70
a. Test distribution is Normal. b. Calculated from data.
Pada Tabel 4.2 diketahui bahwa nilai Asymp.Sig. 2-tailed adalah 0,002 di bawah batas nilai signifikan 5 0,05. Dengan kata lain variabel residual tidak
berdistribusi normal. Sehingga dilakukan transformasi data, dengan mengubah seluruh data variabel menjadi bentuk logaritma natural Ln.
Tabel 4.3 Hasil Uji Normalitas Sesudah Transformasi Data
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 144
Normal Parameters
a,b
Mean .0000000
Std. Deviation .44788056
Most Extreme Differences Absolute
.086 Positive
.086 Negative
-.053 Kolmogorov-Smirnov Z
1.035 Asymp. Sig. 2-tailed
.234 a. Test distribution is Normal.
b. Calculated from data.
Pada Tabel 4.3 diketahui bahwa nilai Asymp.Sig. 2-tailed adalah 0,234 di atas batas nilai signifikan 5 0,05. Dengan kata lain variabel residual telah
terdistribusi secara normal.
4.2.2.2 Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terdapat ketidaksamaan varians dari residual satu pengamatan ke
pengamatan lain tetap, maka terjadi homokedastisitas dan jika berbeda maka disebut heteroskedastisitas. Model regresi yang baik adalah tidak terjadi
71
heteroskedastisitas. Cara untuk melihat apakah heteroskedastisitas atau tidak, dapat dilakukan dengan dua cara yaitu melalui pendekatan grafik dan pendekatan
statistik. 1.
Pendekatan Grafik Titik data harus tidak mencerminkan suatu pola yang tidak sistematis atau
dapat dikatakan acak. Gambar grafik untuk menguji heteroskedastisitas ditampilkan berikut ini.
Sumber: Hasil Penelitian, 2014 data diolah
Gambar 4.3 Hasil Uji Heteroskedastisitas Grafik Scatterplot
Pada Gambar 4.4 terlihat penyebaran titik-titik secara acak dan tidak membentuk suatu pola tertentu yang jelas serta tersebar baik di atas maupun di
bawah angka nol 0 pada sumbu Y. Dengan demikian dapat disimpulkan tidak terdapat gejala heteroskedastisitas pada model regresi dalam penelitian ini.
2. Pendekatan Statistik
Pendekatan statistik yang digunakan untuk melihat apakah terjadi heteroskedastisitas atau tidak, dilakukan dengan menggunakan uji Glejser.
Berikut ini ditampilkan tabel uji Glejser.
72
Tabel 4.4 Hasil Uji Heteroskedastisitas Uji
Glejser Sebelum Transformasi Data
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error
Beta 1
Constant -1.130
.559 -2.020
.045 LN_ROA
-.024 .027
-.121 -.895
.372 LN_EPS
-.019 .009
-.192 -2.028
.545 LN_EP
-.014 .031
-.068 -.459
.647 LN_UMUR
.074 .067
.096 1.107
.270 LN_UKURAN
.724 .285
.224 2.538
.112 a. Dependent Variable: absut
Hasil Penelitian, 2014 data diolah
Berdasarkan uji heteroskedastisitas melalui uji Glejser pada Tabel 4.4 terlihat bahwa variabel independen ROA, EPS, EP, Umur Perusahaan, dan
Ukuran Perusahaan sudah bebas dari gejala heteroskedastisitas yang ditunjukkan dengan tingkat signifikansi di atas 5 0,05.
4.2.2.3 Uji Autokorelasi
Uji autokorelasi bertujuan menguji apakah dalam model regresi linier ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan
pengganggu pada periode sebelumnya. Penelitian ini menggunakan uji Durbin- Watson untuk menguji ada tidaknya masalah autokorelasi.
Tabel 4.5 Hasil Uji Autokorelasi
Durbin-Watson
Model R
R Square
Adjusted R Square
Std. Error of the Estimate
Durbin-Watson 1
.397 .157
.127 .45592
2.308
a. Predictors: Constant, LN_UKURAN, LN_UMUR, LN_ROA, LN_EPS, LN_EP b. Dependent Variable: LN_VAIC
Hasil Penelitian, 2014 data diolah
73
Hasil uji autokorelasi pada Tabel 4.5 menunjukkan nilai statistik Durbin Watson DW sebesar 2,308. maka berdasarkan tabel Durbin Watson diperoleh
nilai batas atas du sebesar 1,610. Sesuai ketentuan kriteria tidak terjadinya autokorelasi adalah du d 4 – du, hasil pengujian 1,810 2,308 2,390. Dari
hasil tersebut, maka pengujian autokorelasi memenuhi kriteria yang berarti tidak terjadi autokorelasi positif atau negatif pada model regresi penelitian ini.
4.2.2.4 Uji Multikolinieritas