Dengan uji Kolmogorov-Smirnov, hasil uji normalitas sesudah transformasi dengan uji Kolmogorov-Smirnov dapat dilihat pada Tabel 5.4. di bawah. Dalam Tabel
5.4. dapat dilihat bahwa besarnya nilai Kolmogorov-Smirnov adalah 1,1040 dan signifikan pada 0,1750 sig 0,05. Hal ini berarti data residual sudah terdistribusi
normal dan hasilnya konsisten dengan uji normalitas dengan pendekatan histogram dan pendekatan grafik, oleh karenanya berarti data sudah menunjukkan pola distribusi
normal.
Tabel 5.4. Uji Kolmogorov-Smirnov Sesudah Transformasi One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 288
Mean 0,0000
Normal Parameters
a,,b
Std. Deviation 0,3951
Absolute 0,0650
Positive 0,0650
Most Extreme Differences Negative
-0,0310 Kolmogorov-Smirnov Z
1,1040 Asymp. Sig. 2-tailed
0,1750 Sumber : Lampiran 10.
5.1.2.2. Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang
lain. Model regresi yang baik adalah yang homoskedastisitas atau tidak terjadi heteroskedastisitas. Dengan menggunakan pendekatan grafik dalam penelitian ini, uji
Universitas Sumatera Utara
heterokedastisitas dilakukan dengan melihat grafik Scatter-Plot antara nilai prediksi variabel terkait ZPRED dengan residualnya SRESID. Jika ada pola tertentu seperti
titik-titik yang ada membentuk pola tertentu yang teratur maka diindikasikan telah terjadi heteroskedastisitas. Dan jika tidak ada pola yang jelas serta titik-titik menyebar
di atas dan di bawah angka 0 pada sumbu Y maka tidak terjadi heteroskedastisitas dimana Y adalah nilai residual dan X adalah nilai yang telah diprediksi.
Gambar 5.4. Hasil Uji Normalitas dengan Scatter Plot Sesudah Transformasi
Hasil uji heteroskedastisitas setelah transformasi data dapat dilihat pada grafik Scatter-Plot pada Gambar 5.4. di atas. Dari gambar ini dapat dilihat bahwa tidak ada
pola yang jelas dan titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y
Universitas Sumatera Utara
serta tidak membentuk sebuah pola tertentu. Hal ini menyimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi sehingga model regresi layak dipakai.
5.1.2.3. Uji Autokorelasi
Uji autokorelasi bertujuan untuk mengetahui apakah dalam regresi linier ada tidaknya korelasi antara kesalahan pengganggu pada periode tertentu dengan
kesalahan pengganggu periode sebelumnya. Model regresi yang baik adalah regresi yang bebas dari autokorelasi. Dalam penelitian ini, uji autokorelasi dilakukan dengan
menggunakan pengujian Durbin-Watson Test DW-Test. Hasil uji autokorelasi dapat dilihat pada Tabel 5.5. berikut ini :
Tabel 5.5. Uji Autokorelasi Model Summary
Model R
R Square Adjusted R
Square Std. Error of
the Estimate Durbin-Watson 1
0,592
a
0,351 0,346
0,3964 1,896
a. Predictors: Constant, Perputaran Aset, Profitabilitas b. Dependent Variable: Nilai Perusahaan
Sumber : Lampiran 11. Dari Tabel 5.5. di atas terlihat bahwa nilai Durbin-Watson dalam penelitian ini
sebesar 1,896. Hasil perhitungan tersebut berada pada interval tidak ada autokorelasi Gambar 5.5..
Universitas Sumatera Utara
Autokorelasi Daerah
Daerah Autokorelasi
positif Keragu-raguan
Tidak ada Keragu-raguan negatif
autokorelasi positif atau
negatif
dl du dw
4-du 4-dl
4 1,706
1,760 1,896 2,24
2,294
Gambar 5.5. Interval Uji Autokorelasi
Nilai Durbin Watson Test sebesar 1,896 dapat dibaca dari tabel Durbin Watson dengan α 0,05, nilai dari dl dan du 1,706 dan 1,760, nilai dari 4-dl dan 4-du 2,294
dan 2,24. Dengan demikian angka 1,896 dapat dilihat bahwa nilai du DW 4-du atau 1,760 1,896 2,24. Hasil tersebut menunjukkan bahwa tidak ada autokorelasi
pada model regresi dan posisi 1,896 dapat dibuktikan pada gambar di atas.
5.1.2.4. Uji Multikolinieritas