59
setiap ada kenaikan sebesar satu-satuan maka akan berdampak pada penurunan Struktur Modal Perusahaan sebesar -257,928 satuan.
β
4
= 6,389 menunjukkan bahwa faktor Struktur Kepemilikan mempunyai pengaruh positif terhadap Struktur Modal Perusahaan Securities yang
go public di BEI, dapat diartikan apabila ada kenaikan pada Struktur Kepemilikan maka Struktur Modal Perusahaan akan mengalami
peningkatan dan begitu pula sebaliknya. Hasil perhitungan menunjukkan bahwa setiap ada kenaikan sebesar satu-satuan maka
akan berdampak pada peningkatan Struktur Modal Perusahaan sebesar 6,389 satuan.
4.3.2. Uji Asumsi Klasik
Sebelum diuji persamaan regresi sesuai dengan pengujian secara simultan maupun secara parsial, maka akan dilihat terlebih dahulu apakah
persamaan : Y = β
+ β
1
X
1
+ β
2
X
2
+ β
3
X
3
+ β
4
X
4
+
ε
i
Yang diasumsikan tidak terjadi pengaruh besar antar variabel bebas atau regresi yang bersifat BLUE Best Linier Unbiased Estimator artinya
koefisien regresi pada persamaan tersebut betul-betul linier dan tidak bias atau tidak terjadi penyimpangan-penyimpangan. Pengujian ini terdiri dari :
60
1. Uji Multikolinieritas Digunakan untuk menguji apakah variabel bebas saling berkorelasi satu
dengan lainnya. Untuk mengetahui apakah gejala ini maka dapat diketahui dengan cara yaitu besaran VIF dan Tolerance.
a. Besarnya VIF Variance Inflation Factor dan Tolerance
- Jika VIF melebihi angka 10, maka variabel tersebut mengindikasikan
adanya multikolinieritas. Gujarati b.
Nilai Eigenvalue mendekati 0 Singgih Santoso c.
Condition Index melebihi angka 15 Singgih Santoso Dari hasil perhitungan diperoleh nilai VIF dan Tolerance yaitu :
Tabel 4.7 Nilai Tolerance dan VIF
Keterangan Tolerance
VIF X
1
0,909 1,100
X
2
0,946 1,057
X
3
0,942 1,062
X
4
0,985 1,015
Sumber : Data Diolah Nilai tersebut menunjukkan bahwa persamaan regresi tersebut bebas dari
gejala multikolinieritas, karena nilai Tolerance mendekati angka 1 dan nilai VIF disekitar 1 dan tidak melebihi 10.
61
2. Uji Autokorelasi Autokorelasi : Adanya korelasi antara kesalahan pengganggu pada periode
t dengan kesalahan pengganggu periode t-1 sebelumnya. Jika data di atas
15
Catatan: Autokorelasi pada sebagian besar data time series. Deteksi Autokorelasi:
a. Besarnya Angka Durbin Watson
Patokan : 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 atau Membandingkan dengan Tabel Durbin Watson
Identifikasi gejala autokorelasi dapat dilakukan dengan kurva di bawah ini.
Tidak ada autokorelasi positif dan tidak ada
autokorelasi negatif
dL dU
4 - dU 4 - dL
4
ad a a
u to
k o
re la
si p
o sitif
daerah keragu
raguan
ad a a
u to
k o
re la
si n
eg at
if daerah
keragu raguan
a. Koefisien determinasi berganda R square tinggi
b. Koefisien korelasi sederhananya tinggi.
c. Nilai F hitung tinggi signifikan
62
d. 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 1,428 dimana dL1,361 dan dU1,720, hal ini
menunjukkan bahwa Durbin Watson berada di daerah tidak ada autokorelasi positif maupun negatif.
3. Uji Heteroskedastisitas
Heteroskedastisitas : Varian dari residual dari satu pengamatan ke
pengamatan lain mempunyai varian yang berbeda. Jika sama namanya Homoskedastisitas. Model regresi yang baik tidak mempunyai
Heteroskedastisitas. Deteksi Adanya Heteroskedastisitas :
a. Dari Scatter Plot Residual
b. Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas 0 pada
sumbu Y, maka tidak terjadi Heteroskedastisitas. : jika ada pola tertentu seperti titik-titik point-
point yang ada membentuk pola tertentu yang teratur bergelombang, menyebar kemudian menyempit
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 :
63
r
s
1 N
N d
2 2
i
−
∑
= 1 – 6
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 dan
Correlations
1,000 ,658
,445 -,115
,063 ,658
1,000 ,210
,208 -,055
,445 ,210
1,000 -,033
-,064 -,115
,208 -,033
1,000 -,099
,063 -,055
-,064 -,099
1,000 .
,000 ,001
,219 ,334
,000 .
,076 ,078
,355 ,001
,076 .
,412 ,332
,219 ,078
,412 .
,251 ,334
,355 ,332
,251 .
48 48
48 48
48 48
48 48
48 48
48 48
48 48
48 48
48 48
48 48
48 48
48 48
48 Y
X1 X2
X3 X4
Y X1
X2 X3
X4 Y
X1 X2
X3 X4
Pearson Correlation
Sig. 1-tailed
N Y
X1 X2
X3 X4
Scatter Plot Residual. korelasi rank Spearman sbb:
Nonparametric Correlations
Hasil analisis menunjukkan bahwa pada variabel Pertumbuhan Aktiva X1 sig = 0,000, Resiko Bisnis X2 sig =0,001, Struktur Aktiva X3
sig=0,219 dan Struktur Kepemilikan X4 sig=0,334, maka TIDAK mempunyai korelasi yang signifikan antara residual dengan variabel
64
bebasnya, berarti semua variabel penelitian tidak terjadi Heteroskedastisitas.
Dari gambar diagram Scatter Plot Residual
4 2
-2 -4
Regression Studentized Residual
4 3
2 1
-1 -2
R egressi
on S
tandardi zed
P redi
ct ed
V a
lu e
Dependent Variable: Y Scatterplot
Sbb:
Dari diagram pancar residual diatas diketahui tidak membentuk pola tertentu, maka regresi dinyatakan terbebas dari heterokedastisitas dan
memenuhi persyaratan asumsi klasik tentang heterokedastisitas
4.3.3. Pengujian Hipotesis