Gambar 4.2 Grafik Normal P-Plot
Sumber : Output SPSS, diolah Penulis, 2010
Menurut Ghozali 2005:112, pendeteksian normalitas dapat dilakukan
dengan melihat penyebaran data titik pada sumbu diagonal dari grafik, yaitu jika data titik menyebar di sekitar garis diagonal dan mengikuti arah garis
diagonal, hal ini menunjukkan data yang telah terdistribusi normal. Gambar 4.2 menunjukkan bahwa data titik menyebar di sekitar dan mendekati garis
diagonal. Hal ini sejalan dengan hasil pengujian dengan menggunakan histogram bahwa data telah terdistribusi normal. Karena secara keseluruhan
data telah terdistribusi secara normal, maka dapat dilakukan pengujian asumsi klasik lainnya.
2. Uji Multikolinieritas
Universitas Sumatera Utara
Uji multikolinieritas bertujuan menguji apakah pada model regresi ditemukan adanya korelasi antara variabel independen. Untuk melihat ada
atau tidaknya multikolinieritas dalam model regresi dapat dilihat dari :
a. nilai tolerance dan lawannya,
b. Variance Inflatin Factor VIF.
Kedua ukuran ini menunjukkan setiap variabel independen manakah yang dijelaskan oleh variabel independen lainnya. Tolerance mengukur variabilitas
variabel independen yang terpilih yang tidak dijelaskan oleh variabel independen lainnya. 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
Ghozali, 2005 : 91. Hasil dari uji multikolinieritas dapat dilihat pada tabel berikut ini :
Tabel 4.8 Hasil Uji Multikolinearitas
Coefficients
a
Model Collinearity Statistics
B Tolerance VIF
1 Constant
3.250 Ln_Divident Payout Ratio .000
.445 2.249
Ln_Earning Growth -.283
.300 3.333
Ln_Return On Investment -1.352 .321
3.113 a. Dependent Variable: Ln_Price Earning Ratio
Sumber : Output SPSS, diolah Penulis, 2010
Universitas Sumatera Utara
Berdasarkan tabel 4.8 dapat disimpulkan bahwa penelitian ini bebas dari adanya multikolinieritas. Hal
tersebut dapat
dilihat dengan membandingkannya dengan nilai Tolerence atau VIF. Masing-masing variabel
independen yang digunakan dalam penelitian ini memiliki nilai Tolerence yang lebih besar dari 0,10. Jika dilihat dari VIF-nya, bahwa masing-masing
variabel bebas lebih kecil dari 10. Dengan demikian dapat disimpulkan bahwa tidak terjadi gejala multikolinieritas dalam variabel bebasnya.
3. Uji Autokorelasi
Uji ini bertujuan untuk melihat apakah dalam suatu model linear ada korelasi antar kesalahan pengganggu pada periode t dengan kesalahan pada
periode t-1 sebelumnya. Model regresi yang baik adalah yang bebas dari autokorelasi. Masalah autokorelasi umumnya terjadi pada regresi yang
datanya time series. Ada beberapa cara yang dapat digunakan untuk mendeteksi masalah dalam autokorelasi diantaranya adalah dengan Uji Durbin
Watson. Menurut Sunyoto 2009:91, untuk melihat ada tidaknya autokorelasi dilihat dari:
a. Angka D-W di bawah –2 berarti ada autokorelasi positif b. Angka D-W di antara -2 sampai +2, berarti tidak ada autokorelasi.
c. Angka D-W di atas +2 berarti ada autokorelasi negatif.
Universitas Sumatera Utara
Tabel 4.9 Hasil Uji Autokorelasi
Model Summary
b
Model R R Square
Adjusted R Square
Std. Error of the Estimate
Durbin-Watson 1
.774
a
.599 .569
.98651 1.505
a. Predictors: Constant, Ln_Return On Investment, Ln_Divident Payout Ratio, Ln_Earning Growth
b. Dependent Variable: Ln_Price Earning Ratio Sumber : Output SPSS, diolah Penulis, 2010
Tabel 4.9 menunjukkan hasil uji autokorelasi variabel penelitian. Berdasarkan hasil pengujiannya dapat dilihat bahwa tidak terjadi autokorelasi
antar kesalahan pengganggu antar periode. Hal tersebut dilihat dari nilai Durbin-Watson D-W sebesar 1.505. Angka D-W berada diantara -2 dan 2,
yang mengartikan bahwa angka DW lebih besar dari -2 dan lebih kecil dari 2. Jadi dapat disimpulkan bahwa tidak ada autokorelasi positif maupun negatif.
4. Uji Heteroskedastisitas
