Gambar 4.2 Uji Normalitas dengan Plot
Sumber : Data sekunder setelah diolah dengan SPSS, 2011 Grafik histogram memberikan pola distribusi yang mendekati
normal sedangkan pada grafik normal probability-plot yaitu titik-titik menyebar hanya di sekitar garis diagonal dan mengikuti arah garis
diagonal. Hasil ini konsisten dengan uji Kolmogorov-Smirmov yang dijelaskan di atas. Berdasarkan grafik histogram dan grafik normal
probability-plot tersebut dapat dikatakan bahwa data secara umum terdistribusi secara normal.
4.1.2.2 Hasil Uji Multikolinearitas
Menurut Erlina dan Mulyani 2007:107 uji ini bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antara
8QLYHUVLWDV6 XPDWHUD8WDUD
variabel independen. Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel independen. Uji multikolinearitas dalam
penelitian ini dilakukan dengan melihat nilai tolerance dan variance inflation factor VIF. Jika suatu variabel bebas memiliki nilai VIF
10 maka dapat disimpulkan bahwa variabel tersebut tidak terjadi multikolinieritas dengan variabel bebas lainnya. Berikut ini adalah hasil
uji multikolinieritas :
Tabel 4.3 Hasil Uji Multikolinearitas
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity
Statistics B
Std. Error Beta
Tolerance VIF
Constant -,222
,412 -,538
,593 CR
,158 ,120
,210 1,320
,194 ,818
1,223 DER
,183 ,121
,257 1,508
,139 ,708
1,412 TAT
,210 ,170
,183 1,236
,223 ,943
1,060 ROA
,422 1,369
,050 ,308
,759 ,792
1,262 a. Dependent Variable: RS
Sumber : Data Sekunder setelah diolah SPSS, 2013 Dari hasil pengujian di atas dapat dilihat bahwa angka tolerance
likuiditas CR sebesar 0.818, leverage DER sebesar 0.708, aktivitas TAT sebesar 0.943 dan profitabilitas ROA 0.792 berada di atas 0.1
dan nilai VIF berada di bawah angka 10 yang berarti tidak ada korelasi antara variabel independen. Jadi dapat disimpulkan bahwa tidak ada
multikolinearitas antara variabel independen dalam model regresi.
8QLYHUVLWDV6 XPDWHUD8WDUD
4.1.2.3 Hasil Uji Autokorelasi
Untuk menguji ada tidaknya autokorelasi dalam penelitian ini digunakan uji Durbin Watson dengan melihat koefisien DW test.
Tabel 4.4 Tingkat Autokorelasi Durbin Watson
DW Kesimpulan
Kurang dari 1,10 Ada autokorelasi
1,10 – 1,54
Tidak ada kesimpulan 1,55
– 2,46 Tidak ada autokorelasi
2,47 – 2,90
Tidak ada kesimpulan Lebih dari 2,91
Ada autokorelasi
Tabel 4.5 Hasil Uji Durbin Watson
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-
Watson 1
,337
a
,113 ,031
,85768 1,126
a. Predictors: Constant, ROA, CR, TAT, DER b. Dependent Variable: RS
Sumber : Data sekunder setelah diolah dengan SPSS, 2013 Nilai D-W menurut tabel 4.6 dengan tingkat signifikansi 5 dan
nilai n = 48 serta k = 4 diperoleh angka dl = 1,3619 dan du = 1,7206. Oleh karena itu, nilai D-W lebih besar dari du 1,7206 dan lebih kecil
dari 4 – 1,7206= 2,2794 4 – du, maka dapat disimpulkan bahwa tidak
ada autokorelasi positif maupun autokorelasi negatif antar residual dan model regresi memenuhi syarat asumsi klasik tentang autokorelasi.
8QLYHUVLWDV6 XPDWHUD8WDUD
Nilai R Square dari output diatas adalah sebesar 0.113. Ini berarti bahwa variabel independen yang terdiri dari likuiditas, leverage,
aktivitas dan profitabilitas mampu menjelaskan variasi variabel dependen sebesar 11,3. Selebihnya dijelaskan oleh variabel lain yang
tidak dimasukkan dalam model regresi dalam penelitian ini.
4.1.2.4 Hasil Uji Heterokedastisitas