tersebut menunjukkan bahwa data yang diambil berdistribusi normal karena signifikansi Asymp. Sig. 2-tailed lebih besar dari taraf signifikansi.
2. Hasil Uji Asumsi Klasik
Model regresi linear berganda multiple regression dapat dikatakan sebagai model yang baik jika model tersebut memenuhi criteria BLUE Best
Linear Unbiased Estimator. BLUE dapat dicapai bila data terdistribusi normal dengan menggunakan uji normalitas serta terbebas dari gejala autokorelasi,
multikolinearitas, dan heteroskedastisitas Setyadharma, 2010. a. Uji Multikolinearitas
Uji multikolinearitas dilakukan untuk menguji apakah dalam model regresi ditemukan adanya korelasi antar variabel independen. Model regresi yang
baik seharusnya tidak terjadi korelasi diantara variabel bebas Priyatno, 2011. Metode pengujian yang biasa digunakan adalah dengan melihat nilai Inflation
Factor VIF dan tolerance pada model regresi. Jika nilai VIF kurang dari 10 dan tolerance
lebih dari
0,1 maka
model regresi
terbebas dari
masalah multikolinearitas. Hasil uji multikolinearitas dapat dilihat pada Tabel 4.12 berikut:
Tabel 4.12 Hasil Uji Multikolinearitas
Model Collinearity Statistics
Tolerance VIF
constant X1
0,278 3,596
X2 0,220
4,551 X3
0,832 1,202
X4 0,630
1,586 Sumber: Lampiran 1 Output SPSS
Berdasarkan Tabel 4.12 hasil uji multikolinearitas di atas, dapat diketahui bahwa nilai VIF seluruh variabel independen kurang dari sepuluh dan nilai
tolerance lebih dari 0,1. Hasil tersebut menunjukkan bahwa keempat variabel independen terbebas dari masalah multikolinearitas.
b. Uji Heteroskedastisitas Uji heteroskedastisitas digunakan untuk menguji apakah dalam model
regresi terjadi ketidaksamaan varian dari residual pada satu pengamatan ke pengamatan lain. Model regresi yang baik adalah jika tidak mengalami masalah
heteroskedastisitas. Metode yang bisa digunakan untuk menentukan terjadi maslah heteroskedastisitas adalah dengan uji korelasi spearman, uji glejser, uji park, dan
scatterplot nilai prediksi ZPRED dengan residual SRESID. Model Regresi terbebas dari asumsi heteroskedastisitas apabila grafik scatterplot membentuk pola
dengan titik-titik menyebar diatas maupun dibawah sumbu Y. Hasil uji heteroskedastisitas dapat dilihat pada Gambar 4.3 berikut:
Gambar 4.3 Grafik Scatterplot
Sumber: Lampiran 1 Output SPSS
Berdasarkan Gambar 4.3 Grafik scatterplot, dapat dilihat bahwa ada pola-pola yang jelas dengan titik-titik menyebar diatas ataupun dibawah sumbu 0
dan sumbu Y. Hasil tersebut menunjukkan bahwa model tersebut terbebas dari masalah heteroskedastisitas. Agar lebih meyakinkan apakah terdapat masalah
heteroskedastisitas maka dilakukan uji glejser yang dapat dilihat pada Tabel 4.13 berikut:
Tabel 4.13 Hasil Uji Glejser
Model Unstandardized Coefficients
B Sig.
constant 0,021
0,495 X1
0,015 0,577
X2 -0,044
0,215 X3
0,011 0,726
X4 0,028
0,276 Sumber: Lampiran 1 Output SPSS
Berdasarkan Tabel 4.13 Uji glejser diatas menunjukkan bahwa nilai keofisien variabel bebas indeks gray leverage, indeks gray likuiditas, indeks gray
profitabilitas, indeks gray porsi saham publik sebesar 0,15; -0,044; 0,011; 0.028 dengan nilai signifikansi 0,495; 0,577; 0,215; 0,726; 0,276 menunjukkan bahwa
semua nilai tersebut lebih besar dari 0,05 yang berarti bahwa model regresi terbebas dari masalah heteroskedastisitas.
3. Analisis Regresi Linear Berganda