Uji Heteroskedastisitas Uji Autokorelasi

4.3.1.3. Uji Heteroskedastisitas

Heteroskedastisitas merupakan varian dari residual dari satu pengamatan ke pengamatan lain mempunyai varian yang berbeda. Jika sama namanya Homoskedastisitas. Model regresi yang baik tidak mempunyai Heteroskedastisitas. Mendeteksi adanya Heteroskedastisitas : a Dari Scatter Plot Residual: jika ada pola tertentu seperti titik- titikpoint-point yang ada membentuk pola tertentu yang teratur bergelombang, menyebar kemudian menyempit. b Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas 0 pada sumbu Y, maka tidak terjadi Heteroskedastisitas. c Pada regresi linier nilai residual tidak boleh ada hubungan dengan variabel X. Hal ini bisa diidentifikasi dengan cara menghitung korelasi rank Spearman antara residual dengan seluruh variabel bebas. Rumus rank Spearman adalah : r s = 1 – 6   1 N N d 2 2 i   Keterangan : d i = perbedaan dalam rank antara residual dengan variabel bebas ke-i N = banyaknya data Pengujian Heteroskedastisitas di sini menggunakan korelasi rank Spearman antara residual dengan seluruh variabel bebas dengan hasil analisis sebagai berikut: Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. Tabel 4.9: Hasil Uji Heteroskedastisitas Correlations 1.000 . 50 -.078 .588 50 -.025 .863 50 -.027 .850 50 -.007 .963 50 .013 .928 50 Correlation Coefficient Sig. 2-tailed N Correlation Coefficient Sig. 2-tailed N Correlation Coefficient Sig. 2-tailed N Correlation Coefficient Sig. 2-tailed N Correlation Coefficient Sig. 2-tailed N Correlation Coefficient Sig. 2-tailed N Unstandardized Residual CAR RORA NPM ROA LDR Spearmans rho Unstandardiz ed Residual Sumber: Data yang diolah Hasil analisis menunjukkan bahwa pada variabel X 1 = 0.588, X 2 = 0.863, X 3 = 0.850, X 4 = 0.963 dan X 5 = 0.928 TIDAK mempunyai korelasi yang signifikan antara residual dengan variabel bebasnya, maka hasil analisis ini dapat disimpulkan semua variabel penelitian tidak terjadi Heteroskedastisitas.

4.3.1.4. Uji Autokorelasi

Autokorelasi merupakan adanya korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu periode t-1 sebelumnya. Mendeteksi adanya Autokorelasi: a. Besarnya Angka Durbin Watson Angka D-W di bawah –2 ada autokorelasi positif Angka D-W di atas +2 ada autokorelasi negatif Angka Berada diantara –2 sampai +2 Tidak ada Autokorelasi Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. atau Membandingkan dengan Tabel Durbin Watson b. Koefisien determinasi berganda R square tinggi. c. Koefisien korelasi sederhananya tinggi. d. Nilai F hitung tinggi signifikan. e. Tapi tak satupun atau sedikit sekali diantara variabel bebas yang signifikan. Untuk asumsi klasik yang mendeteksi adanya autokorelasi di sini dilihat dari hasil analisis yang menunjukkan hasil bahwa nilai Durbin Watson sebesar 1.574, hal ini menunjukkan tidak terdapat gejala autokorelasi. Tabel 4.10: Hasil Uji Autokorelasi Model Summary b .742 a .551 .500 671.696 1.574 Model 1 R R Square Adjusted R Square Std. Error of the Estimate Durbin- Watson Predictors: Constant, LDR, ROA, CAR, NPM, RORA a. Dependent Variable: Per.HargaSaham b. Jadi dapat disimpulkan bahwa model regresi linier berganda yang diperoleh pada penelitian ini sebagian data tidak memenuhi asumsi klasiknya yaitu tidak memenuhi multikolinieritas dan normalitas datanya untuk sebagian variabel, sehingga hasil analisis mengandung bias untuk diintepretasikan secara keseluruhan terutama mengenai multikolinieritas dan data penelitian, meskipun kualitas datanya telah memenuhi syarat. Oleh karena itu idealnya perlu dilakukan upaya menghindarkan pelanggaran asumsi klasiknya, upaya tersebut yaitu dengan melakukan pengobatan atas pelanggaran asumsi klasiknya diantaranya yaitu dengan melakukan pengujian kembali. Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. Untuk memperoleh hasil penelitian yang lebih baik, maka peneliti menganggap perlu untuk melakukan pengujian lagi dengan menganalisis variabel yang diperkirakan dapat memperoleh hasil yang lebih baik, untuk itu dengan pertimbangan nilai multikolinieritas dan lainnya, maka peneliti melakukan trimming membuang variabel RORA X 2 , sehingga data variabel penelitian yang dianalisis yaitu variabel X 1 , X 3 , X 4 dan X 5 terhadap Y dengan hasil analisis sebagai berikut: Tabel 4.11: Hasil Statistik Deskriptif Descriptive Statistics 571.56 950.022 50 19.8758 8.30646 50 12.1572 7.05749 50 1.6484 .95607 50 61.1052 14.23932 50 Per.HargaSaham CAR NPM ROA LDR Mean Std. Deviation N Sumber: Data yang diolah

a. Uji Multikolinieritas