71
Berdasarkan grafik di atas, titik-titik menyebar berhimpit di sekitar diagonal dan hal ini menunjukkan bahwa residual terdistribusi secara
normal. 3.Pendekatan Kolmogrov-Smirnov
Tabel 4.2 One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 60
Normal Parametersa,b Mean
.0000000 Std. Deviation
.62260712 Most Extreme Differences
Absolute .141
Positive .064
Negative -.141
Kolmogorov-Smirnov Z 1.091
Asymp. Sig. 2-tailed .185
a Test distribution is Normal. b Calculated from data.
Pada tabel 4.2 tampak besarnya nilai Kolmogrov-Smirnov adalah 1.091 dan signifikansinya pada 0.185. Maka dapat disimpulkan bahwa
data berdistribusi normal, karena 0.185 0.05.
4.2.2.2 Heteroskedastisitas
“Pengujian gejala heteroskedastisitas bertujuan untuk melihat apakah dalam model regresi terjadi ketidaksamaan variabel dari residual satu pengamatan ke
pengamatan yang lain” Erlina, 2008:105.
Universitas Sumatera Utara
72
Alat untuk menguji heteroskedastisitas bisa dibagi dua, yakni dengan analisis statistik dan analisis grafik.
1.Analisis Statistik Tabel 4.3
Uji Glejser Coefficientsa
Model Unstandardized Coefficients
Standardized Coefficients
t Sig
. B
Std. Error Beta
1 Constant
-2.590 8.460
-.306 .761
LnASV .418
.209 .653
2.001 .051
LnSIZE .345
2.565 .024
.135 .893
LnRISK -.111
.148 -.232
-.752 .455
LnNDTS -.159
.229 -.267
-.694 .491
LnMB -.041
.101 -.076
-.406 .686
LnROA .011
.067 .034
.171 .865
a Dependent Variable: LnDAR
Pada tabel di atas tampak semua variabel independen memiliki signifikansi 0.05. ASV signifikansinya 0.051, SIZE signifikansinya 0.893,
RISK signifikansinya 0.455, NDTS signifikansinya 0.491, MB signifikansinya 0.686, ROA signifikansinya 0.865. Maka dapat disimpulkan
bahwa regresi tidak mengandung adanya heteroskedastisitas.
Universitas Sumatera Utara
73
2.Pendekatan Grafik
Gambar 4.3 Grafik Scatterplot
Dari grafik scatterplot di atas tampak bahwa titik-titik menyebar secara acak dan tidak membentuk suatu pola tertentu yang jelas serta
tersebar baik di atas maupun di bawah angka nol pada sumbu Y, sehingga dapat disimpulkan bahwa tidak terjadi heteroskedastisitas.
4.2.2.3 Autokorelasi
Uji Autokorelasi bertujuan menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan
kesalahan periode sebelumnya. Ada tidaknya autokorelasi dalam penelitian dideteksi dengan menggunakan uji Durbin-Watson DW.
2.5 0.0
-2.5
Regression Standardized Predicted Value
2 1
-1 -2
-3 -4
Regression S tudenti
zed R
esidual Scatterplot
Dependent Variable: DAR
Universitas Sumatera Utara
74
Tabel 4.4 Hasil Uji Durbin-Watson
Model Summaryb
Model R
R Square Adjusted R
Square Std. Error of the Estimate
Durbin-Watson
1 .620a
.385 .314
.557428 2.161
a Predictors: Constant, LnROA, LnSIZE, LnMB, LnNDTS, LnRISK, LnASV b Dependent Variable: lag_LnDAR
Pada tabel di atas tampak bahwa nilai Durbin-Watson sebesar 2.161, nilai ini akan dibandingkan dengan nilai tabel dengan menggunakan nilai
sigifikansi 5, jumlah sampel 60 N dan jumlah variabel independen 6 k=6, maka di tabel DW akan didapatkan nilai dl=1.372 dan du=1.808.
Oleh karena nilai DW 2.161dari batas atas du 1.808 dan kurang dari 4- 1.808 4-du, berarti kriteria pengambilan keputusan uji autokorelasi jika
1.808 2.161 2.192 menyatakan bahwa tidak ada autokorelasi positif atau negatif, maka dapat disimpulkan bahwa tidak terdapat autokorelasi
dalam penelitian ini.
Universitas Sumatera Utara
75
4.2.2.4 Multikoliniearitas Tabel 4.5
