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