Dari Tabel Kolmogorov-Smirnov di atas, nilai Asymp. Sig. 2-tailed nya sebesar 0,232 yang berarti 0,05 sehingga dapat ditarik kesimpulan bahwa
data penelitian sudah terdistribusi dengan normal.
4.3.2 Uji Multikolinearitas
Uji multikolinieritas bertujuan untuk menguji apakah suatu model regresi ditemukan adanya korelasi antar variabel bebas Ghozali, 2006 : 91.
Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel independen. Jika variabel independen saling korelasi, maka variabel-variabel ini
tidak ortogal Ghozali, 2006 : 91. Untuk mendeteksi ada tidaknya multikolinieritas dalam model regresi dapat dilihat dari tolerance value atau
variance inflation factor VIF dengan ketentuan-ketentuan sebagai berikut :
1. Jika nilai tolerance 0,1 dan nilai VIF 10, maka dapat disimpulkan bahwa tidak ada multikolinieritas antar variabel independen dalam model regresi.
2. Jika nilai tolerance 0,1 dan nilai VIF 10, maka dapat disimpulkan bahwa ada multikolinieritas antar variabel independen dalam model regresi.
Hasil uji multikolinearitas dalam penelitian ini dapat dilihat dalam tabel di bawah ini.
Tabel 4.3 Uji Multikolinearitas
Coefficients
a
Model Collinearity Statistics
Tolerance VIF
1 CR
.792 1.263
DER .794
1.259 TATO
.968 1.033
Universitas Sumatera Utara
Dari Tabel 4.4 di atas, maka diperoleh nilai VIF dari masing-masing variabel independen untuk variabel Current Ratio CRsebesar 1,263, Debt to
Equity Ratio DER sebesar 1,259, dan Total Asset TurnoverTATO sebesar
1,033. Selain itu nilai tolerance setiap variabel lebih dari 0,01. Sehingga dapat disimpulkan tidak terjadi Multikolinearitas di dalam penelitian karena setiap
variabel independen nilai VIF 10 dan nilai tolerance setiap variabel 0,01.
4.3.3 Uji Autokorelasi
Menurut Ghozali 2006 : 95 “Uji Autokorelasi bertujuan menguji
apakah dalam modal regresi linier ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1sebelumnya”.
Autokorelasi terjadi karena adanya waktu observasi penelitian yang berurutan antar satu penelitian dengan penelitian lain. Masalah ini timbul karena residual
kesalahan pengganggu tidak bebas dari satu observasi ke observasi lainnya. Hal ini sering ditemukan pada data runtut waktu atau time series. Model regresi yang
baik adalah model regresi yang terbebas dari autokorelasi. Cara menguji autokorelasi dapat dilakukan dengan menggunakan Durbin Watson untuk melihat
apakah model regresi linear berganda terbebas dari autokorelasi. Suatu model dikatakan terbebas dari autokorelasi apabila nilai du d 4-du
Tabel 4.4 Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .259
a
.167 .119
.828932 1.667
a. Predictors: Constant, TATO, DER, CR
Universitas Sumatera Utara
Hasil pengujian pada tabel memperlihatkan nilai statistik Durbin - Watson
sebesar 1,667. Nilai ini akan dibandingkan dengan nilai tabel Durbin - Watson
dengan nilai signifikansi 5, jumlah data adalah 40, jumlah variabel adalah 3 k = 3, maka dalam tabel nilai Durbin – Watsonakan diperoleh nilai du =
1,6589 dan 4-du = 2,3411. Sehingga persamaannya akan menjadi 1,6589 1,667 2,3411. Dengan demikian dapat dikatakan bahwa penelitian ini terbebas dari
adanya autokorelasi.
4.3.4 Uji Heteroskedasitas
