86 sebaliknya. Oleh sebab itu dianjurkan disamping uji grafik dilengkapi
dengan uji statistik Ghozali, 2011:163. Adapun hasil perhitungan uji normalitas secara statistic yang dilihat berdasarkan uji kolmogorof-
smirnov adalah sebagai berikut:
Tabel 4.5 Hasil Uji Normalitas Data Secara Statistik
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual N
180 Normal Parameters
a,b
Mean 0E-7
Std. Deviation 32.81288850
Most Extreme Differences Absolute
.095 Positive
.070 Negative
-.095 Kolmogorov-Smirnov Z
1.279 Asymp. Sig. 2-tailed
.076 a. Test distribution is Normal.
b. Calculated from data.
Sumber: Hasil Pengolahan Data, 2016 Berdasarkan hasil terlihat uji kolmogorov-smirnov menyatakan
bahwa nilai unstandarized residual memiliki nilai Asymp. sig. 0,05.
b. Hasil Uji Multikolinieritas
Multikolinieritas berarti terjadi korelasi linier yang mendekati sempurna antar lebih dari dua variabel bebas. Uji Multikolinieritas
bertujuan untuk menguji apakah dalam model regresi yang terbentuk terdapat korelasi yang tinggi atau sempurna diantara variabel bebas. Jika
dalam model regresi yang terbentuk terdapat korelasi yang tinggi atau sempurna diantara variabel bebas maka model regresi tersebut
dinyatakan mengandung gejala multikolinieritas Suliyanto, 2011:81. Metode yang digunakan untuk mengetahui adanya masalah
multikolinieritas dengan menguji koefisien korelasi r antar variabel independen. Sebagai aturan yang kasar rule of thumb, jika koefisien
87 korelasi cukup tinggi diatas 0,85 maka kita duga ada masalah
multikolinieritas dalam model. Sebaliknya jika koefisien korelasi relatif rendah maka kita duga model tidak mengandung unsur multikolinieritas.
Widarjono, 2013:104. Berikut ini hasil Uji Multikolinieritas:
Tabel 4.6 Hasil Uji Multikolinieritas
IOS DPR
FZ ROE
IOS 1.000000
0.157250 0.048903
0.595576 DPR
0.157250 1.000000
0.228375 0.135161
FZ 0.048903
0.228375 1.000000
0.013750 ROE
0.595576 0.135161
0.013750 1.000000
Sumber: Hasil Pengolahan Data, 2016 Berdasarkan tabel hasil uji di atas dapat dilihat bahwa hubungan
antar variabel independen di bawah 0,85. Sehingga dapat disimpulkan bahwa data penelitian tersebut bebas dari masalah multikolinieritas.
c. Hasil Uji Heteroskedastisitas
Heteroskedastisitas berarti ada varian variabel dalam model regresi yang tidak sama konstan. Sebaliknya, jika varian variabel pada
model regresi memiliki nilai yang sama konstan maka disebut homokedastisitas. Masalah Heteroskedastisitas sering terjadi pada
penelitian yang menggunakan data cross-section Dengan adanya heteroskedastisitas estimator OLS Ordinary
Least Square tidak menghasilkan estimator yang Best Linear Unbiased Estimator BLUE hanya Linear Unbiased Estimator LUE.
Dalam mendeteksi masalah heteroskedastisitas dalam model dapat dilakukan dengan uji GoldFeld-Quandt. Uji GoldFeld-Quandt
88 mengasumsikan bahwa metode deteksi heteroskedastisitas
merupakan fungsi positif dari variabel independen. Widardjono, 2013:116. Hipotesis dalam uji ini adalah:
H
o
: Tidak ada masalah Heteroskedastisitas H
a
: Ada masalah Hetereskedastisitas. Pengambilan keputusan dalam uji ini adalah Jika nilai F hitung
lebih besar dari nilai F kritis maka dapat ditarik kesimpulan menolak hipotesis nol dan menerima hipotesis alternatif yang berarti terdapat
masalah heterokedastisitas. Sebaliknya jika F hitung lebih kecil dari nilai F kritis sehingga menerima hipotesis nol dan menolak hipotesis alternatif
sehingga dapat ditarik kesimpulan tidak ada masalah heterokedastisitas Widardjono, 2013:121.
Tabel 4.7 Hasil Regresi Kelompok 1
Dependent Variable: PBV Method: Least Squares
Date: 012610 Time: 18:00 Sample: 1 55
Included observations: 55 Variable
Coefficient Std. Error
t-Statistic Prob.
C -13.39078
10.17675 -1.315820
0.1942 IOS
0.308049 0.085342
3.609578 0.0007
DPR 0.184363
0.076637 2.405656
0.0199 FZ
0.140317 0.060651
2.313520 0.0248
ROE 0.593285
0.087285 6.797120
0.0000 R-squared
0.730515 Mean dependent var 82.62727
Adjusted R-squared 0.708956 S.D. dependent var
42.64140 S.E. of regression
23.00438 Akaike info criterion 9.195754
Sum squared resid 26460.08 Schwarz criterion
9.378239 Log likelihood
-247.8832 Hannan-Quinn criter. 9.266323
F-statistic 33.88479 Durbin-Watson stat
1.294737 ProbF-statistic
0.000000
Sumber: Hasil Pengolahan Data, 2016
89
Tabel 4.8 Hasil Regresi Kelompok 2
Dependent Variable: PBV Method: Least Squares
Date: 012610 Time: 18:01 Sample: 126 180
Included observations: 55 Variable
Coefficient Std. Error
t-Statistic Prob.
C -36.07516
15.01285 -2.402952
0.0200 IOS
0.002282 0.185675
0.012288 0.9902
DPR 0.439844
0.116567 3.773306
0.0004 FZ
0.432783 0.099877
4.333140 0.0001
ROE 0.346254
0.148484 2.331924
0.0238 R-squared
0.599001 Mean dependent var 83.16364
Adjusted R-squared 0.566921 S.D. dependent var
53.79979 S.E. of regression
35.40498 Akaike info criterion 10.05809
Sum squared resid 62675.63 Schwarz criterion
10.24057 Log likelihood
-271.5975 Hannan-Quinn criter. 10.12866
F-statistic 18.67211 Durbin-Watson stat
1.082088 ProbF-statistic
0.000000
Sumber: Hasil Pengolahan Data, 2016
Perhitungan df:
Perhitungan F hitung:
Nilai F
tabel
α 5 dengan df 50 adalah 2,43. Berdasarkan hasil perhitungan di atas besarnya F
hitung
sebesar 2,37 dan F
tabel
sebesar 2,43. Sehingga dapat dilihat bahwa F
hitung
lebih kecil daripada F
tabel
sehingga dapat disimpulkan menerima hipotesis nol dan menolak hipotesis
alternatif sehingga data tersebut terbebas dari masalah heterokedastisitas.
90
d. Hasil Uji Autokorelasi
