commit to user
1,935 berada di antara d
u
1,771dan 4-d
u
2,229 d
u
d
w
4-d
u
maka dapat disimpulkan tidak terdapat autokorelasi antarresidual.
Tabel IV.9 Hasil Uji Durbin Watson
Luas voluntary disclosure model kedua_pembobotan
Model R R
2
Adjusted R
2
Std. Error of the
Estimate Durbin-
Watson
5 0,338
e
0,114 0,096
0,111 1,815
e. Prediktor: Constant, UKKOM f. Variabel dependen: VDISC pembobotan
Sumber: Hasil Pengolahan Data Statistik Berdasarkan hasil uji Durbin Watson pada Tabel IV.10 di atas, nilai d
hitung
Durbin Watson diperoleh sebesar 1,815 yang berada di antara d
u
dan 4-d
u
atau d
u
d4-d
u.
Nilai Durbin Watson sebesar 1,815 dibandingkan dengan nilai tabel dengan menggunakan nilai signifikansi 5,000, yang mana jumlah sampel
observasi sebesar 51 n dan jumlah variabel independen 5 k=5. Setelah nilai d
u
diperoleh, maka dapat ditentukan nilai 4–d
u
sebesar 2,229 4-1,771. Oleh karena nilai d
hitung
1,815 berada di antara d
u
1,771dan 4-d
u
2,229, maka dapat disimpulkan tidak terdapat autokorelasi antarresidual.
4. Uji Heteroskedastisitas
Hasil pengujian heterokedastisitas disajikan pada Grafik IV.1 berikut ini :
commit to user
Gambar IV.2 Uji Heteroskedastisitas
Luas voluntary disclosure model pertama_tanpa pembobotan
Gambar IV.3 Uji Heteroskedastisitas
Luas voluntary disclosure model kedua_pembobotan Berdasarkan Grafik IV.1 dan IV.2 di atas, terlihat bahwa titik-titik menyebar
secara acak serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y. Hal ini mengindikasikan dalam penelitian ini tidak terjadi heteroskedastisitas pada
model regresi dengan maupun tanpa pembobotan sehingga model layak dipakai
commit to user
untuk memprediksi luas voluntary disclosure berdasarkan variabel independen kepemilikan institusional, kepemilikan manajerial dan tipe kepemilikan. Uji
heteroskedastisitas pada penelitian ini tidak hanya menggunakan analisis plot mengingat sampel yang digunakan hanya 51 perusahaan. Analisis dengan grafik
plots memiliki kelemahan yang cukup signifikan oleh karena jumlah pengamatan mempengaruhi hasil ploting. Semakin sedikit jumlah pengamatan semakin sulit
menginterpretasikan hasil grafik plot. Oleh sebab itu, diperlukan uji statistik yang lebih dapat menjamin keakuratan hasil Ghozali, 2006. Uji statistik yang
digunakan dalam penelitian ini adalah uji Glejser. Tabel IV.10
Hasil Uji Glesjer Luas voluntary disclosure model pertama_tanpa pembobotan
Variabel Sig
Kriteria Simpulan KMAN 0,744
Sig0,05 Tidak terjadi
heteroskedastisitas KINST 0,434
Sig0,05 Tidak terjadi
heteroskedastisitas KTIPE 0,506
Sig0,05 Tidak terjadi
heteroskedastisitas UKKOM 0,761
Sig0,05 Tidak terjadi
heteroskedastisitas UKKA 0,590
Sig0,05 Tidak terjadi
heteroskedastisitas Dependen Variabel: Abs_Res
Hasil uji Glejser menunjukkan bahwa tidak ada satupun variabel independen yang signifikan secara statistik mempengaruhi variabel dependen nilai Absolut
Res Abs_Ut. Hal ini terlihat dari probabilitas signifikansinya di atas tingkat kepercayaan 5,000. Jadi dapat disimpulkan model regresi tidak mengandung
adanya heteroskedastisitas.
commit to user
Tabel IV.11 Hasil Uji Glesjer
Luas voluntary disclosure model kedua_tanpa pembobotan Variabel
Sig Kriteria Simpulan
KMAN 0,469
Sig0,05 Tidak terjadi
heteroskedastisitas KINST
0,749 Sig0,05 Tidak
terjadi heteroskedastisitas
KTIPE 0,538
Sig0,05 Tidak terjadi
heteroskedastisitas UKKOM
0,792 Sig0,05 Tidak
terjadi heteroskedastisitas
UKKA 0,296
Sig0,05 Tidak terjadi
heteroskedastisitas Dependen Variabel: Abs_res
Hasil uji Glejser menunjukkan bahwa tidak ada satupun variabel independen yang signifikan secara statistik mempengaruhi variabel dependen nilai Absolut
Res AbsUt_pembobotan. Hal ini terlihat dari probabilitas signifikansinya di atas tingkat kepercayaan 5,000. Jadi dapat disimpulkan model regresi tidak
mengandung adanya heteroskedastisitas. Berdasarkan hasil uji asumsi klasik linier di atas secara keseluruhan dapat
disimpulkan bahwa model regresi untuk memprediksi voluntary disclosure dalam penelitian, baik model tanpa pembobotan maupun model pembobotan telah
memenuhi asumsi normalitas dan bebas dari gejala multikoloniearitas, autokorelasi, dan heteroskedastisitas. Oleh karena itu, model regresi ini dapat
digunakan sebagai dasar analisis.
5. Analisa Hasil Regresi
