah dari SPSS
Grafik Scatterplot di atas, memperlihatkan titik-titik menyebar secara acak serta tidak membentuk pola tertentu atau tidak teratur. Hal
ini mengindikasikan tidak terjadi heteroskedasitas pada model regresi sehingga data layak dipakai dalam proses regresi berganda.
4.2.4 Uji Autokorelasi
Kategori