Normal P-P Plot of Regression setelah transformasi
Sumber : Output SPSS, diolah Peneliti, 2010
Grafik Normal P-P Plot of Regression di atas memperlihatkan titik-titik
menyebar berhimpitan di sekitar diagonal dan ini menunjukkan data dalam model regresi berdistribusi normal. Karena secara keseluruhan data telah terdistribusi secara
normal, maka dapat dilakukan pengujian asumsi klasik lainnya.
b. Uji Multikolinieritas
Uji multikolinieritas bertujuan menguji apakah pada model regresi ditemukan adanya korelasi antara variabel independen. Akibat dari terjadinya korelasi antar variabel
bebas ini adalah koefisien – koefisien regresi menjadi tidak dapat ditaksir dan nilai standar error bagi setiap koefisien menjadi tidak terhingga. Hasil uji multikolinearitas
disajikan dalam tabel 4.8 dan tabel 4.9.
Universitas Sumatera Utara
Tabel 4.8 Hasil Uji Multikolinearitas 1
Coefficient Correlations
a
Model Ln_DEBT
TO TOTAL ASSETS
Ln_WORK ING
CAPITAL TURNOVE
R 1
Correlations Ln_DEBT TO TOTAL ASSETS
1.000 -.549
Ln_WORKING CAPITAL
TURNOVER -.549
1.000
Covariances Ln_DEBT TO TOTAL ASSETS
.199 -.048
Ln_WORKING CAPITAL
TURNOVER -.048
.038
a. Dependent Variable: Ln_RETURN ON ASSETS Sumber : Output SPSS, diolah Peneliti, 2010
Dari tabel 4.8 dapat dilihat bahwa hasil besaran korelasi antar variabel bebas adalah –0.549. Karena korelasi ini masih di bawah 95 maka dapat dikatakan bahwa
tidak terjadi multikolinearitas yang serius. Menurut Ghozali 2005 : 91 untuk melihat ada atau tidaknya multikolinieritas dalam model regresi dapat dilihat dari :
Universitas Sumatera Utara
1 nilai tolerance dan lawannya,
2 Variance Inflatin Factor VIF.
Jadi, nilai Tolerance yang rendah sama dengan nilai VIF yang tinggi karena VIF = 1tolerance. Nilai cutoff yang umum dipakai untuk menunjukkan adanya
mutikolineritas adalah nilai Tolerance 0,10 atau sama dengan VIF 10.
Tabel 4.9 Hasil Uji Multikolinearitas 2
Sumber : Output SPSS, diolah Peneliti, 2010
Dari hasil pengujian tabel 4.5 di atas, dapat dilihat bahwa angka tolerance working capital dan debt to total assets 0,10 yaitu 0,698 dan VIFnya 10 yaitu
1,432. Ini mengindikasikan bahwa tidak terjadi multikolinieritas diantara variabel independen dalam penelitian.
c. Uji Autokorelasi
Pengujian autokorelasi bertujuan untuk menguji apakah terdapat korelasi antara kesalahan pengganggu pada suatu periode dengan kesalahan pengganggu
periode sebelumnya dalam model regresi. Autokorelasi menunjukkan adanya korelasi antara kesalahan pengganggu pada data yang tersusun, baik berupa data cross
sectional dan atau time series. Jika terjadi autokorelasi dalam model regresi berarti koefisien korelasi yang diperoleh menjadi tidak akurat, sehingga model regresi yang
baik adalah model regresi yang bebas dari autokorelasi.
Universitas Sumatera Utara
Cara yang dapat dilakukan untuk mendeteksi ada tidaknya autokorelasi adalah dengan melakukan pengujian Durbin Watson DW. Dalam model regresi tidak
terjadi autokorelasi apabila nilai du dw 4 – du. Tabel 4.6 menyajikan hasil uji Durbin Watson dengan menggunakan program SPSS versi 16.0.
Tabel 4.10 Hasil Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of
the Estimate Durbin-
Watson 1
.308
a
.095 .043
1.03018 1.573
a. Predictors: Constant, Ln_DEBT TO TOTAL ASSETS, Ln_WORKING CAPITAL TURNOVER
b. Dependent Variable: Ln_RETURN ON ASSETS Sumber : Output SPSS, diolah Peneliti, 2010
Hasil uji autokorelasi di atas menunjukkan nilai statistik Durbin Watson DW sebesar 1,573 , nilai ini akan dibandingkan dengan nilai tabel Durbin-Watson dengan
menggunakan signifikansi 5, jumlah sampel 38 n, jumlah variabel independen 2 k=2. Maka di tabel Durbin-Watson didapat nilai batas atas du 1,594 dan nilai batas
bawah dl 1,373. Oleh karena itu, nilai DW 1,573 lebih besar dari batas atas 1,373 dan lebih kecil dari 2,627 4 – 1,373 atau dapat dinyatakan bahwa 1,373 1,573
2,627. Dengan demikian dapat disimpulkan tidak terdapat autokorelasi.
d. Uji Heterokedastisitas