Dari hasil pengolahan data dalam penelitian ini, besarnya nilai Kolmogorov-Smirnov adalah 1,331 dan signifikansinya 0,058, maka dapat
disimpulkan data terdistribusi normal karena nilai signifikan lebih besar dari 0,05.
4.2.2.2. Uji Multikolinearitas
Untuk mendeteksi ada atau tidaknya gejala multikolinearitas dapat dilakukan dengan melihat nilai tolerance dan variance inflation factor VIF, serta
menganalisis korelasi variabel-varabel independen. Hasil pengujian terlihat pada Tabel 4.4 berikut:
Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel bebas. Besarnya tingkat multikolinearitas yang dapat ditolerir, yaitu
tolerance lebih besar dari 0,10 tolerance 0,10, dan variance inflation factor
Tabel 4.4 Hasil Uji Multikolinearitas
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity
Statistics B
Std. Error
Beta Tolerance
VIF Constant
-.004 .014
-.277 .783
ROE -8.816E-005
.001 -.016
-.135 .893
.721 1.387 DER
-.012 .006
-.213 -1.871 .065
.766 1.305 PBV
.016 .007
.260 2.365 .020
.824 1.214 EPS
1.257E-005 .002
.364 2.945 .004
.650 1.538 BETA
.013 .007
.180 1.764 .081
.953 1.050 Sumber: Hasil Penelitian, 2013 Data Diolah
Universitas Sumatera Utara
lebih kecil dari 10 VIF 10. Berdasarkan pada Tabel 4.4, terlihat nilai tolerance dari setiap variabel lebih besar dari 0,10. Nilai tolerance ROE adalah 0,721; DER
= 0,766; PBV = 0,824; dan Beta = 0,953. Sedangkan nilai VIF dari setiap variabel independen lebih kecil dari 10, yaitu ROE = 1,387; DER = 1,305; PBV = 1,214;
EPS = 1,538; dan Beta = 1,050. Hal ini menunjukan bahwa variabel bebas dalam penelitian ini tidak ditemukan adanya korelasi antara variabel bebas, sehingga
dapat disimpulkan bahwa dalam model tidak terjadi gejala multikolinearitas. 4.2.2.3 Uji Heteroskedastisitas
Dalam penelitian ini, untuk mendeteksi adanya gejala heterokedastisitas dalam model regresi adalah dengan melihat grafik plot dari hasil pengolahan data
melalui program SPSS. Jika pada grafik terdapat pola tertentu yang teratur maka mengindikasikan telah terjadi heterokedastisitas. Dan sebaliknya apabila tidak
terdapat pola yang jelas, maka tidak terjadi heteroskedastisitas. Pada Gambar 4.3 berikut terlihat grafik scatterplot untuk menganalisis
terjadi atau tidaknya heteroskedastisitas pada model dengan melihat penyebaran titik-titik pada gambar.
Universitas Sumatera Utara
Sumber: Hasil Penelitian, 2013 Data Diolah
Gambar 4.3 Scatterplot Heteroskedastisitas
Dari Gambar 4.3 grafik scatterplot menunjukkan bahwa titik-titik tersebar secara acak tidak membentuk sebuah pola tertentu yang jelas serta
tersebar baik di atas maupun di bawah angka 0 pada sumbu Y. Hal ini berarti tidak terjadi heteroskedastisitas pada model regresi, sehingga model regresi layak
dipakai untuk memprediksi tingkat pengembalian saham berdasarkan masukan variabel independennya.
Untuk mendeteksi adanya gejala heterokedastisitas dalam model regresi dapat juga dilihat dengan menggunakan uji Glejser. Jika variabel independen
signifikan dan berpengaruh secara statistik terhadap variabel dependen, maka ada indikasi terjadi heterokedastisitas Situmorang dan Lufti, 2011. Hasil pengujian
dapat dilihat pada Tabel 4.5 berikut:
Universitas Sumatera Utara
Tabel 4.5 Hasil Uji Glejser
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. B
Std. Error Beta
Constant .041
.010 4,006 .000
ROE .000
.000 .069
.538 .592 DER
-.003 .005
-.073 -.587 .559 PBV
.002 .005
.051 .430 .669
EPS 3.208E-005
.000 .066
.494 .623 BETA
.002 .005
.049 .443 .659
a.Dependent Variable: absut Sumber: Hasil Penelitian, 2013 Data Diolah
Berdasarkan Tabel 4.5 menunjukkan bahwa tidak satupun variabel independen ROE, DER, PBV, EPS, dan Beta saham yang signifikan dan
berpengaruh terhadap variabel dependen absolut Ut absUt. Hal ini terlihat dari probabilitas signifikansinya di atas tingkat kepercayaan 5. Jadi dapat
disimpulkan bahwa model regresi tidak mengarah adanya heterokedastisitas.
4.2.2.4. Uji Autokorelasi
