operasi menjadi negatif. Sedangkan nilai rata-rata Rentabilitas Ekonomis Basic Earning Power paling tinggi diraih oleh emiten dengan kode SHDA sebesar
24,580. Hal ini menandakan bahwa SHDA paling efektif dalam menggunakan seluruh sumber dayanya dalam meningkatkan penjualan sehingga laba operasi
juga akan semakin meningkat.
B. Regresi Linier Berganda
Regresi linier berganda dilakukan untuk mengetahui pengaruh variabel bebas, yakni Efektivitas Modal Kerja WCT dan Total Assets Turnover TATO
terhadap variabel terikat yaitu Rentabilitas Ekonomis Basic Earning Power pada Industri Makanan dan Minuman di Bursa Efek Indonesia. Tabel 4.4 berikut ini
menunjukkan hasil uji regresi menggunakan melalui pengolahan data dengan SPSS 12.00 for Windows.
Tabel 4.4 Hasil Uji Regresi
Coefficientsa
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. B
Std. Error Beta
1 Constant
-,008 ,027
-,283 ,778
WCT ,000
,000 ,013
,124 ,902
TATO ,078
,024 ,353
3,251 ,002
a Dependent Variable: Rentabilitas_Ekonomis Sumber: Hasil olahan SPSS
Dari Tabel 4.4 dapat diperoleh persamaan regresi linier berganda sebagai berikut :
Y = -0,008 + 0,000 WCT + 0,078 TATO + e
Universitas Sumatera Utara
Dimana: Y
= Rentabilitas Ekonomis Basic Earning Power
1
X
= Working Capital Turnover WCT
2
X
= Total Assets Turnover TATO
C. Pengujian Asumsi Klasik
Agar model persamaan regresi linier berganda memberikan hasil yang representatif sesuai kriteria Best, Linier, Unbiased, Estimated BLUE, maka
dilakukan uji asumsi dasar klasik sebelum model tersebut digunakan untuk menguji hipotesis yang diajukan. Persamaan yang dibangun harus memenuhi
asumsi dasar: data berdistribusi normal, tidak terjadi gejala multikolinearitas, tidak ada gejala autokorelasi, dan tidak terjadi heterokedastisitas. Adapun uji
asumsi dasar klasik yang dilakukan adalah sebagai berikut:
1. Uji Normalitas Uji normalitas adalah uji yang digunakan untuk mengetahui apakah
distribusi sebuah data mengikuti atau mendekati distribusi normal, yakni distribusi data dengan bentuk seperti lonceng. Data yang baik adalah data yang mempunyai
pola seperti distribusi normal, yakni distribusi data tersebut tidak menceng ke kiri atau menceng ke kanan.
Awalnya diperoleh data yang menyebar secara tidak normal. Hal ini disebabkan karena adanya nilai-nilai ekstrim Outlier yang dapat mengganggu
estimasi koefisien regresi, yang dapat berakibat tidak tepatnya model regresi yang dibuat Nachrowi, 2006:170. Menurut Nachrowi 2006:170, Outlier sangat
Universitas Sumatera Utara
mengganggu maka diputuskan untuk membuang observasi yang bernilai ekstrim tersebut yaitu observasi No.35, 52 dan 69 seperti yang terlihat pada tabel 4.5
berikut ini :
Tabel 4.5
Casewise Diagnostics
a
-4.423 -.6784
.079216 -.7575910
-3.397 -.5601
.021787 -.5819053
-3.252 -.5467
.010397 -.5570741
Case Number 35
52 69
Std. Residual Rentabilitas_
Ekonomis Predicted
Value Residual
Dependent Variable: Rentabilitas_Ekonomis a.
Sumber: Hasil olahan SPSS
Nilai-nilai ekstrim Outlier mengakibatkan data tidak berdistribusi normal. Hal ini dapat dilihat dari Gambar 4.4 sebagai berikut :
-6 -4
-2 2
4
Regression Standardized Residual
10 20
30 40
Frequency
Mean = -1.18E-16 Std. Dev. = 0.988
N = 85
Dependent Variable: Rentabilitas_Ekonomis Histogram
Sumber: Hasil olahan SPSS Gambar 4.4: Histogram Variabel Dependent Rentabilitas_Ekonomis
Gambar 4.4 menunjukkan bahwa sebelum Outlier dikeluarkan dari model, pola residual menjadi condong ke kanan. Padahal seharusnya mengikuti distribusi
Universitas Sumatera Utara
normal. Cara lain untuk menguji normalitas data dengan grafik adalah dengan melihat penyebaran data titik pada garis diagonal dari grafik normalitas Normal
P-P Plot. Jika data menyebar disekitar garis diagonal, maka dapat disimpulkan bahwa data berdistribusi normal. Namun, jika data menyebar jauh dari garis
diagonal atau tidak mengikuti arah garis diagonal, maka dapat disimpulkan bahwa data tidak berdistribusi normal.
Gambar 4.5 menunjukkan bahwa pada saat outlier belum dikeluarkan, data menyebar jauh dari garis diagonal atau tidak mengikuti arah garis diagonal, maka
dapat disimpulkan bahwa data tidak berdistribusi normal.
0.0 0.2
0.4 0.6
0.8 1.0
Observed Cum Prob
0.0 0.2
0.4 0.6
0.8 1.0
Expected Cu
m Prob
Dependent Variable: Rentabilitas_Ekonomis Normal P-P Plot of Regression Standardized Residual
Sumber: Hasil olahan SPSS Gambar 4.5 Normal P-P Plot of Regression Standardized Residual
Dependent Variable Rentabilitas_Ekonomis
Cara lain yang dilakukan untuk memastikan apakah data tersebut berdistribusi normal atau tidak, maka dilakukan uji Kolmogrov Smirnov
1 Sample KS yakni dengan melihat data residualnya apakah berdistribusi normal
Universitas Sumatera Utara
atau tidak. Jika nilai Asymp.sig 2-tailed taraf nyata α = 0,05 maka data
residual berdistribusi normal. Sebaliknya, jika nilai Asymp.sig 2-tailed taraf nyata
α = 0,05 maka residual tidak berdistribusi normal.
Tabel 4.6 Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
85 .0000000
.16923006 .173
.134 -.173
1.594 .012
N Mean
Std. Deviation Normal Parameters
a,b
Absolute Positive
Negative Most Extreme
Differences Kolmogorov-Smirnov Z
Asymp. Sig. 2-tailed Unstandardiz
ed Residual
Test distribution is Normal. a.
Calculated from data. b.
Sumber: Hasil olahan SPSS
Tabel 4.6 menunjukkan bahwa ketika nilai-nilai ekstrem Outlier tidak dikeluarkan maka nilai Asymp.sig 2-tailed adalah sebesar 0,012 lebih kecil dari
taraf nyata α = 0,05. Dengan demikian, dapat disimpulkan bahwa data tidak
berdistribusi normal. Untuk mendapatkan model yang lebih baik, maka tindakan yang harus
dilakukan adalah dengan mengeluarkan semua nilai-nilai ekstrim Outlier tersebut dari penelitian, dalam hal ini Outlier yang dimaksud adalah observasi no.
No.35, 52 dan 69. Setelah observasi no. No.35, 52 dan 69 dikeluarkan, namun masih terdapat dua buah nilai ekstrim Outlier, yaitu pada observasi No.71 dan
75 seperti terlihat pada Tabel 4.7 berikut ini:
Universitas Sumatera Utara
Tabel 4.7
Casewise Diagnostics
a
3.608 .4846
.053151 .4314323
3.667 .5932
.154724 .4385206
Case Number 71
75 Std. Residual
Rentabilitas_ Ekonomis
Predicted Value
Residual Dependent Variable: Rentabilitas_Ekonomis
a.
Sumber: Hasil olahan SPSS
Masih terdapatnya Outlier pada penelitian yaitu observasi No.71 dan 75, menyebabkan data tetap berdistribusi tidak normal. Hal ini dapat dilihat pada
Gambar 4.6 berikut ini:
-2 -1
1 2
3 4
Regression Standardized Residual
5 10
15 20
25 30
Fr eq
ue ncy
Mean = -2.96E-16 Std. Dev. = 0.988
N = 82
Dependent Variable: Rentabilitas_Ekonomis Histogram
Sumber: Hasil olahan SPSS Gambar 4.6: Histogram Variabel Dependent Rentabilitas_Ekonomis
Gambar 4.6 menunjukkan bahwa distribusi data memenceng ke kiri. Padahal seharusnya distribusi data tersebut harus mengikuti distribusi data
normal. Demikian pula apabila menguji normalitas data dengan grafik Normal P- P Plot, akan terlihat bahwa data berdistribusi tidak normal dengan ditandai adanya
Universitas Sumatera Utara
penyebaran data sudah mengikuti garis diagonal meskipun penyebaran data tersebut tidak terlalu jauh lagi dari garis diagonal akan tetapi masih memiliki
Outlier dalam observasi seperti yang terlihat pada Gambar 4.7 berikut ini:
0.0 0.2
0.4 0.6
0.8 1.0
Observed Cum Prob
0.0 0.2
0.4 0.6
0.8 1.0
Ex pe
cte d
Cu m
P rob
Dependent Variable: Rentabilitas_Ekonomis Normal P-P Plot of Regression Standardized Residual
Sumber: Hasil olahan SPSS Gambar 4.7 Normal P-P Plot of Regression Standardized Residual
Dependent Variable Rentabilitas_Ekonomis
Jika pengujian yang dilakukan dengan Kolmogrov Smirnov 1 Sample KS menunjukkan bahwa data tersebut telah berdistribusi normal seperti terlihat pada
Tabel 4.8 berikut in:
Universitas Sumatera Utara
Tabel 4.8 Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
82 .0000000
.11809450 .135
.135 -.101
1.220 .102
N Mean
Std. Deviation Normal Parameters
a,b
Absolute Positive
Negative Most Extreme
Differences Kolmogorov-Smirnov Z
Asymp. Sig. 2-tailed Unstandardiz
ed Residual
Test distribution is Normal. a.
Calculated from data. b.
Sumber: Hasil olahan SPSS
Data distribusi normal pada Tabel 4.8 masih menemukan memiliki nilai ekstrim Outlier sebanyak dua buah yaitu pada Observasi No.71 dan 75. Menurut
Nachrowi 2006:170, nilai-nilai ekstrim Outlier dapat mengganggu estimasi koefisien regresi, yang dapat berakibat tidak tepatnya model regresi yang dibuat
maka nilai ekstrim Outlier harus dikeluarkan sampai diperoleh persamaan regresi tanpa bebas Outlier. Hal ini dapat dibuktikan dari Gambar 4.3 di atas,
dimana distribusi data masih memenceng ke kiri Setelah nilai ekstrim Outlier yaitu No.71 dan 75 dikeluarkan, dan
dilakukan pengolahan kembali, ternyata dari persamaan yang didapat tidak lagi ditemukan Outlier, sehingga data telah berdistribusi normal dan telah memenuhi
model terbaik. Hal ini dapat dilihat pada Gambar 4.8 berikut ini :
Universitas Sumatera Utara
-3 -2
-1 1
2 3
Regression Standardized Residual
5 10
15 20
Fre quen
c y
Mean = -2.76E-16 Std. Dev. = 0.987
N = 80
Dependent Variable: Rentabilitas_Ekonomis Histogram
Sumber: Hasil olahan SPSS Gambar 4.8: Histogram Variabel Dependent Rentabilitas_Ekonomis
Gambar 4.8 menunjukkan bahwa variabel terikat yaitu Rentabilitas Ekonomis mempunyai distribusi normal. Hal ini ditunjukkan oleh distribusi data
tersebut tidak menceng ke kiri atau ke kanan.
Pengujian normalitas data menggunakan Normal P-P Plot maka akan terlihat juga bahwa data tersebut telah berdistribusi dengan normal. Karena, pada
Gambar 4.9 tersebut terlihat titik-titik yang tersebar di sepanjang garis diagonal dan mengikuti arah garis diagonal. Hal ini menunjukkan bahwa data berdistribusi
normal.
Universitas Sumatera Utara
0.0 0.2
0.4 0.6
0.8 1.0
Observed Cum Prob
0.0 0.2
0.4 0.6
0.8 1.0
E x
p ect
ed C u
m Prob
Dependent Variable: Rentabilitas_Ekonomis Normal P-P Plot of Regression Standardized Residual
Sumber: Hasil olahan SPSS Gambar 4.9 Normal P-P Plot of Regression Standardized Residual
Dependent Variable Rentabilitas_Ekonomis
Untuk memastikan apakah data di sepanjang garis diagonal tersebut berdistribusi normal atau tidak, maka dilakukan uji Kolmogorov Smirnov
1 sample KS yakni dengan melihat data residualnya apakah berdistribusi normal atau tidak. Jika nilai Asymp.sig 2-tailed taraf nyata
α = 0,05 maka data residual berdistribusi normal. Sebaliknya, jika nilai Asymp.sig 2-tailed taraf
nyata α = 0,05 maka residual tidak berdistribusi normal.
Universitas Sumatera Utara
Tabel 4.9 Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
80 .0000000
.09671959 .106
.090 -.106
.950 .328
N Mean
Std. Deviation Normal Parameters
a,b
Absolute Positive
Negative Most Extreme
Differences Kolmogorov-Smirnov Z
Asymp. Sig. 2-tailed Unstandardiz
ed Residual
Test distribution is Normal. a.
Calculated from data. b.
Sumber: Hasil olahan SPSS
Tabel 4.9 menunjukkan bahwa nilai Asymp.sig 2-tailed adalah sebesar 0,328 lebih besar dari taraf nyata
α = 0,05. Dengan demikian dapat disimpulkan bahwa data residual telah terdistribusi normal.
2. Uji Multikolinearitas Uji Multikolinearitas bertujuan untuk menguji apakah di dalam model
regresi linier ditemukan adanya korelasi yang tinggi diantara variabel bebas Independent Variabel. Multikolinearitas dapat dilihat dari nilai Variance
Inflation Factor VIF.
Tabel 4.10 Collinearity Statistics
Coefficientsa
Model Collinearity Statistics
Tolerance VIF 1
Constant WCT 0.965
1,036 TATO 0.965
1,036 a. Dependent Variable: Rentabilitas_Ekonomis
Sumber: Hasil olahan SPSS
Universitas Sumatera Utara
Bedasarkan Tabel 4.10 diketahui besarnya nilai VIF untuk masing-masing variabel bebas. Semua variabel bebas mempunyai nilai VIF 5 sehingga dapat
disimpulkan bahwa masalah multikol tidak ada.
3. Uji Autokorelasi Uji Autokorelasi dilakukan untuk menguji apakah pada model regresi
terdapat korelasi kesalahan pengganggu pada periode t dan kesalahan pengganggu pada periode sebelumnya periode t-1. Awalnya ditemukan masalah autokorelasi
di dalam penelitian ini. Hal ini dapat terlihat dari nilai uji Durbin-Watson Test DW.
Peneliti pada mulanya menggunakan uji Durbin-Watson Test DW untuk mendeteksi gejala autokorelasi. Ketika data masih lengkap, Nilai Durbin-Watson
DW pada tabel “model summary” adalah sebesar 2,343 Tabel 4.11. Nilai Durbin-Watson DW harus dibandingkan dengan Tabel Durbin-Watson DW.
Untuk α =5 dan k = 2 banyaknya variabel bebas, n = 85, maka nilai batas
bawah d
L
pada tabel adalah 1,60 dan batas bawah atas d
u
sebesar 1,70. Pengambilan keputusannya yaitu d
U
DW 4- d
U
1,60 2,343 2,30. Dengan demikian nilai DW 4-d
U
seperti yang terlihat pada Tabel 4.11 berikut:
.
Tabel 4.11
Model Summary
b
.283
a
.080 .058
.1712814 2.343
Model 1
R R Square
Adjusted R Square
Std. Error of the Estimate
Durbin- Watson
Predictors: Constant, TATO, WCT a.
Dependent Variable: Rentabilitas_Ekonomis b.
Sumber: Hasil olahan SPSS
Universitas Sumatera Utara
Munculnya Outlier di dalam penelitian menyebabkan data tidak berdistribusi normal dan menimbulkan masalah autokorelasi. Menurut Nachrowi
2006:170, nilai-nilai ekstrim Outlier dapat mengganggu estimasi koefisien regresi, yang dapat berakibat tidak tepatnya model regresi yang dibuat maka nilai
ekstrim Outlier tersebut harus dikeluarkan yaitu Observasi No. 35, 52 dan 69 seperti yang terlihat pada Tabel 4.12 berikut ini :
Tabel 4.12
Casewise Diagnosticsa
Case Number Std. Residual
Rentabilitas_Ek onomis
Predicted Value
Residual 35
-4.423 -.6784
.079216 -.7575910
52 -3.397
-.5601 .021787
-.5819053 69
-3.252 -.5467
.010397 -.5570741
a Dependent Variable: Rentabilitas_Ekonomis
Sumber: Hasil olahan SPSS
Setelah Outlier dikeluarkan dari Observasi No.35, 52 dan 69, dan dilakukan pengolahan kembali, ternyata masih ditemukan nilai ekstrim Outlier
sebanyak dua buah yaitu Observasi No.71 dan 75. Nilai Durbin-Watson DW yang diperoleh makin besar jika dibandingkan ketika data masih lengkap
Tabel 4.11 yaitu sebesar 2,472 yang dapat dilihat pada Tabel 4.13 berikut ini :
Tabel 4.13
Model Summary
b
.338
a
.115 .092
.1195800 2.472
Model 1
R R Square
Adjusted R Square
Std. Error of the Estimate
Durbin- Watson
Predictors: Constant, TATO, WCT a.
Dependent Variable: Rentabilitas_Ekonomis b.
Sumber: Hasil olahan SPSS
Masih ditemukannya nilai ekstrim Outlier sebanyak dua buah yaitu pada Observasi No.71 dan 72, menyebabkan tidak tepatnya model regresi yang
dibuat. Nilai ekstrim Outlier tersebut dapat dilihat pada Tabel 4.14 berikut ini :
Universitas Sumatera Utara
Tabel 4.14
Casewise Diagnostics
a
3.608 .4846
.053151 .4314323
3.667 .5932
.154724 .4385206
Case Number 71
75 Std. Residual
Rentabilitas_ Ekonomis
Predicted Value
Residual Dependent Variable: Rentabilitas_Ekonomis
a.
Sumber: Hasil olahan SPSS
Menurut Nachrowi 2006:170, nilai-nilai ekstrim Outlier dapat mengganggu estimasi koefisien regresi, sehingga harus dikeluarkan dari
Observasi. Setelah Observasi No.71 dan 72 dikeluarkan, dan dilakukan pengolahan kembali, ternyata tidak ditemukan lagi nilai ekstrim Outlier tersebut
dalam persamaan regresi. Nilai Durbin-Watson DW yang diperoleh menurun menjadi 2,404 Tabel 4.15 jika dibandingkan nilai DW pada Tabel 4.13 yaitu
sebesar 2,472. Nilai Durbin-Watson DW sebesar 2,404 pada Tabel “model summary” Tabel 4.15 harus dibandingkan dengan Tabel Durbin-Watson DW.
Untuk α =5 dan k = 2 banyaknya variabel bebas, n = 80, maka nilai batas
bawah d
L
pada tabel adalah 1,59 dan batas atas d
u
sebesar 1,69. Pengambilan keputusannya yaitu d
U
DW 4- d
U
1,59 2,404 2,31. Dengan demikian nilai DW 4-d
U
seperti yang terlihat pada Tabel 4.15 berikut:
.
Tabel 4.15
Model Summary
b
.351
a
.123 .100
.0979676 2.404
Model 1
R R Square
Adjusted R Square
Std. Error of the Estimate
Durbin- Watson
Predictors: Constant, TATO, WCT a.
Dependent Variable: Rentabilitas_Ekonomis b.
Sumber: Hasil olahan SPSS
Berdasarkan penjelasan diatas, uji Durbin-Watson DW tidak dapat digunakan dalam menguji bebasnya masalah autokorelasi dalam penelitian ini.
Oleh karena itu, penulis menggunakan uji autokorelasi yang lain.
Universitas Sumatera Utara
Ada 4 metode dalam mendeteksi masalah autokorelasi Situmorang, et al 82:2008.yaitu :
1. Metode Grafik 2. The Run Test
3. Percobaan d dari Durbin-Watson DW 4. The Breusch-Godfrey BG Test
Penulis selanjutnya memutuskan memilih menggunakan uji Run Test dan Uji Breusch-Godfrey BG Test dalam penelitian ini. Setelah semua Outlier
dikeluarkan dari Observasi, sampai tidak ditemukan lagi Outlier dalam persamaan regresi, maka diperoleh hasil sebagai berikut :
a. Uji Run Test
Menentukan kriteria keputusan : Jika taksiran R berada pada jarak interval, terima hipotesis nol
Ho. Jika taksiran R diluar batas interval, tolak hipotesis nol Ho.
Tabel 4.16
Runs Test
.00884 40
40 80
35 -1.350
.177 Test Value
a
Cases Test Value Cases = Test Value
Total Cases Number of Runs
Z Asymp. Sig. 2-tailed
Unstandardiz ed Residual
Median a.
Sumber: Hasil olahan SPSS
Berdasarkan Tabel 4.16 menunujukkan bahwa test valuenya adalah 0,00884 dengan probabilitas 0,177 tidak signifikan pada 0,05 yang berarti
Universitas Sumatera Utara
hipotesis nol Ho diterima, sehingga dapat disimpulkan bahwa residual random atau tidak terjadi autokorelasi antar nilai residual.
b. The Breusch-Godfrey BG Test Kriteria pengambilan keputusan :
Jika Koefisien parameter untuk variabel Auto Lag menunjukkan probabilitas signifikan di atas tingkat
α = 5, berarti data tidak terkena autokorelasi.
Jika Koefisien parameter untuk variabel Auto Lag menunjukkan probabilitas signifikan di bawah tingkat
α = 5, berarti data terkena autokorelasi.
Tabel 4.17
Coefficients
a
-.003 .027
-.101 .920
.000 .000
-.017 -.151
.880 .004
.024 .020
.176 .861
-.212 .114
-.213 -1.866
.066 Constant
WCT TATO
Auto Model
1 B
Std. Error Unstandardized
Coefficients Beta
Standardized Coefficients
t Sig.
Dependent Variable: Unstandardized Residual a.
Sumber: Hasil olahan SPSS
Berdasarkan Tabel 4.17 terlihat bahwa koefisien parameter untuk variabel Auto Lag menunjukkan probabilitas signifikan 0,066 di atas 0,05,
berarti data tidak terkena autokorelasi.
4. Uji Heterokedastisitas Heterokedastisitas terjadi karena perubahan situasi yang tidak
tergambarkan dalam spesifikasi model regresi. Dengan kata lain, heterokedastisitas terjadi jika residual tidak memiliki varian yang konstan.
Pemeriksaan terhadap gejala Heterokedastisitas adalah dengan melihat pola
Universitas Sumatera Utara
diagram pencar Scatter Plot yaitu grafik yang merupakan diagram pencar residual, yaitu selisih antara nilai Y prediksi dan Y observasi.
a. Model Grafik Hipotesis :
1. Jika diagram pencar yang ada membentuk pola-pola tertentu yang teratur maka regresi mengalami gangguan heterokedastisitas.
2. Jika diagram pencar tidak membentuk pola yang atau acak maka regresi tidak mengalami gangguan heterokedastisitas.
-4 -2
2 4
Regression Standardized Predicted Value
-3 -2
-1 1
2 3
Re gres
s ion Stud
entized Res idua
l
Dependent Variable: Rentabilitas_Ekonomis Scatterplot
Sumber: Hasil olahan SPSS Gambar 4.10 Scatterplot Dependent Variabel Rentabilitas_Ekonomis
Berdasarkan Gambar 4.10 dapat dilihat bahwa diagram pencar tidak membentuk pola oleh karena itu tidak mengalami gangguan heterokedastisitas.
Universitas Sumatera Utara
b. Model Glejser Menentukan kriteria keputusan :
a Jika nilai signifikansi 0,05 , maka tidak mengalami gangguan heterokedastisitas.
b Jika nilai signifikansi 0,05 , maka mengalami gangguan heterokedastisitas.
Tabel 4.18 Uji Glejser
Coefficients
a
.068 .018
3.751 .000
.000 .000
-.196 -1.725
.089 .006
.016 .042
.368 .714
Constant WCT
TATO Model
1 B
Std. Error Unstandardized
Coefficients Beta
Standardized Coefficients
t Sig.
Dependent Variable: Absut a.
Sumber: Hasil olahan SPSS
Berdasarkan Tabel 4.18 menunjukkan bahwa signifikansi setiap variabel bebas lebih besar dari 0,05, maka tidak mengalami gangguan heterokedastisitas.
D. Pengujian Hipotesis