2,2253; ROI 8,760; ROE 9,802. Maka dapat disimpulkan bahwa analisis lebih lanjut dapat dilakukan dengan menggunakan model regresi berganda.
c. Uji heterokedastisitas
Dalam penelitian ini, untuk mendeteksi ada tidaknya gejala heteroskedastisitas adalah dengan melihat plot grafik yang dihasilkan dari
pengolahan data dengan menggunakan program SPSS. Dasar pengambilan keputusannya adalah:
1. jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang terartur bergelombang, melebar kemudian menyempit, maka
mengindikasikan telah terjadi heteroskedastisitas, 2. jika tidak ada pola yang jelas, seperti titik-titik menyebar di atas dan di
bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas atau
terjadi homoskedastisitas.
Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi heteroskedastisitas atau terjadi homoskedastisitas dengan mengamati
penyebaran titik-titik pada gambar.
Gambar 4.3 Scatterplot
Sumber : data diolah oleh penulis, 2011
Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara acak dan tidak membentuk suatu pola tertentu serta tersebar baik di atas maupun di
bawah angka 0 pada sumbu Y, sehingga dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi, sehingga model regresi layak dipakai
untuk memprediksi RS berdasarkan masukan variable independen DER, NPM, EPS, ROI dan ROE. Adanya titik-titik yang menyebar menjauh dari titik-titik
yang lain dikarenakan adanya data observasi yang sangat berbeda dengan data observasi yang lain.
d. Uji Autokorelasi
Uji ini bertujuan untuk melihat apakah dalam suatu model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan
pada periode t-1. Autokorelasi muncul karena observasi yang berurutan sepanjang tahun yang berkaitan satu dengan yang lainnya. Hal ini sering
ditemukan pada data time series. Cara yang dapat digunakan untuk mendeteksi masalah autokorelasi adalah dengan menggunakan nilai uji Durbin Watson.
Untuk uji Durbin Watson memiliki ketentuan sebagai berikut: 4 angka D-W di bawah -2 berarti ada autokorelasi positif,
5 angka D-W di antara -2 sampai +2 berarti tidak ada autokorelasi, 6 angka D-W di atas +2 berarti autokorelasi negatif.
Tabel 4.4 Hasil uji Durbin Watson
Model R
R Square
Adjusted R Square
Std. Error of the Estimate
Durbin- Watson
dimension0
1 .225
a
.050 -.074
1.23045 1.562
a. Predictors: Constant, ROE, NPM, DER, EPS, ROI b. Dependent Variable: RS
Sumber : data diolah oleh penulis, 2011
Tabel 4.4 menunjukkan bahwa nilai statistic Durbin-Watson sebesar 1,562. Angka statistik ini menunjukkan nilai D-W berada diantara -2 sampai 2. Nilai
D-W berada diantara-2 1,562 2 . dari hasil pengamatan , dapat di simpulkan bahwa tidak terjadi autokoralasi.
3. Analisis Regresi
